基于深度学习的智能合约漏洞检测方法

以太坊是当下最流行的区块链平台之一,目前已部署数千万个智能合约,控制了价值数千亿美元的以太坊加密货币。由智能合约漏洞引起的安全事件层出不穷,资金损失尤为严重。针对当前智能合约漏洞检测率较低、检测性能不足的问题,提出了基于深度学习的智能合约漏洞检测方法。编译以太坊智能合约源码,解析其对应的字节码得到操作码数据流,根据以太坊黄皮书中操作码与16进制数的对应关系构建字典,将操作码数据流转化为用16进制数表示的操作码序列。通过对操作码序列进行分析,设计循环神经网络、长短期记忆神经网络和卷积神经网络-长短期记忆神经网络3种不同的深度学习网络结构进行漏洞检测。在真实环境中采集了47 527个智能合约,针对智能合约6种漏洞的检测,卷积神经网络-长短期记忆神经网络模型的Macro-F1达到了82.1%。大量的实验结果表明,所提出的模型和方法可实现高效的智能合约漏洞检测。     

国际视阈下机构知识库研究动态演化与趋势分析

以2003—2019年期间SCI-E&SSCI收录的机构知识库研究领域期刊论文为研究对象,对机构知识库的研究内容和动态演化进行了深入探讨,指出现阶段的研究内容包括IR的建设、IR的管理和技术、IR资源可见度和科研数据管理等,未来机构知识库研究发展趋势或将转移到相关法律问题、存储成果深度开发、多维知识图谱构建、功能优化等,随着大数据和人工智能等变革性技术的不断成熟,机构知识库可能将出现新的研究高潮.     

双孢蘑菇耐温差异蛋白质组学研究

利用蛋白质组学和荧光定量PCR方法,研究双孢蘑菇(Agaricus bisporus Lange (Imbach))02菌株在常温与高温胁迫下的蛋白质表达差异,发现了6个差异蛋白质点,经NCBI数据库比对分析,表明6个差异蛋白质分别为HSP70家族的HSS1热激蛋白、异柠檬酸裂解酶、细胞色素P450单氧化酶及3个未知蛋白质.这些蛋白质在双孢蘑菇受热胁迫下具有保护自身稳定的功能.     

基于EDA的开关电源健康状态评估方法研究

目前开关电源的预测与健康管理研究多基于某特定应力下的监测数据,其应力剖面固定,难以推广应用到应力随机组合的实际场合中。通过对所建立的高精度仿真模型中注入定量退化的方式,基于EDA技术开展了开关电源整体健康状态评估方法的研究。采用试验设计的方法,构建电源退化特征标准数据库,并采用最小二乘拟合方法,确定应力因素与系统输出的函数关系。进而可评估得到任意应力组合作用下电源的实际健康状态。某反激开关电源的实际健康状态评估结果表明了所提出的方法有效可用。     

普光气田须家河组致密砂岩构造裂缝特征及成因探讨

构造裂缝对四川东北部普光气田须家河组致密砂岩储层储集性能产生了较大影响。因此,研究该地区构造裂缝特征,以及成因可为有效评价与预测有利储层提供强有力的依据。对普陆1井取心岩样进行了岩性分析,以及裂缝的数量、产状及其大小的统计,且在偏光显微镜下观察及统计裂缝的大小、类型及充填情况,结合普陆1井EMI成像测井结果,识别出了须家河组NW-SE向和NE-SW向两期构造裂缝;根据裂缝交切关系确定NW-SE向裂缝早于NE-SW向裂缝的形成。在上述结论的基础上,讨论了川东北地区须家河组地层两期裂缝发育的成因。普光气田须家河组NE-SW走向裂缝与燕山晚期(K2-E1)构造运动有关,而NW-SE走向裂缝与喜马拉雅期早期(E2)构造运动有关。     

三维无线传感器网络节点定位研究综述

无线传感器网络现在已经在各领域广泛应用,而节点定位技术是其应用中的基础性研究问题之一。从距离相关和距离无关定位算法的角度分析了三维无线传感器网络中几种典型应用的定位算法。论述了该算法的概念及其原理,并对几种定位技术的性能进行了比较和分析。每种算法都有一个应用环境,应根据实际需要进行选择。随着定位技术的发展,定位要求越来越高,移动锚节点定位算法成为了现在研究的趋势。总结了当前无线传感器网络定位算法的优缺点,并提出了对未来研究热点的看法。     

基于动态行为特征加权聚类的加壳恶意软件未知变种检测方法

攻击者为了逃避检测，常利用加壳技术对恶意软件进行加密或压缩，使得安全分析人员以及传统基于静态分析的恶意软件检测方法在恶意软件运行前难以利用反汇编等逆向工具对其进行静态分析。为检测加壳恶意软件，当前主要采用动态分析方法检测加壳恶意软件，然而受限于加壳工具种类和样本规模，以及恶意软件加壳行为带来的混淆噪声，导致传统基于机器学习检测方法存在准确率不足等问题。研究提取并分析加壳恶意软件运行时的系统调用行为特征，识别并筛选出敏感行为，旨在过滤脱壳行为噪声产生的影响；通过对系统调用行为特征加权降维，提升行为特征的有效性；通过对加权降维的行为特征进行聚类分析，最终实现加壳恶意软件未知变种检测和检测模型增量更新。实验结果表明，提出的基于动态行为特征加权聚类的加壳恶意软件未知变种检测方法检测误报率3.9%,相较几种典型机器学习检测方法呈显著降低。