在大数据环境下，针对传统恶意文件检测方法对经过代码变种和混淆后的恶意文件检测准确率低以及对跨平台恶意文件检测通用性弱等问题，提出一种基于图像纹理和卷积神经网络的恶意文件检测方法。首先，使用灰度图像生成算法将Android和Windows平台下可执行文件，即.dex和.exe文件，转换成相应的灰度图像；然后，通过卷积神经网络（CNN）算法自动提取这些灰度图像的纹理特征并加以学习训练，从而构建出一个恶意文件检测模型；最后，使用大量未知待检测的文件去验证模型检测准确率的高低。通过对大量的恶意样本进行实验，在Android和Windows平台下，模型检测最高准确率分别达到79.6%和97.6%，平均准确率分别约为79.3%和96.8%；与基于纹理指纹的恶意代码变种检测方法相比，基于图像纹理和卷积神经网络的恶意文件检测方法准确率提高了约20%。实验结果表明，所提方法能够有效避免人工筛选特征带来的问题，大幅提高检测的准确率和效率，成功解决跨平台检测问题，实现了一种端到端的恶意文件检测模型。

无线传感器网络资源有限，信息量大，通常采用分簇压缩减少传输量。针对传感器网络中的小波压缩，提出了一种基于相关区域自组织的成簇算法。该算法利用实际区域数据的相关性进行分簇，在簇头进行小波数据压缩的同时进行相关性检测，动态调整簇结构，保证簇内节点的相关性较好；同时在Sink分析簇间节点数据相关性，形成相关性好的大规模簇，进一步提高较长时间内的压缩效率。理论分析和实验仿真表明，该算法能尽可能地利用节点数据的时间和空间相关性去除冗余数据，提高小波数据压缩效率，降低了网络的能耗。

针对聚合树构建过程中存在大量冗余广播消息，导致全局能耗过大的问题，分析了聚合树构建算法性能，提出了一种全局节能聚合树构建算法，只需在已知树内部交换信息即可得到离树最近的源节点，避免了网络中广播消息的产生，其构建能耗受节点密度影响很小且保持在较低水平。由于构建时间不受探测消息周期制约，可有效提高聚合树构建速度。实验表明该聚合树构建方法能有效降低消息交换数量及构建时间，聚合效果等同于采用贪婪增长树(GIT)算法的聚合树。

无线传感器网络的资源非常有限，报头压缩技术能够在较大程度上减小数据传输量，提高资源利用效率。重点分析了TinyOS协议栈中主动消息层和通信层的报头特征和可压缩性，在此基础上提出一种适合TinyOS的报头压缩方案，可显著减少报头长度。修改了TinyOS的通信组件，在其协议栈中插入压缩层，使系统具有报头压缩功能。基于Micaz节点组成的网络，设计开发了一个进行报头压缩的原型系统，实现了该报头压缩方案，并对方案的实际性能进行了评估。对比实验显示，此原型系统可有效减少网络能耗、降低网络丢包率。

针对面向对象软件提出了一种以贝叶斯网络理论为基础的软件缺陷分析模型,通过分析 系统中存在缺陷对象之间的影响关系构建贝叶斯网络模型,利用已有的经验数据评估贝叶斯网络模 型中各节点的缺陷概率分布,并与软件测试过程相结合,直接从测试设计级别为测试人员提供相关决 策支持。将该模型应用到实际的项目中,取得了较好的效果。