针对传统机器学习方法对特征依赖大、基于深度学习的检测方法效率低以及易过拟合的问题，提出一种基于改进的一维卷积神经网络（ICNN-1D）的异常流量检测方法（AFM-ICNN-1D）。与传统卷积神经网络（CNN）采用的“卷积-池化-全连接”结构不同，ICNN-1D主要由2个卷积层、2个全局池化层、1个dropout层和1个全连接输出层构成；其次，将预处理后的数据输入到ICNN-1D中，并将经过两次卷积之后的结果作为全局平均池化层与全局最大池化层的输入，之后将所得到的输出数据进行合并再送入全连接层进行分类；最后根据分类结果与真实数据对网络模型进行调优，再将训练好的模型用于异常流量检测。CIC-IDS-2017数据集上的实验结果显示，AFM-ICNN-1D的精准率和召回率均达到了98%，优于对比的k近邻（kNN）和随机森林（RF）方法；而且与传统的CNN相比，该方法的参数减少了约97%，训练时间缩短了约40%。实验结果表明，AFM-ICNN-1D具有较高的检测性能，能减少训练时间、避免过拟合现象的发生，而且能更好地保留流量数据的局部特征。

为了解决二维码在证件类应用中常常面临的冷僻字编码问题，以GB18030字符集为对象分析汉字编码特点，提出基于该标准的汉字与ASCII混合信息的PDF417编码方法。并针对当前广泛应用的16位编程工具，结合实例给出了一种拆分迭代编码算法来实现字节压缩模式，它能够在保证较高编码效率的基础上有效节省编码存储空间。