在自然语言处理（NLP）的细粒度情感分析问题中，为探索携带结构偏差的预训练语言模型（PLM）对端到端式情感三元组抽取任务的影响，解决方面语义特征依赖容错率低的问题，结合方面感知注意力机制和图卷积网络（GCN），提出用于方面情感三元组抽取任务的方面感知注意力增强图卷积网络（AE-GCN）模型。首先，在方面情感三元组抽取任务中引入多种类型的关系；其次，采用双仿射注意力机制将这些关系嵌入句子中单词之间的相邻张量，并引入方面感知注意力机制以获取句子注意力评分矩阵，深入挖掘与方面相关的语义特征；再次，GCN通过将单词和关系相邻张量分别视为边和节点，将句子转换为多通道图以学习关系感知节点表示；最后，使用一种有效的词对表示细化策略确定词对是否匹配，以考虑方面和意见抽取的隐含结果。在ASTE-D1基准数据集上的实验结果表明，所提模型在14res、14lap、15res和16res子数据集上的F1值相较于增强型多通道图卷积网络（EMC-GCN）模型提升了0.20、0.21、1.25和0.26个百分点；在ASTE-D2基准数据集上，所提模型在14lap、15res和16res子数据集上的F1值相较于EMC-GCN模型提升了0.42、0.31和2.01个百分点。可见所提模型相较于EMC-GCN模型在精确率和有效性方面有较大改进。

由于自然语言的复杂语义、词的多情感极性以及文本的长期依赖关系，现有的文本情感分类方法面临严峻挑战。针对这些问题，提出了一种基于多层次注意力的语义增强情感分类模型。首先，使用语境化的动态词嵌入技术挖掘词汇的多重语义信息，并且对上下文语义进行建模；其次，通过内部注意力层中的多层并行的多头自注意力捕获文本内部的长期依赖关系，从而获取全面的文本特征信息；再次，在外部注意力层中，将评论元数据中的总结信息通过多层次的注意力机制融入评论特征中，从而增强评论特征的情感信息和语义表达能力；最后，采用全局平均池化层和Softmax函数实现情感分类。在4个亚马逊评论数据集上的实验结果表明，与基线模型中表现最好的TE-GRU （Transformer Encoder with Gated Recurrent Unit）相比，所提模型在App、Kindle、Electronic和CD数据集上的情感分类准确率至少提升了0.36、0.34、0.58和0.66个百分点，验证了该模型能够进一步提高情感分类性能。

为了提升对移动僵尸网络的预测能力和防御能力,提出了一种基于短地址混淆(USSes-Flux)和谷歌云(GCM)推送的移动僵尸网络的构建机制。设计了基于中心结构和对等网络(P2P)混合的拓扑结构的移动僵尸网络模型,给出了USSes-Flux算法,从而增强了命令与控制信道的隐秘性和强壮性。给出了该移动僵尸网络的控制模型,分析了不同僵尸节点的状态改变、命令设计和传播算法。实验环境中,研究了短地址的失效率与申请数量之间的关系,并对该移动僵尸网络与不同命令和控制信道的样本进行静态分析、动态分析和电量测试。结果表明:该移动僵尸网络具有较强的隐秘性、强壮性和低消耗。

针对核主元分析(KPCA)中高斯核参数β的经验选取问题，提出了核主元分析的核参数判别选择方法。依据训练样本的类标签计算类内、类间核窗宽，在以上核窗宽中经判别选择方法确定核参数。根据判别选择核参数所确定的核矩阵，能够准确描述训练空间的结构特征。用主成分分析(PCA)对特征空间进行分解，提取主成分以实现降维和特征提取。判别核窗宽方法在分类密集区域选择较小窗宽，在分类稀疏区域选择较大窗宽。将判别核主成分分析(Dis-KPCA)应用到数据模拟实例和田纳西过程(TEP)，通过与KPCA、PCA方法比较，实验结果表明，Dis-KPCA方法有效地对样本数据降维且将三个类别数据100%分开,因此，所提方法的降维精度更高。