针对当前用户轨迹数据建模中存在的签到点稀疏性、长时间依赖性和移动模式复杂等问题，提出基于自监督学习的社交网络用户轨迹预测模型SeNext，对用户轨迹进行建模和训练来预测用户的下一个兴趣点（POI）。首先，使用数据增强的方式来丰富训练数据样本，以解决数据不足及个别用户足迹太少导致的模型泛化能力不足的问题；其次，将循环神经网络（RNN）、卷积神经网络（CNN）和注意力机制分别用于当前轨迹和历史轨迹的建模中，以此从高维稀疏的数据中提取有用的表示，用来匹配用户过去最相似的移动方式。最后，通过结合自监督学习并引入对比损失优化噪声对比估计（InfoNCE），SeNext在潜在空间学习隐含表示来预测用户的下一个POI。实验结果表明，在纽约数据集上，SeNext比最新的VANext（Variational Attention based Next）模型的预测准确度在Top@1上提高了11.10%左右。

为分析时序网络演化速度对传播过程的影响,通过改进已有的时序相关系数定义,给出了一个网络演化速度指标;同时,提出了一个具有非马尔可夫性质的时序网络演化模型。在每个时间步,每一个给定的激活节点都以概率r在网络中随机选择一个节点,以概率1-r在该激活节点的原邻居中随机选择一个节点,并在该激活节点与所选节点间建立连边。模拟结果表明：网络模型参数r与网络演化速度指标之间有单调增的关系;同时,激活节点随机连边的概率r越大,网络传播范围就越广。由此可知:演化速度快的时序网络有利于网络传播;进一步地,网络拓扑结构的快速变化有利于信息的快速传播,但不利于抑制病毒传播。

介绍了态势感知的产生和国内外发展现状，综合安全评估和大规模网络研究成果提出了分层指标模型和25个候选指标，建立了态势感知的指标体系，有机组织了25个候选指标并进行了进一步抽象，简述了其在后续感知步骤中的应用。本指标体系涵盖广泛，具有组织合理，易于扩展的特征,对态势感知、网络安全评估和大规模网络研究有一定借鉴作用。

安全多方计算及其应用是目前密码学领域的一个重要研究方向。在不需要第三方参与且保证安全的前提下，如何完成多方的协作运算是其研究的核心。基于加同态公钥加密算法的议价协议，是安全多方计算应用的一个具体实现，通过协议的执行，参与方可以进行商品价格的协商，并保障输入的私密性和结果的正确性。协议的执行过程中不需要第三方的参与，协议的安全性基于所采用的同态公钥加密算法。