颈动脉狭窄、颈动脉内中膜厚度增加（CIMT）或颈动脉斑块等可导致脑卒中的发生。为实现脑卒中大规模初步筛查，提出基于医疗数据的改进的变分自编码器（VAE）来识别和预测异常颈动脉。首先，针对医疗数据存在缺失的情况，采用 K近邻（ KNN）、均值和众数相混合的方法（M KNN）以及改进的VAE对缺失数据进行填补以得到完整的数据集，从而提高数据的应用范围；接着，分析特征属性，并依据重要性对特征进行排序；然后，运用逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）和极限梯度提升树（XGBT）这四种有监督学习方法结合遗传算法（GA）来建立异常颈动脉识别模型；最后，基于改进的VAE建立预测异常颈动脉的半监督模型。相较于基线模型，基于改进的VAE的半监督模型性能提升明显，灵敏度达到0.893 8，特异性达到0.927 2，F1值达到0.910 5，分类准确率达到0.910 5。实验结果表明，所建立的半监督模型可以用来识别异常颈动脉，进而作为一种识别脑卒中高危人群的工具，预防和减少脑卒中的发生。

针对最近邻（NN）方法在异常结构化查询语句（SQL）检测应用中面临的存储开销大、检索速度慢的问题，提出了一种基于哈希学习的异常SQL检测（HMSD）方法。该算法利用哈希学习来学习查询SQL语句的二值编码表示。首先，对查询SQL语句进行清洗去重，从而将查询SQL语句表示为实值特征形式；然后利用等方差哈希方法来学习查询SQL语句的二值编码表示；最后，通过二值编码表示进行检索并提高异常SQL检测的速度。实验结果表明，在异常SQL检测数据集Wafamole上，将数据集进行随机划分，使训练集包含10 000条SQL语句，测试集包含30 000条SQL语句，在128比特长度下，与最近邻方法相比，所提算法的检测精度提高了1.3%，假正例率（FPR）降低了0.19%，假负例率（FNR）降低了2.41%，检索时间减少了94%，存储开销降低了97.5%；与支持向量机方法相比，所提算法的检测精度提高了0.17%，验证了所提算法能解决最近邻方法在异常SQL检测中存在的问题。

在终端直传（D2D）缓存网络中，用户有限且各异的缓存能力是制约缓存效率的一个关键参数，然而现有文献大多考虑不同用户具有相同的缓存能力，针对这一不足有必要进行用户具有不同缓存容量下的D2D内容缓存布设方案优化。首先，鉴于用户终端的移动性和随机分布特性，利用随机几何理论将网络中不同缓存容量的用户节点建模为相互独立的齐次泊松点过程；其次，考虑本地卸载和邻近D2D链路卸载两种内容卸载方式，推导得到网络缓存命中率；最后，将最大化缓存命中率作为优化目标函数，提出了基于坐标梯度的联合缓存布设（JCP）算法，从而得到多用户多缓存容量场景下的内容缓存布设方案。仿真结果表明，与现有的缓存布设方案相比，由JCP得到的缓存布设方案可以有效提高缓存命中率。