当前缓存侧信道攻击检测技术主要针对单一攻击模式，对2~3种攻击的检测方法有限，无法全面覆盖；此外，尽管对单一攻击的检测精度高，但随着攻击数增加，精度下降，容易产生误报。为了有效检测缓存侧信道攻击，利用硬件性能计数器（HPC）采集不同的缓存侧信道攻击特征，结合机器学习算法，提出一种基于机器学习的多目标缓存侧信道攻击检测模型。首先，分析不同缓存侧信道攻击方式的相关特征，精选关键特征并收集数据集；其次，进行独立的训练，建立针对每种攻击方式的检测模型；最后，在检测时将测试数据并行送入多个模型中，根据检测结果判断是否存在某种缓存侧信道攻击。实验结果显示，所提模型在检测Flush+Reload、Flush+Flush和Prime+Probe这3种缓存侧信道攻击时，分别达到99.91%、98.69%和99.54%的高准确率，即使在同时存在多种攻击的情况下，也能准确识别各种攻击方式。

属性图嵌入旨在将属性图中的节点表示为低维向量，并同时保留节点的拓扑信息和属性信息。属性图嵌入已经有一系列相关工作，然而它们大多数提出的是有监督或半监督的算法。在实际应用中，需要标记的节点数量多，导致这些属性图嵌入算法的难度大，且需要消耗巨大的人力物力。针对上述问题以无监督的视角重新分析，提出了一种无监督的属性图嵌入算法。首先，通过已存在的无属性图嵌入算法和属性图的属性分别计算节点的拓扑信息和属性信息；其次，利用图卷积网络（GCN）得到节点的嵌入向量，并使得嵌入向量与拓扑信息以及嵌入向量与属性信息的差最小；最终，使拓扑信息和属性信息都相似的成对节点得到相似嵌入。与图自动编码器（GAE）方法相比，所提出的方法在Cora、Citeseer数据集上的节点分类准确率分别提升了1.2个百分点和2.4个百分点。实验结果表明，所提出的方法能够有效提高生成的嵌入的质量。

为了提高立体匹配算法处理前景视差估计任务的计算效率，针对一般网络采用完全双目图像作为输入，场景内前景空间占比小而导致输入信息冗余度大的缺点，提出了一种基于稀疏卷积的目标实时立体匹配算法。为实现和改善算法对稀疏前景的视差估计，首先利用分割算法同时获得稀疏前景掩膜和场景语义特征；其次通过稀疏卷积提取稀疏前景区域的空间特征后与场景语义特征相融合，并将融合特征输入到解码模块进行视差回归；最后以前景真值图作为损失生成视差图。在ApolloScape数据集上的测试结果表明，所提算法的准确性和实时性均优于先进算法PSMNet和GANet，且算法的单次运行时间低至60.5 ms，对目标遮挡具有一定的鲁棒性，可用于目标实时深度估计。

作者身份识别任务旨在判断一篇文档的作者，但目前已有的作者身份识别方法都是目标独立的，意味着这些方法在预测作者身份时假设没有任何限定条件，这与实际情况不相符合。为了解决限定条件下的作者身份识别问题，提出了一种目标依赖的作者身份识别方法TDAA。首先，使用用户评论对应的商品ID作为限定信息；其次，为了使文本建模过程更加具有普适性，使用BERT提取预训练的评论文本特征；然后，使用卷积神经网络（CNN）进行深层次的文本特征提取；最后，为了将两种不同的信息融合起来，讨论了两种不同的融合方式。在亚马逊电影评论（Amazon Movie_and_TV）和CD评论（CDs_and_Vinyl_5）两个数据集上的实验结果表明，所提出的方法在精确率评价指标上较对比方法提高了4%~5%。