LoRaWAN是低功耗广域网（LPWAN）中的一种无线通信标准，为物联网的发展提供了支撑。然而，受限于扩频因子（SF）间不完全正交性的特点和LoRaWAN不具备先听后发（LBT）机制的事实，基于ALOHA的传输调度方式会引发严重的信道冲突，极大降低了LoRa（Long Range Radio）网络的扩展性。为提高LoRa网络的扩展性，提出用非坚持型载波监听多路访问（NP-CSMA）机制替代LoRaWAN中ALOHA的介质访问控制机制，通过LBT协调LoRa网络中SF相同的各个节点接入信道的时间。不同SF之间的传输则采用多种SF信号并行传输，以减少共信道中同SF干扰和避免SF间干扰。为了分析NP-CSMA对LoRa网络扩展性的影响，通过理论分析和NS3仿真对LoRaWAN与NP-CSMA构建的LoRa网络进行比较。实验结果表明，在相同的条件下，与LoRaWAN相比，NP-CSMA在网络通信负载率为1的情况下，它的理论数据包交付率（PDR）性能比LoRaWAN高58.09%。在信道利用率方面，与LoRaWAN相比，NP-CSMA的饱和信道利用率提高了214.9%，容纳的节点数量也增加了60.0%。另外，NP-CSMA的平均时延在网络通信负载率小于1.7时也低于确认型LoRaWAN，而且在扩频因子为7和10时，它用于维持信道活动检测（CAD）模式所造成的额外能耗也比LoRaWAN用于接收来自网关确认消息所需的额外能耗低1.0~1.3 mJ和2.5~5.1 mJ；充分反映了NP-CSMA可以有效提高LoRa网络的可扩展性。

针对Blow-CAST-Fish算法攻击轮数有限和复杂度高等问题，提出一种基于差分表的Blow-CAST-Fish算法的密钥恢复攻击。首先，对S盒的碰撞性进行分析，分别基于两个S盒和单个S盒的碰撞，构造6轮和12轮差分特征；然后，计算轮函数f₃的差分表，并在特定差分特征的基础上扩充3轮，从而确定密文差分与f₃的输入、输出差分的关系；最后，选取符合条件的明文进行加密，根据密文差分计算f₃的输入、输出差分值，并查寻差分表找到对应的输入、输出对，从而获取子密钥。在两个S盒碰撞的情况下，所提攻击实现了9轮Blow-CAST-Fish算法的差分攻击，比对比攻击多1轮，时间复杂度由2^107.9降低到2⁷⁴；而在单个S盒碰撞的情况下，所提攻击实现了15轮Blow-CAST-Fish算法的差分攻击，与对比攻击相比，虽然攻击轮数减少了1轮，但弱密钥比例由 {\mathrm{2}}^{-\mathrm{52.4}} 提高到 {\mathrm{2}}^{-\mathrm{42}} ，数据复杂度由2⁵⁴降低到2⁴⁷。测试结果表明，在相同差分特征基础上，基于差分表的攻击的攻击效率更高。

针对大量数据手工标记的繁重性和单一影像中心磁共振成像（MRI）数据的有限性问题，提出了一种利用多影像中心有标签与无标签MRI数据的用于磁共振的半监督学习（MRSSL）方法，并将其应用在膝盖异常分类任务中。首先，运用了数据扩增方法来提供模型所需的归纳偏置；接着，融合了分类损失项和一致性损失项来约束人工神经网络并使之从数据中提取出具有辨别力的特征；然后，将这些特征用于MRI膝盖异常分类。此外，也提出了对应的仅利用有标签数据的完全监督学习（MRSL）方法。在给出同样的有标签样本时，将MRSL与MRSSL进行了比较，结果表明MRSSL的模型分类性能与泛化性能明显优于MRSL。最后，将MRSSL与其他半监督学习方法进行了比较。结果表明数据扩增在性能提升中起到了重要作用，并且MRSSL凭借更强的MRI数据包容性取得了最优的膝盖异常分类性能。

为快速检索云环境下的加密数据，提出了一种高效的适用于批量数据处理场合的可搜索加密方案。首先，由客户端创建两个倒排索引，分别是存储了文件-关键词映射的文件索引和用于存储关键词-文件映射的空的搜索索引；然后，将这两个索引提交给云服务器。搜索索引是在用户检索过程中由云端根据搜索凭证和文件索引逐渐更新建立的，记录了已被检索关键词的检索结果，该方法将搜索索引的构建时间有效分摊了到了每次检索过程中并节省了存储空间。索引采用基于key-value结构的集合存储方式，支持索引的同时合并和拆分，即在添加和删除文件时，由客户端根据要添加或删除的文件集生成对应的文件索引和搜索索引，然后服务器对索引进行合并和拆分，从而实现文件的快速批量添加和删除。测试结果表明，所提方案极大提高了文件更新的效率，适用于批量数据处理。通过泄露函数证明了该方案能满足自适应动态选择关键词攻击下的不可区分性安全标准。

针对现有算法不能有效应用于多因素轨迹异常检测的问题，提出基于核主成分分析(KPCA)的异常轨迹检测方法。首先，为了改善轨迹特征提取的效果，采用KPCA对轨迹数据进行空间转换，将非线性空间转换到高维线性空间；其次，为了提高异常检测的准确率，采用一类支持向量机对轨迹特征数据进行无监督学习和预测；最终检测出具有异常行为的轨迹。采用大西洋飓风数据对算法进行测试，实验结果表明，该算法能够有效提取出轨迹特征，并且与同类算法相比，该算法在多因素轨迹异常检测方面具有更好的检测效果。