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。

在现有基于RBAC的委托模型中，委托人由于出差或休假无法自主执行委托，然而完全依靠管理员集中式的授权管理，缺乏灵活性，且存在权限滥用的危险。结合RBAC模型，提出一种基于代理的灵活角色委托模型。给出了代理委托策略，并通过构造和规约两方法对模型的合理性与完备性进行了论证。理论分析与实例验证结果表明，该模型通过引入代理人，代表执行并对委托过程进行监督管理，能够有效地体现委托过程的灵活性，并且遵循“最小特权”和“职责分离”两安全原则。