针对KATAN48算法的安全性分析问题，提出了一种基于神经区分器的KATAN48算法条件差分分析方法。首先，研究了多输出差分神经区分器的基本原理，并将它应用于KATAN48算法，根据KATAN48算法的数据格式调整了深度残差神经网络的输入格式和超参数；其次，建立了KATAN48算法的混合整数线性规划（MILP）模型，并用该模型搜索了前加差分路径及相应的约束条件；最后，利用多输出差分神经区分器，至多给出了80轮KATAN48算法的实际密钥恢复攻击结果。实验结果表明，在单密钥下，KATAN48算法的实际攻击的轮数提高了10轮，可恢复的密钥比特数增加了22比特，数据复杂度和时间复杂度分别由2³⁴和2³⁴降至2^16.39和2^19.68。可见，相较于前人单密钥下的实际攻击，所提方法能够有效增加攻击轮数和可恢复的密钥比特数，同时降低攻击的计算复杂度。

针对应用层分布式拒绝服务（DDoS）攻击类型多、难以同时检测的问题，提出了一种基于集成学习的应用层DDoS攻击检测方法，用于检测多类型的应用层DDoS攻击。首先，数据集生成模块模拟正常和攻击流量，筛选并提取对应的特征信息，并生成表征挑战黑洞（CC）、HTTP Flood、HTTP Post及HTTP Get攻击的47维特征信息；其次，离线训练模块将处理后的有效特征信息输入集成后的Stacking检测模型进行训练，从而得到可检测多类型应用层DDoS攻击的检测模型；最后，在线检测模块通过在线部署检测模型来判断待检测流量的具体流量类型。实验结果显示，与Bagging、Adaboost和XGBoost构建的分类模型相比，Stacking集成模型在准确率方面分别提高了0.18个百分点、0.21个百分点和0.19个百分点，且在最优时间窗口下的恶意流量检测率达到了98%。验证了所提方法对多类型应用层DDoS攻击检测的有效性。

利用傅利叶形状描述方法来统一描述手绘草图图像库和用户输入的手绘草图形状信息,该方法解决了基于笔划描述的计算效率和输入顺序敏感性问题。实验表明所提出的方法不仅能得到较好的检索结果,且具有较好的用户适应性。