为了解决基于传感器数据的运动识别问题，利用深度卷积神经网络（CNN）在公开的OPPORTUNITY传感器数据集上进行运动识别，提出了一种改进的渐进式神经网络架构搜索（PNAS）算法。首先，神经网络模型设计过程中不再依赖于合适拓扑结构的手动选择，而是通过PNAS算法来设计最优拓扑结构以最大化F1分数；其次，使用基于序列模型的优化（SMBO）策略，在该策略中将按照复杂度从低到高的顺序搜索结构空间，同时学习一个代理函数以引导对结构空间的搜索；最后，将搜索过程中表现最好的20个模型在OPPORTUNIT数据集上进行完全训练，并从中选出表现最好的模型作为搜索到的最优架构。通过这种方式搜索到的最优架构在OPPORTUNITY数据集上的F1分数达到了93.08%，与进化算法搜索到的最优架构及DeepConvLSTM相比分别提升了1.34%和1.73%，证明该方法能够改进以前手工设计的模型结构，且是可行有效的。

针对实用拜占庭容错（PBFT）共识协议通信复杂度高导致的共识效率低、单一主节点发生故障或存在拜占庭行为时会导致共识过程停止的问题，提出了改进的多主节点实用拜占庭容错（IMPBFT）共识机制。首先，通过节点的共识轮数、存在拜占庭行为的共识轮数以及节点被赋予的优先值，计算出节点的有效共识轮数，再依据有效共识轮数的大小选出多个主节点。其次，对原共识机制进行改进，使所有节点利用改进的机制进行共识。最后，引入流水线来实现IMPBFT共识的并发执行。在进行流水线操作时，不同轮共识的多阶段消息统一签名，并且不再使用固定周期来控制流水线。理论研究和实验结果表明，IMPBFT的多主节点结构相较单一主节点的共识结构更加安全稳定；与平方级通信量的PBFT和信用委托拜占庭容错（CDBFT）共识相比，IMPBFT将通信量降至线性级；在交易吞吐量、扩展性和交易时延方面，IMPBFT的性能要优于PBFT和CDBFT；使用“多阶段消息统一签名、无固定周期”流水线的IMPBFT，比未使用流水线的IMPBFT在交易吞吐量上提高了75.2%。

针对需求信息概率分布部分已知下的易逝品生产-分销网络,引入最坏条件风险值(WCVaR)对易逝品的生产-分销网络进行风险度量。在考虑产品生产、物流量分配、运输路径选择等因素对生产成本、运输成本、存储成本以及缺货损失影响的基础上,建立满足一定服务水平下最坏情景网络风险值最小的优化模型,并通过最小化生产-分销网络的尾部风险损失实现易逝品生产-分销网络最佳优化策略。模型数值仿真结果表明:相比稳健优化,WCVaR方法不仅能处理更具波动的不确定,而且具有更优的稳定性;当需求变量为混合分布时,WCVaR优化模型可较好解决生产-分销网络不确定优化问题。

安全特征识别和攻击的预测是网络安全领域内必不可少的功能部分，而攻击模型和其他安全特征的描述和定义需要专门的语言。然而，目前此类语言存在诸多问题，如语言功能单一，适用性差；缺乏开放性，语义不一致和缺乏可重用性等。为了改善这种情况，利用本体建模方法，通过一个典型攻击行为的建模，证明本体语言具有的特点支持其作为安全特征描述语言。