为解决交通场景解析中局部和全局上下文信息自适应聚合的问题，提出3模块架构的局部和全局上下文注意力融合网络（LGCAFN）。前端的特征提取模块由基于串联空洞空间金字塔池化（CASPP）单元改进的ResNet-101组成，能够更加有效地提取物体的多尺度局部特征；中端的结构化学习模块由8路长短期记忆（LSTM）网络分支组成，可以更加准确地推理物体邻近8个不同方向上场景区域的空间结构化特征；后端的特征融合模块采用基于注意力机制的3阶段融合方式，能够自适应地聚合有用的上下文信息并屏蔽噪声上下文信息，且生成的多模态融合特征能够更加全面且准确地表示物体的语义信息。在Cityscapes标准和扩展数据集上的实验结果表明，相较于逆变换网络（ITN）和对象上下文表示网络（OCRN）等方法，LGCAFN实现了最优的平均交并比（mIoU），达到了84.0%和86.3%，表明LGCAFN能够准确地解析交通场景，有助于实现车辆自动驾驶。
针对当前密文域可逆信息隐藏算法嵌入秘密信息后的携密密文图像的容错性与抗灾性不强，一旦遭受攻击或损坏就无法重构原始图像与提取秘密信息的问题，提出了一种基于图像秘密共享的密文域可逆信息隐藏算法，并分析了该算法在云环境下的应用场景。首先，将加密图像分割成大小相同的n份不同携密密文图像。然后，在分割的过程中将拉格朗日插值多项式中的随机量作为冗余信息，并建立秘密信息与多项式各项系数间的映射关系。最后，通过修改加密过程的内置参数，实现秘密信息的可逆嵌入。当收集k份携密密文图像时，可无损地恢复原始图像与提取秘密信息。实验结果表明，所提算法具有计算复杂度低、嵌入容量大和完全可逆等特点。在（3，4）门限方案中，所提算法的最大嵌入率可达4 bpp；在（4，4）门限方案中，其最大嵌入率可达6 bpp。所提算法充分发挥了秘密共享方案的容灾特性，在不降低秘密共享安全性的基础上，增强了携密密文图像的容错性与抗灾性，提高了算法的嵌入容量与云环境应用场景下的容灾能力，保证了载体图像与秘密信息的安全。
基于决策Diffie-Hellman问题(DDHP)，构造了一个可证明安全性的高效多重数字签名方案，在随机预言模型下其安全性可紧归约到DDHP的难解性。在“证明拥有私钥”密钥注册假设下，证明了方案对适应性选择消息和签名群组攻击是不可伪造的。所生成的多重签名的长度以及验证签名的计算开销均不随实际签名人数的增加而增长。与Z C WANG提出的基于CDHP的紧安全性归约的多重数字签名方案相比，具有多重签名生成算法使用的通信轮数少、计算量小等优点，可应用于多种电子事务处理环境中。
