针对 k近邻（kNN）方法不能很好地解决非平衡类问题，提出一种新的面向非平衡类问题的 k近邻分类算法。与传统 k近邻方法不同，在学习阶段，该算法首先使用划分算法（如 K-Means）将多数类数据集划分为多个簇，然后将每个簇与少数类数据集合并成一个新的训练集用于训练一个 k近邻模型，即该算法构建了一个包含多个 k近邻模型的分类器库。在预测阶段，使用划分算法（如 K-Means）从分类器库中选择一个模型用于预测样本类别。通过这种方法，提出的算法有效地保证了 k近邻模型既能有效发现数据局部特征，又能充分考虑数据的非平衡性对分类器性能的影响。另外，该算法也有效地提升了 k近邻的预测效率。为了进一步提高该算法的性能，将合成少数类过抽样技术（SMOTE）应用到该算法中。KEEL数据集上的实验结果表明，即使对采用随机划分策略划分的多数类数据集，所提算法也能有效地提高 k近邻方法在评价指标recall、g-mean、f-measure和AUC上的泛化性能；另外，过抽样技术能进一步提高该算法在非平衡类问题上的性能，并明显优于其他高级非平衡类处理方法。

局部加权朴素贝叶斯(LWNB)是朴素贝叶斯(NB)的一种较好的改进，判别频率估计(DFE)可以极大地提高NB的泛化正确率。受LWNB和DFE启发，提出逐渐缩小空间(GCS)算法用来学习NB参数：对于一个测试实例，寻找包含全体训练实例的全局空间的一系列逐渐缩小的子空间。这些子空间具有两种性质：1)它们都包含测试实例；2)一个空间一定包含在任何一个比它大的空间中。在逐渐缩小的空间上使用修改的DFE(MDFE)算法渐进地学习NB的参数，然后使用NB分类测试实例。与LWNB的根本不同是：GCS使用全体训练实例学习NB并且GCS可以实现为非懒惰版本。实现了GCS的决策树版本(GCS-T)，实验结果显示，与C4.5以及贝叶斯分类算法(如Naive Bayes、BaysianNet、NBTree、LWNB、隐朴素贝叶斯)相比，GCS-T具有较高的泛化正确率，并且GCS-T的分类速度明显快于LWNB。

信任协商中的隐私保护方案大多建立在复杂的零知识协议基础上且很多需要配对运算,因此效率不高。针对这一问题,利用环签名的思想提出了一种协商证书匿名方案,在建立证书子集匿名性的形式化模型基础上利用离散对数的困难性构造环签名方案对协商证书进行保护。跟张明武等人的方案(张明武,杨波,祝胜林,等.保护协商证书隐私的策略签名方案. 电子与信息学报,2009,31(1):224-227)和LIU等人的方案(LIU BAILING, LU HONGWEI, ZHAO YIZHU. An efficient automated trust negotiation framework supporting adaptive policies. Proceedings of the Second International Workshop on Education Technology and Computer Science. Washington, DC: IEEE Computer Society, 2010:96-99)相比,所提方案具有更高的效率。

针对现有进程分析方法存在的缺陷，提出了一种在Windows平台虚拟环境下分析进程的方法。该方法首先在宿主机下分析虚拟机的内存，捕捉当前线程，并通过内核数据结构得到当前线程所在进程, 然后通过页目录表物理地址计算进程页面，对内存进行清零来结束进程。实例分析表明本方法在保护宿主机安全的同时，能快速监测到程序，并且可以有效地结束进程。

针对原始最大流算法给每条边的边容量分配一个常量值，在社区质量及成员数量上造成的问题，提出了一种改进的Web社区挖掘算法。该算法考虑不同边的重要性差异，将加权PageRank算法中页面的重要度转化为衡量页面之间边重要性的传递概率值，并使用该值对边容量进行赋值。实验结果表明，改进的算法有效地提高了Web社区的质量。

对现有的Windows下各种隐藏进程检测技术及其反检测技术进行了研究，提出了基于内存搜索的隐藏进程检测技术，并针对该技术的性能提出了改进。该种检测技术利用进程的固有特征对系统地址空间的遍历建立完整的进程列表来检测隐藏进程。通过实验表明，该技术具有较好的可靠性、检测效率和完整性。

介绍了目前Windows下常见的进程隐藏检测技术，提出了基于截获系统调用（HSC)的进程隐藏检测技术，利用隐藏进程的行为特征，通过截获系统调用建立完整的进程列表来检测隐藏进程，并针对该技术对抗RootKit的攻击提出了改进。该种隐藏进程的检测方法十分可靠，可以检测出常规安全检测工具不能发现的系统恶意程序。

在由频繁项集产生关联规则时，利用提升度判断规则前、后件之间的正相关性可以避免产生一些无意义的关联。但是，这并不能保证规则前、后件中的项是正相关的，也不能减少挖掘频繁项集的时间开销。当规则的前件或后件存在负相关的项时，仍然可能产生无意义的关联规则。针对以上问题，基于数学期望，提出了正相关的频繁项集的概念，并改进了一种直接在FP-树中挖掘频繁项集的算法，挖掘出正相关的频繁项集，从而有效地解决以上问题。实验表明，该算法可以大幅度地减少所产生的频繁项集数量，显著地降低了挖掘频繁项集的时间开销。对于大型数据集，尤其是稠密型数据集，该算法具有良好的性能。

介绍了目前比较有效的抗差分能量分析(Differential Power Analysis，DPA)攻击的防范对策——掩码（Masking），并将改进后的简单固定值掩码方法推广到固定值掩码方法以抵抗二阶差分能量分析（SODPA）攻击。