ADFuzz:使用异常检测筛选低频路径高效模糊测试

基于覆盖率引导的模糊测试(Fuzzing)是当前最有效的漏洞自动挖掘技术.目前大部分的模糊测试工具对于新产生的测试用例实施全追踪策略.但是随着时间的流逝,模糊工具生成的测试用例都集中在程序的高频路径,使能够产生新覆盖的测试用例远少于已生成测试用例的总数,以至于全追踪策略花费了大量无意义的时间成本和运行开销.因此提出基于异常检测模型的模糊测试工具ADFuzz,筛选低频路径以减少高频路径的执行次数,从而加速模糊测试,持续引导模糊测试朝着低频路径方向变异运行,并扩大程序覆盖.通过ADFuzz,AFL,Untracer在12个真实程序上运行24 h的实验结果显示,相比AFL,ADFuzz平均速度提升23.8%,平均覆盖率增加11.78%,最高增加25.8%;相比Untracer,ADFuzz平均速度降低较少,但是漏洞数量和覆盖率都有较大提升.

改进的无迹粒子滤波算法

本文提出了一种改进的无迹粒子滤波算法(IUPF).与传统的粒子滤波算法不同,IUPF中每个粒子并不代表状态序列的一个可能实现,而是代表由初始状态以及过程噪声序列所构成的扩展过程噪声序列的一个可能实现.根据状态空间方程所属的类型,IUPF可以采用不同的无迹变换方法来设计建议分布.并借鉴了基于无迹变换的辅助粒子滤波器(UTAPF)的思想来改进重采样过程.与UPF和UTAPF相比,新算法有3处改进.第一,IUPF无需假定状态转移核函数已知,因而应用范围较UPF和UTAPF广泛.第二,IUPF的计算开销较少.第三,UPF和UTAPF中每个粒子均被假设拥有一个从其父母粒子中继承下来的状态分布,然而这种假设是否合理目前尚难定论,IUPF避免了该假设.在两组仿真实验下将新算法与其它4种算法进行比较,新算法体现了较好的估计能力.并且结果显示与UPF以及UTAPF相比,IUPF所节省的计算时间与状态向量和噪声向量的维数有关.

一般性粒子滤波算法收敛特性

粒子滤波算法在处理最优滤波问题时受到了广泛的重视,对此类算法的收敛性研究是该领域研究的热点问题.首先介绍了一种变换的一般性粒子滤波算法,与一般性粒子滤波算法不同,在每次执行重要性采样步骤后,新算法需要判别是否需要重新执行重采样步骤和重要性采样步骤.随后对新算法的几乎必然收敛性进行了分析,并将对新算法的收敛性讨论推广到一般性粒子滤波算法中.研究了当感兴趣函数在扩展状态后验联合分布下四阶距存在并且递归次数有限时,由一般性粒子滤波算法得出的估计几乎收敛于最优估计的充分条件.最后,通过一组仿真实验来说明一般性粒子滤波算法的几乎必然收敛性.

基于UKF与模型误差的交互式多模型算法

在最小距离设计准则下,提出了一种基于Monte-Carlo采样和K均值聚类的模型集合设计实现方法。通过讨论由于真实模式与模型之间的差异所可能引发的问题,提出基于UKF与模型误差的交互式多模型改进算法。新算法中每个模型采用Unscented Kalman Filter处理非线性估计问题。Monte-Carlo仿真实验表明当真实模式远离模型集合中的各模型时,新算法比IMM更具鲁棒性。并且当真实模式保持不变时,从全局角度考虑新算法比IMM优越。

基于模型误差的交互式多模型算法

本文考虑了模型与真实模式之间可能存在的差异,分析了由此引发的问题。提出一种基于模型误差的交互式多模型算法,其中模型集合使用最小距离设计方法设计。Monte-Carlo仿真实验表明,新方法比IMM能更好地避免性能恶化,并且当真实模式保持不变时,从全局角度考虑新算法比IMM优越。

交互式多区域模型

一种被称为交互式多区域模型(IMRM)的非线性滤波算法被提出,用于对状态和连续系统参数进行联合估计.IMRM将连续的系统参数空间视为由若干子区域所构成的集合,并将每个子区域分别分配给一个子模型.IM-RM使用一组子滤波器并行滤波.在每一时刻,IMRM利用交互操作计算各子模型的混合初始化环境,之后各子滤波器在假设系统参数跳变到特定子区域的前提下,对状态和系统参数进行估计.为了有效地应用IMRM,提出了一种基于无迹变换的交互式多区域模型(UT-IMRM)算法.UT-IMRM对每个子模型使用无迹卡尔曼滤波器(UKF)进行滤波.在目标跟踪实验中对UT-IMRM性能进行测试.实验结果显示当系统参数不属于IMM模型集合时,UT-IMRM能够比IMM获得更好的估计性能.

基于时变系数与社会认知模拟的粒子群优化

粒子群优化算法利用一群在可行区域内飞行的粒子来搜索最优解,具有易实现、收敛速度快的特点,然而也面临"早熟"的问题。提出了一种基于时变系数与社会认知模拟的粒子群优化算法。实验结果显示,在5种不同的标准化测试函数下,新算法较另外3种常用的算法优越。

一种对IMM真实误差协方差的估计方法

交互式多模型IMM被认为是对混合系统估计的一种性价比最好的算法之一。由于真实模式序列未知,由IMM得到的误差协方差矩阵通常与真实值不相等。在假设条件下,分析了一种新的对真实误差协方差的估计方法,并且通过Monte-Carlo仿真用真实误差协方差矩阵的平均值来评估IMM的性能。

一种对IMM真实误差二阶距的估计方法

交互式多模型IMM被认为是时混合系统估计的一种性价比最好的算法之一。考虑到各个模型之间的相关性,在假设已知真实模式序列的情况下,本文提出了一种对IMM真实误差均值、协方差以及二阶距的估计方法。在Monte-Carlo仿真实验下用真实误差二阶距的均值平方根来评估IMM的性能,并与RMSE进行了比较。另外对该方法在跟踪门设计中的应用前景进行了展望。

自注意力信用评估模型

在信用评估问题中,用户信息中既包含类别数据,也包含数值数据。传统的基于人工智能的信用评估模型通常对类别数据进行one-hot变换后,再与数值数据进行拼接作为判别器的输入。与之不同,借鉴了自然语言处理中的词嵌入技术来提取类别数据的词向量;将输入的词向量集合类比为“句子”,并基于自注意力机制从“句子”中提取出用户特征;最后采用多层感知机来预测用户违约的概率。新模型可以使用反向传播算法实现端到端的训练。在三个不同的数据集上将新模型和六种基准算法进行了比较,结果表明该模型能够比基准算法取得更好的性能。

一种基于词向量的个性化学科内容推荐方法

在网上学科知识信息极大丰富环境下,如何为学习者推荐适合的学习内容成为研究重点。基于有效表示文本特征的词向量,为知识文本生成关键知识点短语及主题,根据主题或知识点内容设计知识文本查找算法:KW-to-doc(KeyWords-to-documents)算法,以查找出适合学习者学习的学科知识文本内容。通过多个学科知识的实验证明,该方法能够基于关键词与学科的关键知识点推荐有效的学科知识内容。