针对由于网络流量数据不平衡而导致入侵检测模型检测率低的问题，提出了一种基于聚类和实例硬度的入侵检测过采样方法（CHO）。首先，测算少数类数据对应的硬度值并作为输入，即计算其近邻样本中多数类的样本所占的比例；接下来，运用Canopy聚类方法对少数类数据进行预聚类，将所得到的聚类数值作为 K-means++聚类方法的聚类参数再次聚类；然后，计算不同簇的平均硬度和标准差，将平均硬度作为统计学最优分配原理中的“调查费用”，并由该原理确定各簇中应生成的数据量；最后，根据硬度值的大小进一步识别簇中的“安全”区域，并在各簇的安全区域中由插值法生成指定数量的数据。与合成少数类过采样技术（SMOTE）等方法在6组公开的入侵检测数据集上进行对比实验，所提方法在曲线下面积（AUC）和G-mean上均取得了值为1.33的最优值，且相较于SMOTE在其中4组数据集上的AUC平均提高了1.6个百分点。实验结果表明该方法适用于处理入侵检测中的不平衡问题。

针对假新闻内容检测中分类算法模型的检测性能与泛化性能无法兼顾的问题，提出了一种基于特征聚合的假新闻检测模型CCNN。首先，通过双向长短时循环神经网络提取文本的全局时序特征，并采用卷积神经网络（CNN）提取窗口范围内的词语或词组特征；然后，在卷积神经网络池化层之后，采用基于双中心损失训练的特征聚合层；最后，将双向长短时记忆网络（Bi-LSTM）和CNN的特征数据按深度方向拼接成一个向量之后提供给全连接层，采用均匀损失函数uniform-sigmoid训练模型后输出最终的分类结果。实验结果表明，该模型的F1值为80.5%，在训练集和验证集上的差值为1.3个百分点；与传统的支持向量机（SVM）、朴素贝叶斯（NB）和随机森林（RF）模型相比，所提模型的F1值提升了9~14个百分点；与长短时记忆网络（LSTM）、快速文本分类（FastText）等神经网络模型相比，所提模型的泛化性能提升了1.3~2.5个百分点。由此可见，所提模型能够在提高分类性能的同时保证一定的泛化能力，提升整体性能。

在对已有的花指令加密策略及其存在的问题进行分析的基础上，提出了随机花指令加密算法。给出了该算法的JMP扩展和JMC变换两种基本策略，研究了随机花指令的算法的工作流程和算法描述，并采用自编写的JCEE软件对上述算法进行了具体实践。