为在保障热防护系统可靠性的前提下减轻重量,本文建立考虑多源不确定性的烧蚀型热防护系统的概率设计和可靠性评估方法。采用有限元方法计算系统热响应,通过试验测试与数值模型对比验证方法的有效性。并构建热防护系统的不确定性输入参...为在保障热防护系统可靠性的前提下减轻重量,本文建立考虑多源不确定性的烧蚀型热防护系统的概率设计和可靠性评估方法。采用有限元方法计算系统热响应,通过试验测试与数值模型对比验证方法的有效性。并构建热防护系统的不确定性输入参数与目标输出的代理模型,基于代理模型与蒙特卡洛方法进行热防护系统目标变量的概率特性分析。采用Sobol指标对不确定性参数进行灵敏度分析,并以系统可靠性为指标进行概率设计。该方法针对来流、几何以及材料属性等多源不确定性进行热防护系统的概率设计与可靠性评估,以二维平板模型为例,计算热防护系统最高背温的概率特性以及不确定性参数的灵敏度,得到了不同涂层厚度情况下系统的可靠性。结果表明,与安全系数 n =1.5的设计相比,概率设计减重达到24%。展开更多
近年来,使用恶意Excel 4.0宏(XLM)文档的攻击迎来了爆发,而XLM代码往往经过复杂的混淆,现有方法或检测系统难以分析海量样本的真实功能。因此,针对恶意样本中使用的各类混淆技术,基于抽象语法树和模拟执行,设计和实现了包含138个宏函数...近年来,使用恶意Excel 4.0宏(XLM)文档的攻击迎来了爆发,而XLM代码往往经过复杂的混淆,现有方法或检测系统难以分析海量样本的真实功能。因此,针对恶意样本中使用的各类混淆技术,基于抽象语法树和模拟执行,设计和实现了包含138个宏函数处理程序的自动化XLM反混淆与关键威胁指标(IOC,indicators of compromise)提取系统XLMRevealer;在此基础上,根据XLM代码特点提取Word和Token特征,通过特征融合能够捕获多层次细粒度特征,并在XLMRevealer中构造CNN-BiLSTM(convolution neural network-bidirectional long short term memory)模型,从不同维度挖掘家族样本的关联性和完成家族分类。最后,从5个来源构建包含2346个样本的数据集并用于反混淆实验和家族分类实验。实验结果表明,XLMRevealer的反混淆成功率达到71.3%,相比XLMMacroDeobfuscator和SYMBEXCEL工具分别提高了20.8%和15.8%;反混淆效率稳定,平均耗时仅为0.512 s。XLMRevealer对去混淆XLM代码的家族分类准确率高达94.88%,效果优于所有基线模型,有效体现Word和Token特征融合的优势。此外,为探索反混淆对家族分类的影响,并考虑不同家族使用的混淆技术可能有所不同,模型会识别到混淆技术的特征,分别对反混淆前和反混淆后再统一混淆的XLM代码进行实验,家族分类准确率为89.58%、53.61%,证明模型能够学习混淆技术特征,更验证了反混淆对家族分类极大的促进作用。展开更多
文摘为在保障热防护系统可靠性的前提下减轻重量,本文建立考虑多源不确定性的烧蚀型热防护系统的概率设计和可靠性评估方法。采用有限元方法计算系统热响应,通过试验测试与数值模型对比验证方法的有效性。并构建热防护系统的不确定性输入参数与目标输出的代理模型,基于代理模型与蒙特卡洛方法进行热防护系统目标变量的概率特性分析。采用Sobol指标对不确定性参数进行灵敏度分析,并以系统可靠性为指标进行概率设计。该方法针对来流、几何以及材料属性等多源不确定性进行热防护系统的概率设计与可靠性评估,以二维平板模型为例,计算热防护系统最高背温的概率特性以及不确定性参数的灵敏度,得到了不同涂层厚度情况下系统的可靠性。结果表明,与安全系数 n =1.5的设计相比,概率设计减重达到24%。
文摘近年来,使用恶意Excel 4.0宏(XLM)文档的攻击迎来了爆发,而XLM代码往往经过复杂的混淆,现有方法或检测系统难以分析海量样本的真实功能。因此,针对恶意样本中使用的各类混淆技术,基于抽象语法树和模拟执行,设计和实现了包含138个宏函数处理程序的自动化XLM反混淆与关键威胁指标(IOC,indicators of compromise)提取系统XLMRevealer;在此基础上,根据XLM代码特点提取Word和Token特征,通过特征融合能够捕获多层次细粒度特征,并在XLMRevealer中构造CNN-BiLSTM(convolution neural network-bidirectional long short term memory)模型,从不同维度挖掘家族样本的关联性和完成家族分类。最后,从5个来源构建包含2346个样本的数据集并用于反混淆实验和家族分类实验。实验结果表明,XLMRevealer的反混淆成功率达到71.3%,相比XLMMacroDeobfuscator和SYMBEXCEL工具分别提高了20.8%和15.8%;反混淆效率稳定,平均耗时仅为0.512 s。XLMRevealer对去混淆XLM代码的家族分类准确率高达94.88%,效果优于所有基线模型,有效体现Word和Token特征融合的优势。此外,为探索反混淆对家族分类的影响,并考虑不同家族使用的混淆技术可能有所不同,模型会识别到混淆技术的特征,分别对反混淆前和反混淆后再统一混淆的XLM代码进行实验,家族分类准确率为89.58%、53.61%,证明模型能够学习混淆技术特征,更验证了反混淆对家族分类极大的促进作用。
