基于神经网络的大数据分析方法

基于不同视角和情境特征的大数据定义诠释了大数据的5V特性,在扩展大数据价值空间与应用模式的同时催生了以"数据驱动+模型驱动"范式转变为代表的核心问题。为解决大数据分析核心问题,引入神经网络,采用性能优越的卷积神经网络设计对比实验,运用两个公开数据集对其进行训练,并在输出层分别使用L2-SVM和Softmax激活函数。在手写数字识别和彩色图像识别中,L2-SVM的识别错误率分别为0.87%和11.9%。实验结果表明,基于L2-SVM的神经网络大数据分析方法可以获得更高的识别精度。

基于LLVM的Android应用程序加固方法

逆向分析严重威胁着Android应用程序的知识产权。代码混淆是保护Android应用程序的常用方法,但是针对Android字节码的混淆保护会带来大量的性能开销。本地代码比Java代码加载速度更快且保留更少的语义,因此混淆技术对本地代码更适用。本文提出一种基于LLVM编译框架的Android应用程序加固方法,该方法有安全性高、隐蔽性好、性能开销低的特点。利用LLVM将DEX文件中的Java函数转化为LLVM中间表示,对其进行混淆并预编译得到本地代码;执行加固后的程序时通过JNI调用本地代码,动态加载被保护函数。实验结果表明,该方法能够在较低性能消耗下有效地保护应用程序不受静态分析和动态调试攻击的影响。