检索结果-内蒙古大学图书馆

计算机科学与探索 2018年第8期12卷 1225-1237页

作者：潘秋红崔展齐王林章南京大学计算机科学与技术系南京210023 南京大学计算机软件新技术国家重点实验室南京210023 北京信息科技大学计算机学院北京100101 江苏省软件新技术与产业化协同创新中心南京210023

随着移动互联网的迅猛发展,基于Android平台的移动终端以及移动应用数量逐年攀升,极大地改变了人们的生活方式。然而,移动应用具有交互复杂、难于调试、版本更新迭代频繁等特点,很多应用没有经过充分检测就投入了使用,致使Android应用... 详细信息

随着移动互联网的迅猛发展,基于Android平台的移动终端以及移动应用数量逐年攀升,极大地改变了人们的生活方式。然而,移动应用具有交互复杂、难于调试、版本更新迭代频繁等特点,很多应用没有经过充分检测就投入了使用,致使Android应用中各种漏洞导致的故障频发。其中,SQL注入漏洞是一类常见安全漏洞,会引发用户信息泄露、恶意篡改数据库等严重后果。但现有的通用静态分析工具大多无法有效检测Android应用中的SQL注入漏洞。针对这一问题,分析了SQL注入漏洞的代码特征和数据特征,提出了一种基于污点分析的静态检测方法,并在开源工具FindBugs的基础上,实现了原型工具SQLInj。实验结果表明,该方法能有效检测出Android应用中存在的SQL注入漏洞。

关键词： SQL注入静态检测污点分析合法性检查

来源：评论

学校读者我要写书评

暂无评论

静动态结合的恶意Android应用自动检测技术

引用

信息安全学报 2017年第4期2卷 27-40页

作者：黄浩华崔展齐潘敏学王林章李宣东计算机软件新技术国家重点实验室(南京大学) 南京中国210023 江苏省软件新技术与产业化协同创新中心南京210023 南京大学计算机科学与技术系南京210023 北京信息科技大学计算机学院北京100101 南京大学软件学院南京210023

随着移动互联网的快速发展,移动终端及移动应用在人们日常生活中越来越重要,与此同时,恶意移动应用给网络和信息安全带来了严峻的挑战。Android平台由于其开放性和应用市场审查机制不够完善,使其成为了移动互联网时代恶意应用的主要传... 详细信息

随着移动互联网的快速发展,移动终端及移动应用在人们日常生活中越来越重要,与此同时,恶意移动应用给网络和信息安全带来了严峻的挑战。Android平台由于其开放性和应用市场审查机制不够完善,使其成为了移动互联网时代恶意应用的主要传播平台。现有的恶意应用检测方法主要有静态分析和动态测试两种。一般而言,静态分析方法代码覆盖率高、时间开销小,但存在误报率较高的问题;而动态测试准确度较高,但需要实际运行应用,所需的时间和计算资源开销较大。针对上述情况,本文基于静动态结合的方法,自动检测恶意Android应用。首先,使用静态分析技术获取应用API的调用情况来判定其是否为疑似恶意应用,特别是可有效检测试图通过反射机制调用API躲避静态分析的恶意应用;然后,根据疑似恶意应用UI控件的可疑度进行有针对性的动态测试,来自动确认疑似恶意应用中是否存在恶意行为。基于此方法,我们实现了原型检测工具框架,并针对吸费短信类恶意行为,对由465个恶意应用和1085个正常应用组成的数据集进行了对比实验。实验结果表明,该方法在提高恶意应用检测效率的同时,有效地降低了误报率。

关键词： Android应用静态分析动态测试恶意行为

来源：评论

学校读者我要写书评

暂无评论

HiBase:一种基于分层式索引的高效HBase查询技术与系统

引用

计算机学报 2016年第1期39卷 140-153页

作者：葛微罗圣美周文辉赵頔唐云周娟曲文武袁春风黄宜华南京大学计算机软件新技术国家重点实验室南京210046 江苏省软件新技术与产业化协同创新中心南京210046 中兴通讯股份有限公司南京210012 清华大学计算机科学与技术系北京100084

