关于计算机编程语言之间融合教学的研究

针对我院《计算机硬件技术基础》课程教学中存在的问题,提出将高级语言(C语言)引入到低级语言(汇编语言)的教学过程中,通过对两种语言的结构进行分析、对C语言源程序进行反汇编等教学手段,探讨如何由C语言的学习顺利地过渡到汇编语言的学习。实践证明,通过开展计算机编程语言之间的融合教学,降低了汇编语言的学习难度,提高了学员学习效率,激发了学员学习汇编语言的热情。

HIGHT密码代数故障分析

提出了一种轻量级分组密码HIGHT的代数故障分析方法,并对其安全性进行了评估.首先提出了一种高效的故障位置确定方法,并分析了故障的最大注入深度;然后利用代数方法构建HIGHT密码等效代数方程组,通过故障攻击手段获取故障密文,并对故障传播情况进行分析,将涉及的全部密钥和加密中间状态用代数方程组表示,实现故障信息最大化利用;最后从理论上分析了攻击所需故障注入次数并在不同故障模型下进行了攻击实验,使用CryptoMinisat解析器求解代数方程组恢复密钥信息.结果表明:与现有攻击相比,该方法攻击所需故障注入次数少,分析过程简单,有效性和通用性好.

对HIGHT密码改进的代数故障攻击

针对HIGHT轻量级分组密码已有代数故障攻击方法攻击轮数受限的不足,提出并讨论了一种改进的代数故障攻击方法.该方法将攻击成功延伸至密码加密第25轮,在单字节故障模型下,攻击理论故障注入次数和成功率分别为5次和91.60%.仿真实验结果表明,对密码25轮进行攻击,恢复密码全部主密钥信息所需故障注入次数为5次,解析器平均求解时间为143.70s,攻击实际成功率为91%,最好情况下仅需4次故障注入即可以90%的成功率在551.26s内恢复全部主密钥信息,相关研究成果能够为分析其他具有相似结构的密码的安全性提供参考和借鉴.

《计算机硬件技术基础》虚拟仿真教学实验探索

《计算机硬件技术基础》是我院直通车专业理论与实践紧密结合的一门计算机基础课。传统的实验多为演示性、验证性的实验,使学员学习过程枯燥,缺少热情,无法充分理解计算机内部的工作原理。该文采用Protel和Emu8086软件相结合实现微机系统的硬件设计及软件编程的二维实验仿真,并且以Virtools仿真软件为平台实现了计算机内部硬件结构的三维动态虚拟仿真。通过设计多种形式的虚拟仿真实验,不仅弥补了硬件实验箱老旧、更新不及时等弊端,而且提高了学员自主学习的积极性。

基于布朗桥理论的超短波信道路径损耗模型

针对现有超短波信道的路径损耗模型对环境细节针对性差的问题,在电子地图已知的条件下,提出了基于布朗桥理论的超短波信道路径损耗模型。该模型应用布朗桥理论产生随机射线,经过环境散射物模型对随机射线的有效筛选,从概率意义上得到了超短波路径损耗模型。仿真结果表明,从与经验公式的对比结果和直射分量占总能量的百分比情况,该模型能够有效反映信道环境对超短波路径损耗的细节影响效果。

HIGHT轻量级分组密码容错代数故障攻击研究

针对现有HIGHT轻量级分组密码代数故障攻击方法在故障失效发生的场景下故障位置判定出错进而影响攻击成功率的问题,提出并讨论了一种容错代数故障攻击方法.该方法首先对故障失效特性进行深入研究,利用故障注入位置、故障失效与密文差分之间的对应关系,构建了一个完备的故障位置区分器以实现对各种场景下故障位置的准确判定.然后在此基础上提取故障失效信息以实现故障信息最大化利用,并对故障信息等效代数方程组构建方法进行优化,实现了故障信息等效代数方程组的自动化构建.最后对提出的攻击方法的复杂度和成功率进行了分析和实验验证.实验结果表明,与现有攻击相比,提出的攻击方法容错能力更强,能检测出所有显性故障失效,攻击的成功率达到100%,且故障信息等效代数方程组构建自动化程度更高,解析器平均求解时间更少.

军队院校《计算机网络》课程教学思考与实践

《计算机网络》作为军队院校本科计算机专业的必修课,是一门理论性和实践性都很强的课程。结合教学实践,从课程的教学理念、教学方法、实验教学三个方面进行了探讨,以期提高授课质量,加强学员实践能力的培养。

基于故障信息的SOSEMANUK猜测确定攻击

针对SOSEMANUK流密码已有攻击方法复杂度过高的不足,提出并讨论了一种基于故障信息的猜测确定攻击方法.首先利用代数方法构建密码在比特层面的等效代数方程组,然后向密码注入随机单字故障,在深入分析故障传播特征的基础上,将故障信息表示成代数方程组并猜测密码部分内部状态,使用CryptoMinisat解析器求解代数方程组恢复密码初始内部状态.实验结果表明:对密码首轮加密进行攻击,恢复密码全部初始内部状态所需的故障注入次数为20次,计算复杂度为O(296),对密码前两轮加密进行攻击,无须猜测密码内部状态,仅注入10个单字故障即可恢复密码全部初始内部状态.与已有结果相比,新方法攻击复杂度显著降低.

基于密度的划分式聚类过程参数选择算法

为确定-means等聚类算法的初始聚类中心,首先由样本总量及其取值区间长度确定对应维上的样本密度统计区间数,并将满足筛选条件的密度峰值所在区间内的样本均值作为候选初始聚类中心;然后,根据密度峰值区间在各维上的映射关系建立候选初始聚类中心关系树,进一步采用最大最小距离算法获得初始聚类中心;最后为确定最佳聚类数,基于类内样本密度及类密度建立聚类有效性评估函数.针对人工数据集及UCI数据集的实验结果表明了所提出算法的有效性.