在软件定义网络（SDN）中，动态主机配置协议（DHCP）泛洪攻击报文通常能通过reactive方式主动地进入控制器，对SDN危害巨大。针对传统的DHCP泛洪攻击防御方法无法阻止SDN中该攻击带来的控制链路阻塞这一问题，提出一种DHCP泛洪攻击的动态防御机制（DDM）。DDM包含检测模型和缓解模型。在检测模型中，不同于他人提出的静态阈值检测方法，采用DHCP流量均速和IP池余量两个关键参数建立动态峰值估计模型来评估端口是否受到攻击，若受到攻击则交由缓解模型进行防御。在缓解模型中，利用地址解析协议（ARP）的应答特点进行IP池清洗，并设计了周期内分时段拦截机制对攻击源进行截流，在缓解阻塞的同时，最大限度减少拦截对用户正常使用的影响。仿真实验结果表明，相对静态阈值检测，DDM检测误差平均降低18.75%。DDM缓解模型能高效地拦截流量，同时将用户在拦截期正常接入网络的等待时间平均缩短81.45%。

针对单一特征表示的局限性会导致细粒度图像分类准确度不高的问题，提出了一种基于卷积神经网络（CNN）和尺度不变特征转换（SIFT）的多特征组合表示方法，综合考虑对目标整体、关键部位和关键点的特征提取。首先，分别以细粒度图像库中的目标整体和头部区域训练CNN得到两个网络模型，用来提取目标的整体和头部CNN特征；然后，对图像库中所有目标区域提取SIFT关键点并通过 K均值（ K-means）聚类生成码本，再将每个目标区域的SIFT描述子通过局部特征聚合描述符（VLAD）参照码本编码为特征向量；最后，组合多种特征作为最终的特征表示，采用支持向量机（SVM）对细粒度图像进行分类。使用该方法在CUB-200-2011数据库上进行实验，并与单一的特征表示方法进行了比较。实验结果表明，该方法与基于单一CNN特征的细粒度图像分类相比提升了13.31%的准确度，证明了多特征组合对细粒度图像分类的积极作用。

针对分布式数据库查询效率随着数据规模的增大而降低的问题，以Greenplum分布式数据库为研究对象，从优化查询路径的角度提出一个基于代价的最优查询计划生成方法。首先，该方法设计一种有效的代价模型来估算查询代价；然后，采用并行最大最小蚁群算法来搜索具有最小查询代价的连接顺序，即最优连接顺序；最后，根据Greenplum数据库对查询计划中不同操作的默认最优选择得到最优查询计划。采用该方法在自主生成的数据集与事务处理性能理事会测试基准（TPC-H）的标准数据集上进行了多组实验。实验结果表明，所提出的优化方法能有效地搜索出最优解，获得最优的查询计划，从而提升Greenplum数据库的查询效率。

提出了一种基于分类的背景更新算法。对现有模板进行改进，提出一种生长模板来对差分图像中的目标点和噪声点进行检测。生长模板根据像素点局部特征自动选择生长方向，从而对目标点和噪声点进行判断。利用基于像素的背景更新策略，实现了目标遮挡区域的背景更新。实验证明了生长模板的有效性，该算法可以在复杂场景下实现背景更新。