大数据时代,众多应用领域的数据量爆炸式增长,迫切需要研究和寻找有效的大数据存储管理方法,提供实时或准实时的大数据查询分析能力.Hadoop HBase系统为大数据的存储管理提供了一种具有高可扩展性的技术方法和系统平台.然而HBase只有主... 详细信息

大数据时代,众多应用领域的数据量爆炸式增长,迫切需要研究和寻找有效的大数据存储管理方法,提供实时或准实时的大数据查询分析能力.Hadoop HBase系统为大数据的存储管理提供了一种具有高可扩展性的技术方法和系统平台.然而HBase只有主键索引,不支持非主键索引,这导致HBase的数据查询效率较低,难以满足数据实时或准实时查询需求.为此,在HBase基础上提供面向非主键的快速查询能力,是目前Hadoop环境下急需研究和解决的一个重要问题.该文研究提出了一种基于分层式HBase非主键索引的查询模型和方法,该模型和方法首先建立基于HBase的持久性索引.然后,为了利用内存提升查询性能,该文进一步提出了一种索引热点数据缓存技术和一种高效的热度累积缓存替换策略,以降低对HBase索引表的磁盘访问开销.热度累积缓存替换策略克服了最近最少使用（LRU）算法的局限性,考虑数据访问的累积热度和时间局部特性,从而更准确地捕获数据访问的特征.为了使索引热点数据缓存内存层具有良好的可扩展性,HiBase设计了基于一致性哈希的分布式内存缓存,支持高效的基于非主键的单点查询和范围查询.最终,该文设计实现了完整的分层式索引和查询系统HiBase.在千万至十亿条记录规模数据集上的测试结果表明,HiBase冷查询响应时间比标准HBase快65倍（大结果集）到3000多倍（小结果集）;而引入基于查询热度累积算法的内存索引缓存方法后,热查询性能可在HiBase冷查询基础上再提升5~15倍,使得总体查询性能比标准HBase快300多倍（大结果集）到1.7万倍（小结果集）,比开源的Hindex系统快5~20倍.

关键词： HBase 非主键索引查询处理分层式索引缓存替换策略大数据

来源：评论

学校读者我要写书评

暂无评论

基于目标制导符号执行的静态缓冲区溢出警报自动确认技术

引用

信息安全学报 2016年第2期1卷 46-60页

作者：鲍铁匀高凤娟周严李游王林章李宣东计算机软件新技术国家重点实验室(南京大学) 江苏省软件新技术与产业化协同创新中心南京大学计算机科学与技术系

缓冲区溢出漏洞是一类严重的安全性缺陷。目前存在动态测试和静态分析技术来检测缓冲区溢出缺陷:动态测试技术的有效性取决于测试用例的设计,而且往往会引入执行开销;静态分析技术及自动化工具已经被广泛运用于缓冲区溢出缺陷检测中,然... 详细信息

缓冲区溢出漏洞是一类严重的安全性缺陷。目前存在动态测试和静态分析技术来检测缓冲区溢出缺陷:动态测试技术的有效性取决于测试用例的设计,而且往往会引入执行开销;静态分析技术及自动化工具已经被广泛运用于缓冲区溢出缺陷检测中,然而静态分析由于采取了保守的策略,其结果往往包含数量巨大的误报,需要通过进一步人工确认来甄别误报,但人工确认静态分析的结果耗时且容易出错,严重限制了静态分析技术的实用性。符号执行技术使用符号代替实际输入,能系统地探索程序的状态空间并生成高覆盖度的测试用例。本文提出一种基于目标制导符号执行的静态缓冲区溢出警报确认方法,使用静态分析工具的输出结果作为目标,制导符号执行确认警报。我们的方法分为3步:首先在过程间控制流图中检测静态分析警报路径片段的可达性,并将可达的警报路径片段集合映射为用于确认的完整确认路径集合;其次在符号执行中通过修剪与溢出缺陷疑似语句无关的路径,指导符号执行沿特定确认路径执行;最后在溢出缺陷疑似语句收集路径约束并加入溢出条件,通过约束求解的结果,对静态分析的警报进行分类。基于上述方法我们实现了原型工具BOVTool,实验结果表明在实际开源程序上BOVTool能够代替人工减少检查59.9%的缓冲区溢出误报。

