延迟容忍网络（delay tolerant network，DTN）中，由于节点的移动性、休眠调度、资源受限以及网络误码率较高等因素，消息成功投递的可能性较低.为了解决上述DTN中存在的问题，有大量的路由算法被提出，其中Prophet路由算法作为DTN中重要的路由之一，主要思想是根据DTN中节点的相遇频率进行节点之间消息的传递，但该算法没有考虑节点的交互意愿和中继节点的缓存大小.针对这一问题，本文提出一种基于连接分离时间的概率路由算法P-AVF（Prophet routing based on Average fluctuation）.该算法主要根据节点在时间窗口T内的连接分离时间以及节点间运动轨迹的差异性来定义节点连接的平均波动，进而引出节点连接紧密性与可靠性的概念，使得连接能力更优异的节点与它相遇过的节点保持更大的投递预测值，从而能综合挑选出合适转发消息的中继节点.同时利用消息接收节点的缓存占用比和该节点与其他节点连接分离的总时间作为影响该节点投递预测值衰减的一部分，使得投递预测值的衰减更准确.仿真结果表明，基于连接分离时间的概率路由算法P-AVF在消息的投递率、网络负载率和平均跳数等方面均优于其他对比路由算法.
由于内部人员具有访问组织内部资源的权限，其行为出现漏洞或故意威胁所产生的影响对组织而言可能是巨大的损失.因此，内部人员威胁行为研究对保障系统安全具有重要价值.针对大量内部威胁行为的具体识别，本文提出了一种两步用户威胁行为活动分析识别策略.首先，利用粒子群优化（Particle Swarm Optimization，PSO）算法优化具有噪声的基于密度的聚类方法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）来实现对偏离正常模式的离群点的精准查找.第2步，建立多特征权重联合评估策略，基于上一步的离群点分析结果，采用多指标评价方法实现对用户威胁行为的识别.实验结果表明，所提PSO-DBSCAN算法能更好地缩减初步离群点，并在特征约简后行为活动识别准确率最高达到99.58%，对威胁活动的识别具有有效性.
同步定位与建图（Simultaneous Localization and Mapping，SLAM）问题近年来已成为机器人导航领域的热门研究话题，作为其重要环节之一，回环检测用以消除整个过程中的累积误差.针对该环节高效率的需求，本文提出了一种基于局部特征ORB和全局描述符VLAD组合的快速回环检测算法.首先，使用一种全新的二值特征的VLAD量化算法（Binary-VLAD）提取全局特征，在保持描述符代表性的同时加快运行速度.然后，在全局粗搜索阶段，改进倒排索引结构，有效地减少了计算量和存储空间.其次，在几何验证阶段，使用一种基于空间相似性的偏移稳定模型，无需像RANSAC一样恢复基本矩阵，简捷高效.最后，在3个数据集上进行了验证实验，并与经典的词袋模型方法以及最新的基于深度学习的方法进行对比.实验结果表明，本文所提出的算法仅耗时19ms，明显优于经典的词袋模型算法，相比于最新的深度学习算法，时间效率更是提升近10倍，并且在保持100%准确率的前提下，召回率优于两者.
针对软件缺陷报告严重性预测中现有模型分类精度较低、深层次的语义特征不够丰富等问题，本文提出了一种基于BERT句子级别与词级别特征融合的SWF-BERT（Sentence-level and Word-level features Fusion-BERT）软件缺陷报告严重性预测模型.首先，对缺陷报告中的文本进行了数据预处理.其次，为了加强嵌入层中融合后的特征语义信息，提取词频最高的前100个单词，筛选出与缺陷严重性相关的特征词对其进行关键词嵌入操作，并融合嵌入层中的其他向量进行词嵌入.最后，将BERT模型输出层得到的特征（除［CLS］token外）送入多尺度卷积神经网络结合长短期记忆网络（MC-LSTM）模型中，加强了不同特征间远距离的时序信息.采用BERT模型输出得到的［CLS］句向量经过线性变换的结果与MC-LSTM模型输出经过线性变换得到的结果做可学习的自适应加权融合，实现了对软件缺陷报告严重性的有效预测.实验结果表明，使用SWF-BERT模型的平均准确率、召回率和F1值在Mozilla数据集中分别达到了68.41%、64.60%和64.86%，在Eclipse数据集中分别达到了61.32%、62.62%和59.31%，与其他分类算法相比，该方法在性能上得到了较大的提升.
