隐私政策文档声明了应用程序需要获取的隐私信息，但不能保证清晰且完全披露应用获取的隐私信息类型，目前对应用实际敏感行为与隐私政策一致性分析的研究仍存在不足。针对上述问题，提出一种Android应用敏感行为与隐私政策一致性分析方法。在隐私政策分析阶段，基于Bi-GRU-CRF（Bi-directional Gated Recurrent Unit Conditional Random Field）神经网络，通过添加自定义标注库对模型进行增量训练，实现对隐私政策声明中的关键信息的提取；在敏感行为分析阶段，通过对敏感应用程序接口（API）调用进行分类、对输入敏感源列表中已分析过的敏感API调用进行删除，以及对已提取过的敏感路径进行标记的方法来优化IFDS（Interprocedural， Finite， Distributive，Subset）算法，使敏感行为分析结果与隐私政策描述的语言粒度相匹配，并且降低分析结果的冗余，提高分析效率；在一致性分析阶段，将本体之间的语义关系分为等价关系、从属关系和近似关系，并据此定义敏感行为与隐私政策一致性形式化模型，将敏感行为与隐私政策一致的情况分为清晰的表述和模糊的表述，将不一致的情况分为省略的表述、不正确的表述和有歧义的表述，最后根据所提基于语义相似度的一致性分析算法对敏感行为与隐私政策进行一致性分析。实验结果表明，对928个应用程序进行分析，在隐私政策分析正确率为97.34%的情况下，51.4%的Android应用程序存在应用实际敏感行为与隐私政策声明不一致的情况。

现有的频谱感知算法中,能量检测容易实现,但检测性能依赖噪声功率。基于随机矩阵理论的频谱感知算法巧妙地规避了噪声不确定性对检测性能带来的影响,但大都采用的是最大特征值的近似分布规律,所得到阈值表达式的精度有待进一步提高。针对上述问题,通过利用随机矩阵理论的最新研究成果,提出一种基于接收信号样本协方差矩阵最小特征值分布的频谱感知算法。最小特征值的分布函数不基于渐近假设,更加符合实际的通信情境。推导所得的阈值表达式是虚警概率的函数,在小样本情况下,对它的有效性和优越性进行了分析与验证。根据单一变量原则,分别在低样本点、低协作用户数、低信噪比和低虚警概率条件下对提出算法与最大最小特征值算法的检测性能进行了仿真比较,检测概率最多可以提高0.2左右。结果表明,该算法能够显著改善系统的检测性能。

为了对全球定位系统(GPS)设备采集到的移动对象原始轨迹数据进行简化，提高轨迹数据的使用效率，降低移动终端的通信代价和计算开销，提出了一种基于最小边界扇形(MBS)的移动对象轨迹实时化简算法。该算法不同于用一条折线来近似原始轨迹的方法，它利用扇形预测范围来估计、简化原始轨迹，在角度和距离两个层面上对简化误差进行控制。提出了新的误差度量方法——基于等极径的误差度量方法，并讨论了GPS定位误差对简化算法的影响。实验结果表明，所提算法的简化轨迹高效、稳定，所得到的简化轨迹与原始轨迹之间误差较小(不超过误差阈值的20%)，对GPS定位误差有较好的容错能力。

针对现有无线射频识别(RFID)组证明协议易受到重放、跟踪等安全威胁及组证明效率较低的问题，提出了基于秘密共享密钥树的RFID组证明协议。协议设计了基于秘密共享方案的组证明密钥结构，将组密钥多次拆分生成密钥树增加了密钥结构的复杂度，加大了攻击者试图恢复组密钥的难度，提高了安全性；阅读器与每个标签只需一次交互便可以完成标签合法性认证及组证明信息的收集，提高了组证明效率。表明该协议较联合证明协议、基于椭圆曲线密码体制(ECC)的组证明协议、基于树的组证明协议等在安全和性能方面具有明显提高。