HOOK API时代码注入方法和函数重定向技术研究

HOOK API是一种高级编程技术,在介绍Windows HOOK技术的基础上,阐述了HOOK API技术的概念,分析了HOOK API技术的实现原理,给出了三种实现HOOK API技术时的代码注入方法,即使用钩子注入DLL、使用注册表注入DLL及使用远程线程注入DLL.探讨两种实现HOOK API技术时的函数重定向技术,即利用PE文件中的导入表实现函数的重定向及通过嵌入汇编代码实现函数的重定向.     

基于椭圆曲线的一种高效率数字签名

为给出一种基于椭圆曲线密码的高效率的数字签名方案.不仅在算法设计时完全避免了费时的求逆运算,而且利用消息HASH值的汉明重量作为消息摘要进行签名与验证.结果在同等安全性下,该方案比通用的ECDSA等方案运行时间更短.新方案可适用于网络等对签名实时性要求较高的场合.     

一种基于数据连续性的聚类方法

为了解决数据遗漏问题,根据类内样品点均匀分布的性质提出了一种新的聚类方法,即：先从样品集中获得蕴含式类,然后通过支持度获得标准类,最后通过隶属度标识类内成员的强弱程度。该方法仅对类内样品点均匀分布性敏感,不需要预先设置包括类核坐标、类间距离阈值等先验参数,对非凸性类也能有效分类。同时,实验表明该方法是一个具有较高性能的聚类方法。     

矩阵特征值估计的粒子群优化算法

利用Gersehgorin圆盘定理与矩阵特征值的性质,将特征值的求解问题转化为最优化问题.借助粒子群优化算法与二分法思想,精确地估计了实(复)方矩阵的全体特征值,并与Matlab软件中基于QR算法设计的特征值求解函数eig的计算结果作对比,绝对误差达到10-7数量级以上.同时,也解决了特征值分离度的估计问题.     

求解六峰值驼背函数优化问题的热力学演化算法

作为计算智能关键技术的演化计算,因其在对复杂和非线性问题的求解中表现出良好的适应性、并行性、鲁棒性等众多优点,受到众多领域专家学者的广泛关注.在综合国内外演化计算研究现状的基础上,基于热力学中的自由能极小化原理,设计了一个全新的热力学演化算法,并通过对于六峰值驼背函数优化问题求解的数值试验,测试了热力学演化算法的优良性能,试验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优.     

图形匹配算法在公式发现理论FDD中的应用

传统的经验公式发现理论FDD虽采用启发式搜索,但随着函数库的扩大,仍存在函数的组合爆炸现象.根据复合函数曲线仍然具有原函数图形特征的性质,提出了从函数曲线的图形特征入手,采用图形匹配的新方法,将各类初等函数的曲线图形作为搜索库元素,用Hausdorff距离匹配法将目标函数曲线与搜索库元素进行匹配.实验结果表明,该方法能够快速有效地搜索到原型函数,提高了算法的搜索效率.     

基于RBF神经网络混合遗传算法的多用户检测

提出了一种混合递阶遗传算法来同时训练RBF神经网络的结构和参数,引入了改进的染色体编码方案,用基于奇异值分解的最小二乘法计算网络输出层权值,提高了遗传搜索的效率,精简了网络结构.并用变学习速率梯度下降法优化遗传训练出的最优网络,应用到多用户检测中.仿真结果表明,新混合学习算法训练出的网络结构优于其它算法训练的网络结构,并且性能良好.     

基于散列函数的消息认证分析

基于网络通信中对消息认证的需求,介绍了散列函数的基本概念及构造方法,讨论了其用于消息认证中必须满足的特性,分析了散列函数在消息认证中的使用方式.生日攻击是通用的碰撞攻击方法,它可用于攻击任何类型的散列函数.为了增强散列函数的抗碰撞能力,探讨了生日攻击的碰撞阈值和攻击步骤.最后提出了安全散列函数设计时宜采用迭代和压缩型结构,该算法的核心技术是设计无碰撞的压缩函数并重复使用,从而可增大攻击者的攻击难度.     

基于混合核函数的自组织神经网络遥感图像分类

自组织神经网络SOM作为一种无监督学习的竞争式网络,已经得到了广泛的应用,它通过对输入信号的竞争学习,将样本划为不同的类别,但其分类效果常很难令人满意.提出了一种基于混合核函数的SOM神经网络改进方法,并和传统的SOM网络进行了对比,Iris数据和Wine数据的分类实验表明,该方法可以明显改进SOM网络的分类效果.然后对某地Landsat卫星遥感图像数据进行分类实验,实验结果表明,与传统的SOM网络、基于多项式核的SOM网络以及基于RBF核的SOM网络相比较,基于混合核函数的SOM神经网络方法的分类效果有较明显的提高.     

改进的支持向量机分类算法

在研究了标准SVM分类算法后,本文提出了一种快速的支持向量机分类方法.该方法通过解决两类相关的SVM问题,找到两个非平行的平面,其中每个平面靠近其相应的类样本点,远离另一类样本点,最后通过这两个平面找到一个将两类样本分开的最优平面.在处理非线性情况下,引入一种快速核函数分类方法.使用该算法可以使分类的速度得到很大提高,针对实际数据集的实验表明了该算法的有效性.