软件漏洞分析中的脆弱点定位方法

针对二进制程序漏洞成因复杂难以分析的问题,提出运用污点分析的软件脆弱点定位方法,并实现了一个工具原型Sword Checker。以动态污点追踪为基础,依据漏洞模式通过特征匹配来定位软件中的脆弱点,运用二分查找定位影响脆弱点的敏感字节。实验表明,使用Sword Checker能够精确快速识别定位软件中三种类型的脆弱点,已成功分析了多个已公开漏洞的成因,并已辅助挖掘出几个未公开漏洞。     

海上间瞄射击控制技术分析和仿真

针对自行火炮海上自动间瞄瞄准问题,分析了海浪对火炮身管扰动的规律,建立了相应的数学模型,对火炮随动系统进行了功率需求分析和优化设计,并在特定海况条件下进行了仿真。分析和仿真结果表明,在现有火炮的基础上,针对海浪扰动适当增加随动系统的输出功率,对随动系统进行改进设计,根据火炮位置变化实时更新射击诸元,可以使火炮在海浪扰动条件下达到间瞄射击所要求的瞄准精度。     

对Ad Hoc网络通信干扰的可行性分析

依据复杂网络理论,建立了有限规模BA无标度网络模型来分析Ad Hoc网络,为进一步分析对其实施通信干扰的可行性打下结构基础。依据所建模型的拓扑结构,建立了通信干扰方程,探讨了通信干扰可能对Ad Hoc网络带来的影响。最后提出节点势能的概念,分析了通信干扰条件下Ad Hoc网络的效能,证实了实施通信干扰的实践可行性。     

反辐射导弹告警技术效能分析

基于反辐射导弹告警技术的原理,分析了反辐射导弹雷达告警技术和光电告警技术的可行性。定义了告警设备的抗电子摧毁因子,并给出了分析过程和计算模型。以命中概率为指标,对反辐射导弹告警技术的作战效能进行了分析研究。仿真得出反辐射导弹命中概率与告警设备告警距离、发现概率等参数的关系,可为反辐射导弹告警技术的研究提供一定的参考。     

基于FPGA+DSP的双核控制器硬件设计

在设计高实时性的系统时,针对基于DSP、单片机等串行运算方式的单核控制器无法实现高实时性的问题,利用FPGA的并行运行优点构建了基于DSP+FPGA的双核控制器,以达到提高系统实时性的目的。通过分析系统总体结构,主要设计完成了系统总线构架、DA电路、CAN总线和PROM电路,然后通过软件编程来验证硬件设计。经调试分析,该系统各部分运行正常,可为研究设计高实时性的控制器提供参考和借鉴。     

基于Petri网的FPGA软件缺陷分析与改进设计

为了在FPGA软件开发过程的早期发现设计缺陷并进行修改,以降低设计成本,提出了应用Petri网技术进行缺陷分析的方法。对FPGA软件开发过程中形成的工作流程和实现流程进行了分析,并在发现缺陷的基础上进行了改进设计。在某引信安全与起爆控制系统的设计过程中应用了该方法,结果表明:该方法能够发现并准确定位软件缺陷,而且在Petri网模型基础上能够迅速地进行软件改进设计。     

车辆悬挂复合式电磁作动器设计及试验

为缓解电磁悬挂系统振动控制与能量回收之间的矛盾,提高工作可靠性,提出了一种基于电磁减振技术和磁流变阻尼技术的复合式电磁悬挂系统结构方案,并设计了基于无刷电机和磁流变阻尼器,集主动、半主动控制和馈能功能于一体的复合式电磁作动器,同时对复合式电磁作动器的主动出力、变阻尼以及馈能特性进行了试验研究,结果表明:该作动器主动出力范围大,阻尼调节范围宽且馈能效率较高,满足车辆悬挂应用要求。     

三维点云深度模型压缩算法

随着计算机三维视觉的广泛应用,近几年基于深度学习的点云处理算法得到了大量研究,而耗时耗存储的缺陷较大程度限制了其在移动端的部署应用。基于改进损失函数的总体思路,提出了一种新的点云深度模型压缩框架,将知识蒸馏方法引入二值量化模型中,同时考虑点云聚合操作的特殊性引入了辅助损失项,改进的损失函数共包括预测损失项、蒸馏损失项和辅助损失项三部分。实验结果表明,和已有算法相比,所提算法可以获取更高的精度,同时对当前点云主流深度网络模型也具有良好的扩展性。     

面向大规模地理矢量线数据的多层级实时可视化技术

针对主流方法难以满足多层级实时可视化的需求,提出面向大规模地理矢量线数据的多层级实时可视化技术。建立面向多层级瓦片绘制的自适应可视化模型,设计像元四叉R(pixel quad R, PQR)树空间索引和基于PQR树的自适应可视化算法,分别用于支撑模型的数据组织和可视绘制。在10亿规模数据集上的实验表明：该技术在0.57 s内可计算任一层级上的可视结果,并且计算耗时大幅小于主流方法。当数据规模急剧增长时,该技术在各显示层级上仍具有较好的可视性能,最低可视速率超过100张/s,大幅优于主流方法。该技术在单机条件下即可支撑大规模地理矢量线数据的多层级实时可视化,在空间大数据探索分析领域具备较好的应用前景。     

结合多视角学习与一致性表征的人脸伪造检测

现有的人脸伪造检测方法通常在已知域上表现较好,但面临过拟合的风险,在应对未知场景时无法保持良好的检测能力。为解决此问题,提出一种结合多视角学习与一致性表征的人脸伪造检测框架。为捕获更全面的伪造痕迹,将输入图像转换为两种互补视角并采用双流骨干网络进行多视角特征学习。引入一致性度量,以补丁级监督的方式明确约束不同视角输出的局部特征的相似度。为提高检测精度,采用特征分解策略进一步优化伪造特征,减少不相关因素的干扰,并以伪造特征空间的决策作为最终的预测结果。在基准数据集上进行的大量实验表明,所提出的方法优于现有的主流模型,具备良好的跨域泛化能力。