基于安全域的Android系统内核安全增强机制研究

近年来,随着Android系统的迅猛发展,其安全面临着极大的挑战。Android的安全包括系统安全和软件安全,系统安全是整个安全的基石,对整体安全至关重要。以TOMOYO Linux 为基础,针对Android的特点,改进了域生成算法,实现了内核层面的安全增强机制。实验证明,所提安全增强方案能够有效增强Android系统的安全性。     

航空炸弹飞行中的风场辨识

为实现航空炸弹飞行中的风偏修正,提出了一种基于位置矢量合成关系的风场辨识方法。文中首先建立了制导炸弹系统仿真平台以及可用的简化风场模型,其次推导了具体的辨识步骤,从而仅根据飞行中的弹道偏差得到了实时的风场信息,为弹道风偏修正提供了可靠数据。最后通过数字仿真,验证了采用该方法进行飞行中的风场辨识是合理有效的。     

外置蒸汽冷却器和0号高压加热器节能分析

为了探讨0号高压加热器和外置蒸汽冷却器在不同布置方式、不同负荷和不同外置蒸汽冷却器给水质量流量下的节能效果,利用Ebsilon软件对某660 MW机组进行分析。结果表明:当系统增设0号高压加热器时,75%THA和50%THA负荷下,给水温度分别提高23.2 K和21 K,热耗分别降低约31.2 kJ/(kW·h)和35.8 kJ/(kW·h);当利用三抽蒸汽过热度加热给水时,进入省煤器的给水温度可提升约3.2 K,100%THA、75%THA和50%THA负荷下的热耗分别降低10.7 kJ/(kW·h)、10.8 kJ/(kW·h)和13.7 kJ/(kW·h);同时增设0号高压加热器和外置蒸汽冷却器时,在75%THA和50%THA负荷下,热耗分别降低约40.6 kJ/(kW·h)和48.2 kJ/(kW·h),机组在低负荷下经济性有所提高。     

航空地图信息系统及关键技术

针对空管自动化系统和空管人员的实际需求，介绍了开发实现航空地图信息系统的主要技术。系统具备地物对象的编辑、航空地图数据的显示和存取等功能。文中分析了航空地图信息系统的模型，并给出了在UNIX操作系统中，基于Motif环境开发系统时的具体实现技术。     

基于逆向查询处理算法的数据库系统测试数据生成方法

生成测试数据和数据库状态是进行数据库系统测试的重要工作,逆向查询处理(RQP)算法提供了一种生成测试数据的方法。然而RQP算法只针对Select查询语句,为克服这一局限性,在RQP的基础上进行扩展,形成逆向操作处理(RMP)算法,以处理SQL语言中的所有数据操作语句。RMP算法的基本思想是将Delete、Insert、Update等数据操作语句转化为查询操作,即将这些操作语句所需的数据库实例应满足的条件转化为用Select语句来描述,再将转化后得到的Select语句作为RQP算法的输入,从而得到满足条件的数据库实例。RMP算法支持SQL基本语句的逆向运算,为数据库测试数据的自动生成提供了更好的支持。     

基于半监督聚类方法的测试用例选择技术

回归测试的目的是保证软件修改后没有引入新的错误。但是随着软件的演化,回归测试用例集不断增大,为了控制成本,回归测试用例选择技术应运而生。近年来,聚类分析技术被运用到回归测试用例选择问题中。将半监督学习引入到聚类技术中,提出了判别型半监督K-means聚类方法(Discriminative Semi-supervised K-means clustering Method,DSKM)。该方法从回归测试的历史执行记录中挖掘出隐藏的成对约束信息,同时利用大量的无标签样本和少量的有标签样本进行学习,优化聚类的结果,并进一步优化测试用例选择的结果。实验表明,相对于Constrained-Kmeans方法和SSKM方法,DSKM方法能够更好地提高约简率并保持覆盖率。     

一种改进的基于遗传算法的多跑道到达飞机调度

为解决具有多条跑道的大型机场在交通高峰期的飞机调度问题,提出了用遗传算法解决多跑道到达飞机调度的方法。算法以所有飞机的排列次序作为个体编码,在此基础上设计了交叉和变异算子。解码时首先确定各飞机的降落跑道,然后用改进的移动方法解决同一跑道上飞机之间的冲突并插入空闲时间,从而确定降落次序和时间。模拟结果表明,该方法能帮助管制员做出高效的飞机调度决策。     

重复数据中关键属性值缺失填补的改进ROUSTIDA算法

随着数据分析研究的兴起,数据预处理越来越得到研究者的重视,其中缺失数据填补问题的重要性也逐渐显现。在ROUSTIDA数据补齐算法的基础上,针对具有关键属性的重复数据的特点,文中提出了一种改进的ROUSTIDA算法——Key&Rpt_RS算法。Key&Rpt_RS算法继承了ROUSTIDA算法的优势,同时考虑了目标数据的重复性特点,分析了关键属性对填补效果的影响,得到了更加准确且有效的填补结果。     

软件缺陷预测中的数据预处理方法

软件缺陷预测是软件质量保障领域的热点研究课题，缺陷预测模型的质量与训练数据有密切关系。用于缺陷预测的数据集主要存在数据特征的选择和数据类不平衡问题。针对数据特征选择问题，采用软件开发常用的过程特征和新提出的扩展过程特征，然后采用基于聚类分析的特征选择算法进行特征选择；针对数据类不平衡问题，提出改进的Borderline-SMOTE过采样方法，使得训练数据集的正负样本数量相对平衡且合成样本的特征更符合实际样本特征。采用bugzilla、jUnit等项目的开源数据集进行实验，结果表明：所采用的特征选择算法在保证模型F-measure值的同时，可以降低57.94%的模型训练时间；使用改进的Borderline-SMOTE方法处理样本得到的缺陷预测模型在Precision、Recall、F-measure、AUC指标上比原始方法得到的模型平均分别提高了2.36个百分点、1.8个百分点、2.13个百分点、2.36个百分点；引入了扩展过程特征得到的缺陷预测模型比未引入扩展过程特征得到的模型在F-measure值上平均提高了3.79%；与文献中的方法得到的模型相比，所提方法得到的模型在F-measure值上平均提高了15.79%。实验结果证明所提方法能有效提升缺陷预测模型的质量。     

基于观察者模式的实时系统验证方法

复杂实时系统的验证问题一直备受关注。验证过程中,验证特性可以用时序逻辑来描述,但时序逻辑对于非专业人员而言较为复杂,难度较大。观察者模式是一个额外的子系统,可以将复杂的验证特性转换为简单的可达性问题,同时也可以避免使用复杂的验证算法。将Etienne和Nouha Abid等人提出的抽象的观察者模式应用到实时系统实例——Train-Gate系统中,采用UPPAAL工具对Train-Gate系统中的某些场景建立观察者模型,并采用对比实验将验证结果与无观察者模式状态下的验证结果进行对比。对比结果表明,使用观察者模式和验证特性都可以得到正确的验证结果,但观察者更节省时间,对于非专业人员而言更简单且更容易接受。因此,使用观察者模式对如Train-Gate的实时系统进行验证是可行的。