基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

基于面元素重排的三维网格模型数据隐藏算法

目的 为了解决目前三维数据隐藏算法不能兼顾无失真和盲提取的问题，提出一种新的完全无失真的三维网格模型数据隐藏盲算法。方法 首先使用混沌逻辑映射选择嵌入与提取模式，保证数据的安全性。然后利用面元素重排，完全不会造成三维模型失真的性质，通过不同嵌入模式规则对三角面元素进行重排，以嵌入秘密数据。接收端则可根据相应的提取模式规则提取秘密数据。结果 仿真结果与分析表明，该算法不会对三维模型造成任何失真，嵌入容量为每顶点2比特，且能抵抗仿射变换攻击、噪声攻击和平滑攻击等。结论 这种三维数据隐藏盲算法无失真，容量大、安全性高、鲁棒性强，适用于三维载体不容修改的情形，如军事、医学、秘密通信和版权保护等。     

SND生物脱氮过程N_2O的产生与关键酶及其活性

废水生物脱氮是目前水处理中重要的去除含氮废水的方法。随着国内外学者的深入研究,一些新型的生物脱氮工艺被开发和应用到污水处理中,从而经济高效地去除废水中的含氮污染物,达到国家的排放标准。同步硝化反硝化(SND)是具有发展潜力的新型脱氮工艺,但在运行过程中不可避免地会产生N2O。N2O是最重要的三种温室气体之一,其温室效应约为CO2的300倍。因此,在注重SND的脱氮效率的同时,也应该关注其产生的气态物对大气环境的影响。文章阐述了SND脱氮过程中N2O产生的机理及相关酶,并分析了SND工艺过程中主要影响N2O释放量的工艺因素。