药物合成反应，特别是不对称反应是现代药物化学的重要组成部分。化学家们投入了巨大的人力和资源来识别各种化学反应模式，以实现高效合成和不对称催化。量子力学计算和机器学习算法在这一领域的最新研究证明了通过计算机学习现有药物合成反应数据并进行精确虚拟筛选的巨大潜力。然而，现有方法局限于单一模态的数据来源，并且由于数据少的限制，只能使用基本的机器学习方法，使它们在更广泛场景中的普遍应用受到阻碍。因此，提出两种融合多模态数据的药物合成反应的筛选模型来进行反应产率和对映选择性的虚拟筛选，并给出了一种基于Boltzmann分布进行加权的3D构象描述符，从而将分子的立体空间信息与量子力学性质结合起来。这两种多模态数据融合模型在两个代表性的有机合成反应（C-N偶联反应和N，S-缩醛反应）中进行了训练和验证，结果表明前者的R²相对于基线方法在大多数据划分上的提升超过了1个百分点，后者的平均绝对误差（MAE）相对于基线方法在大多数据划分上的下降超过了0.5个百分点。可见，在有机反应筛选的不同任务中采用基于多模态数据融合的模型都会带来好的性能。

针对Blow-CAST-Fish算法攻击轮数有限和复杂度高等问题，提出一种基于差分表的Blow-CAST-Fish算法的密钥恢复攻击。首先，对S盒的碰撞性进行分析，分别基于两个S盒和单个S盒的碰撞，构造6轮和12轮差分特征；然后，计算轮函数f₃的差分表，并在特定差分特征的基础上扩充3轮，从而确定密文差分与f₃的输入、输出差分的关系；最后，选取符合条件的明文进行加密，根据密文差分计算f₃的输入、输出差分值，并查寻差分表找到对应的输入、输出对，从而获取子密钥。在两个S盒碰撞的情况下，所提攻击实现了9轮Blow-CAST-Fish算法的差分攻击，比对比攻击多1轮，时间复杂度由2^107.9降低到2⁷⁴；而在单个S盒碰撞的情况下，所提攻击实现了15轮Blow-CAST-Fish算法的差分攻击，与对比攻击相比，虽然攻击轮数减少了1轮，但弱密钥比例由 {\mathrm{2}}^{-\mathrm{52.4}} 提高到 {\mathrm{2}}^{-\mathrm{42}} ，数据复杂度由2⁵⁴降低到2⁴⁷。测试结果表明，在相同差分特征基础上，基于差分表的攻击的攻击效率更高。

为快速检索云环境下的加密数据，提出了一种高效的适用于批量数据处理场合的可搜索加密方案。首先，由客户端创建两个倒排索引，分别是存储了文件-关键词映射的文件索引和用于存储关键词-文件映射的空的搜索索引；然后，将这两个索引提交给云服务器。搜索索引是在用户检索过程中由云端根据搜索凭证和文件索引逐渐更新建立的，记录了已被检索关键词的检索结果，该方法将搜索索引的构建时间有效分摊了到了每次检索过程中并节省了存储空间。索引采用基于key-value结构的集合存储方式，支持索引的同时合并和拆分，即在添加和删除文件时，由客户端根据要添加或删除的文件集生成对应的文件索引和搜索索引，然后服务器对索引进行合并和拆分，从而实现文件的快速批量添加和删除。测试结果表明，所提方案极大提高了文件更新的效率，适用于批量数据处理。通过泄露函数证明了该方案能满足自适应动态选择关键词攻击下的不可区分性安全标准。