关键词：符号执行缓冲区溢出警报确认目标制导

来源：评论

学校读者我要写书评

暂无评论

基于SparkR的分类算法并行化研究

引用

计算机科学与探索 2015年第11期9卷 1281-1294页

作者：刘志强顾荣袁春风黄宜华南京大学计算机软件新技术国家重点实验室南京210046 南京大学计算机科学与技术系南京210046 江苏省软件新技术与产业化协同创新中心南京210046

近几年来,大数据机器学习和数据挖掘并行化算法研究成为大数据领域一个较为重要的研究热点。Spark提供了一个称为Spark R的编程接口,方便一般应用领域的数据分析人员使用所熟悉的R语言在Spark平台上完成数据分析和计算。基于Spark R设... 详细信息

近几年来,大数据机器学习和数据挖掘并行化算法研究成为大数据领域一个较为重要的研究热点。Spark提供了一个称为Spark R的编程接口,方便一般应用领域的数据分析人员使用所熟悉的R语言在Spark平台上完成数据分析和计算。基于Spark R设计并实现了多种常用的并行化的机器学习分类算法,包括多项式贝叶斯分类算法、支持向量机(support vector machine,SVM)算法和Logistic Regression算法。对于SVM和Logistic Regression算法,在常规的并行化策略的基础上为了进一步提升训练速度,设计采用了并行化局部优化的迭代计算模式。实验结果表明,所设计实现的基于Spark R的并行化分类算法与Hadoop Map Reduce的方案相比,速度上提升了8倍左右。

关键词： SparkR 分类算法并行化局部迭代内存计算

来源：评论

学校读者我要写书评

暂无评论

基于Spark的大规模矩阵并行化分解与求逆

基于Spark的大规模矩阵并行化分解与求逆

引用

第三届CCF大数据学术会议

作者：高兴坤顾荣袁春风黄宜华南京大学计算机软件新技术国家重点实验室计算机科学与技术系/江苏省软件新技术与产业化协同创新中心

作为代数运算的基石，矩阵的分解和求逆在科学计算、数据挖掘、机器学习等诸多领域有着广泛的应用。然而大规模矩阵的分解和求逆运算难以在当下流行的Hadoop、Spark等分布式计算平台上很好地并行，以至于Apache Mahout里对于Cholesky分...

作为代数运算的基石，矩阵的分解和求逆在科学计算、数据挖掘、机器学习等诸多领域有着广泛的应用。然而大规模矩阵的分解和求逆运算难以在当下流行的Hadoop、Spark等分布式计算平台上很好地并行，以至于Apache Mahout里对于Cholesky分解目前都只有单机的实现。其中一个重要的原因是矩阵分解与求逆运算结果中的一个元素往往依赖于输入矩阵的若干个元素。针对这一问题，本文基于Spark平台研究优化了大规模分布式稠密矩阵的LU分解、Cholesky分解以及求逆的并行化运算方法。本文首先采用分而治之的并行化设计思路对大规模矩阵进行分块，将整个计算任务划分为更小的计算任务，最终实现高效的并行化矩阵分解和矩阵求逆运算。然后，本文研究了计算过程中的一些优化方法，例如利用高性能本地库、缩小工作集等。实验结果表明，本文提出的并行化算法具有较高的效率，所提的优化方法总体平均能提升约60％的性能。此外，本并行化算法具有近线性的数据与节点可扩展性和受益于Spark平台的高容错性。据我们所知，本文是第一个基于Spark设计实现分布式大规模矩阵LU、Cholesky分解以及求逆算法的工作。

关键词：

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：