针对当前基于机器学习的早期阿尔茨海默病（AD）诊断中训练样本不足的问题，提出一种基于多模态特征数据的多标记迁移学习方法，并将其应用于早期阿尔茨海默病诊断。所提方法框架主要包括两大模块：多标记迁移学习特征选择模块和多模态多标记分类回归学习器模块。首先，通过稀疏多标记学习模型对分类和回归学习任务进行有效结合；然后，将该模型扩展到来自多个学习领域的训练集，从而构建出多标记迁移学习特征选择模型；接下来，针对异质特征空间的多模态特征数据，采用多核学习技术来组合多模态特征核矩阵；最后，为了构建能同时用于分类与回归的学习模型，提出多标记分类回归学习器，从而构建出多模态多标记分类回归学习器。在国际老年痴呆症数据库（ADNI）进行实验，分类轻度认知功能障碍（MCI）最高平均精度为79.1%，预测神经心理学量表测试评分值最大平均相关系数为0.727。实验结果表明，所提多模态多标记迁移学习方法可以有效利用相关学习领域训练数据，从而提高早期老年痴呆症诊断性能。

针对现有方法仅分析粗粒度的网络流量特征参数，无法在保证检测实时性的前提下识别出拒绝服务(DoS)和分布式拒绝服务(DDoS)的攻击流这一问题，提出一种骨干网络DoSⅅoS攻击检测与异常流识别方法。首先，通过粗粒度的流量行为特征参数确定流量异常行为发生的时间点；然后，在每个流量异常行为发生的时间点对细粒度的流量行为特征参数进行分析，以找出异常行为对应的目的IP地址；最后，提取出与异常行为相关的流量进行综合分析，以判断异常行为是否为DoS攻击或者DDoS攻击。仿真实验的结果表明，基于流量行为特征的DoSⅅoS攻击检测与异常流识别方法能有效检测出骨干网络中的DoS攻击和DDoS攻击，并且在保证检测实时性的同时，准确地识别出与攻击相关的网络流量

网络地址翻译器转发的混合流与P2P数据流呈现相似的流量外部特征。实际测试结果显示，如果数据捕获点位于网络地址翻译器之后，当前P2P流量特征识别方法（TLI）因为没有对网络地址翻译器(NAT)转发混合流进行区分而将导致虚警和漏报情况。为了解决此类问题，提出了基于流身份识别的P2P流量检测方法，首先通过分析IP标识时间序列完成对NAT转发混合流中源自不同设备数据流的身份识别，在此基础上采用流量特征检测P2P流量。以当前主要的P2P应用为例进行测试，结果说明，利用该方法可以有效识别NAT混合流中的P2P流量，较大幅度降低虚警率和漏报率。