针对现有的生成对抗网络（GAN）伪造人脸图像检测方法在有角度及遮挡情况下存在的真实人脸误判问题，提出了一种基于深度对齐网络（DAN）的GAN伪造人脸图像检测方法。首先，基于DAN设计面部关键点提取网络，以提取真伪人脸关键点位置；然后，采用主成分分析（PCA）方法将每一组关键点映射到三维空间，从而减少冗余信息以及降低特征维度；最后，利用支持向量机（SVM）五折交叉验证对特征进行分类，并计算准确率。实验结果表明，该方法通过提高面部关键点定位准确度改善了由于定位误差引起的面部不协调问题，进而降低了真实人脸误判率。与VGG19、XceptionNet和Dlib-SVM方法相比，正脸情况下，该方法的ROC下面积（AUC）值提高了4.48到32.96个百分点，平均精度（AP）提高了4.26到33.12个百分点；有角度及遮挡人脸情况下，该方法的AUC值提高了10.56到30.75个百分点，AP提高了7.42到42.45个百分点。

在企业网络中，若其内部的攻击者获得了用户的身份认证信息，其行为与正常用户将很难区分；而目前研究对于企业网中的异常用户检测方法比较单一，召回率不高。用户的认证活动信息直接反映了用户在网络中与各类资源或人员的交互，基于此，提出一种利用用户认证活动信息来检测网络中异常用户的方法。该方法利用用户的认证活动生成用户认证图，之后基于图分析方法提取认证图中的属性，如图的最大连通组件的大小、孤立认证的数量等，这些属性反映了用户在企业网中的认证行为特征。最后利用有监督的支持向量机（SVM）对提取到的图属性进行建模，以此来间接识别和检测网络中的异常用户。在提取了用户图向量之后，具体对训练集和测试集、惩罚参数、核函数取不同值的情况进行了分析。通过对这些参数的调节，召回率、精确率和F1-Score均达到80%以上。实验数据表明，该方法能够有效检测企业网络中的异常用户。