搜索引擎作为互联网主要应用之一，能够根据用户需求从互联网资源中检索并返回有效信息。然而，得到的返回列表往往包含广告和失效网页等噪声信息，而这些信息会干扰用户的检索与查询。针对复杂的网页结构特征和丰富的语义信息，提出了一种基于注意力机制和集成学习的网页黑名单判别方法，并采用本方法构建了一种基于集成学习和注意力机制的卷积神经网络（EACNN）模型来过滤无用的网页。首先，根据网页上不同种类的HTML标签数据，构建多个基于注意力机制的卷积神经网络（CNN）基学习器；然后，采用基于网页结构特征的集成学习方法对不同基学习器的输出结果执行不同的权重计算，从而实现EACNN的构建；最后，将EACNN的输出结果作为网页内容分析结果，从而实现网页黑名单的判别。所提方法通过注意力机制来关注网页语义信息，并通过集成学习的方式引入网页结构特征。实验结果表明，与支持向量机（SVM）、 K近邻（ KNN）、CNN、长短期记忆（LSTM）网络、GRU、结合注意力机制的卷积神经网络（ACNN）等基线模型相比，所提模型在所构建的面向地理信息领域的判别数据集上具有最高的准确率（0.97）、召回率（0.95）和 F ₁分值（0.96），验证了EACNN在网页黑名单判别工作中的优势。

针对语音信号的非结构化特点，提出了一种基于量子隧穿效应的说话人真伪鉴别方法。以量子隧穿效应为理论依据，首先，在分析语音信号分帧的量子特性基础上，将每一帧语音信号看作一个量子态，实现算法的量子化；然后，利用势垒能分离能量的特性，通过构建势垒组以提取信号的能量谱特征，并以此作为特征参数；最后，通过高斯混合模型（GMM）进行语音信号建模，完成说话人的真伪鉴别。仿真结果表明，相对于传统方法，利用量子隧穿效应理论实现说话人鉴别可以有效降低算法的复杂度，提高识别的识别率和可靠性，为量子信息理论和说话人真伪鉴别方法提供了新的研究途径。

IEEE 802.1X标准存在一些设计缺陷,为消除拒绝服务攻击(DoS)、重放攻击、会话劫持、中间人攻击等安全威胁,从状态机运行角度对协议进行了分析,指出产生这些问题的根源在于协议状态机的不平等和不完备,缺乏对消息完整性和源真实性的保护。提出并实现了一种双向挑战握手及下线验证的改进方案,并用一种改进的BAN逻辑对其进行了形式化分析。经验证,该方案能有效抵御上述安全威胁。