高温高压相图在物理化学、矿物学、地球科学和极端条件下的材料科学中都具有重要的地位和应用价值,相图计算方法(alculation of phase diagram,CALPHAD)是建立温度-压强热力学相图和热力学数据库的主要方法,可以计算材料体系的相平衡、...
详细信息
高温高压相图在物理化学、矿物学、地球科学和极端条件下的材料科学中都具有重要的地位和应用价值,相图计算方法(alculation of phase diagram,CALPHAD)是建立温度-压强热力学相图和热力学数据库的主要方法,可以计算材料体系的相平衡、组成相的相分数和相成分、热力学性质,一定程度上解决单一实验建立高温高压相图的困难。本文对基于CALPHAD的高温高压相图建模方法进行了详细介绍,并总结其当前面临的问题和下一步研究方向,为极端条件下材料设计和性能评估奠定基础。
近年来,基于深度学习的恶意可执行与可链接格式(executable and linkable format,ELF)文件检测研究取得了显著进展。同时,关于模型对抗性攻击的研究也得到了广泛关注,攻击者可以通过生成对抗样本误导神经网络,使恶意软件被错误归类为良...
详细信息
近年来,基于深度学习的恶意可执行与可链接格式(executable and linkable format,ELF)文件检测研究取得了显著进展。同时,关于模型对抗性攻击的研究也得到了广泛关注,攻击者可以通过生成对抗样本误导神经网络,使恶意软件被错误归类为良性软件,从而逃逸检测。尽管已有多种生成对抗样本的方法被提出,但它们通常不适合对ELF文件进行修改,或缺乏在不同检测模型之间迁移的能力。为克服现有方法的局限性,提出了一种基于深度强化学习的恶意ELF文件检测对抗方法,该方法通过构造目标检测模型的最优扰动字节序列,能够在保留ELF文件原有功能的前提下生成对抗样本,而无须依赖目标模型的内部实现细节。实验结果表明,该方法生成的对抗样本针对目标检测模型的逃逸成功率达到76.80%,并能通过对抗训练提升目标检测模型的鲁棒性。
暂无评论