基于网络流量的安卓恶意软件识别

随着针对Android系统的恶意软件数量不断增加,对恶意软件进行检测的方法也不断迭代更新,但大多都是通过对软件结构的剖析和运行时的系统调用机制,忽略了恶意行为基本是依托网络流量这一必要条件,由此提出使用深度学习的基于网络流量检测方案。采用14702个正常样本和9802个恶意样本构成网络流量的结构化信息,根据一个数据包内的字节间关系和不同数据包的字节间关系的紧密程度的明显不同,2个相邻数据包往往是发送方和接收方之间的一次数据交互,它们之间的时序特征关系能独立提取,构造2层双向长短时记忆循环神经网络模型并将其用于基于流量的Android恶意软件识别。实验结果表明,恶意软件的检测效率和误报率都得到显著提升。

面向Libra区块链基础设施的安全分析与测试技术研究

针对Libra区块链系统,重点从数据结构、密码算法、安全协议、共识机制、智能合约、账本以及编程语言等方面进行安全性分析,通过深入研究Libra的组成与结构,原理与实现,挖掘Libra所存在的漏洞,设计相关安全测试与利用代码,实现Libra区块链的安全性分析与检测。除此之外,介绍相关技术发展和实际应用背景,基于成果设计安全态势感知平台,全面展示区块链安全风险。