据统计，在大量的恶意代码中，有相当大的一部分属于诱骗型的恶意代码，它们通常使用与常用软件相似的图标来伪装自己，通过诱骗点击达到传播和攻击的目的。针对这类诱骗型的恶意代码，鉴于传统的基于代码和行为特征的恶意代码检测方法存在的效率低、代价高等问题，提出了一种新的恶意代码检测方法。首先，提取可移植的执行体（PE）文件图标资源信息并利用图像哈希算法进行图标相似性分析；然后，提取PE文件导入表信息并利用模糊哈希算法进行行为相似性分析；最后，采用聚类和局部敏感哈希的算法进行图标匹配，设计并实现了一个轻量级的恶意代码快速检测工具。实验结果表明，该工具对恶意代码具有很好的检测效果。

随着大数据时代的到来，网络舆情数据呈现信息量大和领域覆盖广等特征。面对复杂的网络舆情数据时，传统单一模型预测能力有限，不能对舆情趋势进行有效预测。针对此问题，提出一种基于经验模态分解-自回归（EMD-AR）改进的组合模型——EMD-ARXG模型，应用于复杂网络舆情的预测。该模型利用经验模态分解算法对时间序列进行分解，然后通过自回归模型对分解后的时间序列进行各自趋势拟合，建立子模型。最后再对各个子模型进行重构，完成建模。另外，在利用自回归（AR）模型拟合过程中，为了减少拟合误差，采用极限梯度提升算法对残差进行学习，并使预测模型迭代更新，提高各个子模型预测精度。为验证EMD-ARXG模型的预测效果，该模型与小波神经网络模型和基于经验模态分解的神经网络模型进行实验对比。实验结果表明，在均方根误差（RMSE）、平均绝对百分误差（MAPE）和希尔不等系数（TIC）三项指标上，EMD-ARXG模型获得的结果均优于小波神经网络模型和基于经验模态分解的神经网络模型的结果。