课题小组 更多>>

关键词： 课程思政   立德树人   三全育人   高等数学  

摘要： 课程思政是以立德树人为根本任务，促使专业教育与思想政治教育同向而行的新型教育理念，不仅强调要挖掘课程本身的内容，同时还要将专业外的思想教育融入教学，从而更好地实现三全育人目标。本文立足于高等数学课程教学，探讨了在教学中思政元素的寻找角度以及如何将思政内容融入课程教育中去，助力学生的全面发展，从而起到春风化雨、润物无声的作用。

关键词： 机器学习   Android应用程序   隐私泄露检测   权限   函数调用图  

摘要： 随着移动互联网的发展,移动设备逐渐走入寻常百姓家,开源的Android系统风靡全球,拥有庞大的用户量。然而,用户手机中存储了诸多个人隐私数据,引来了越来越多恶意攻击者的关注,一些恶意应用程序的安装可能导致用户个人隐私信息被窃取,给用户带来无法估量的损失。因此,如何高效地鉴别应用程序是否存在隐私泄露行为成为移动安全领域的研究热点。 权限控制应用程序对隐私数据的访问,而函数承载隐私数据的传播。基于权限和函数调用图的隐私泄露检测方法,主要从以下几方面分析。首先,为了能够高效地对应用程序中存在的隐私泄露行为进行初筛,以权限为切入点,针对应用程序在使用权限时存在的不一致行为,提出了基于权限一致性的隐私泄露检测方法。其次,为了能够精确地检测应用程序的隐私泄露行为,以应用程序的权限及其相关函数作为切入点,借鉴图网络中的中心性概念,构建权限中心性特征细粒度地量化权限的使用情况,提出了基于权限中心性的隐私泄露量化分析方法。最后,为了能够提升在对混淆应用软件检测时的鲁棒性,以应用程序的函数调用图作为切入点,对应用软件的函数间关联性进行分析。为了分析不同类别函数间的关联性,将函数抽象为四类,提出一种函数调用图抽象化方式。基于该抽象化方式,提出了基于函数调用图的隐私泄露关联性分析方法。 由于现有研究中缺乏用于隐私泄露检测的数据集,构建了Android隐私泄露数据集,该数据集可用于进行大规模隐私泄露检测。在该数据集上,三种方法模型的准确率和F1值均能达到98%以上。实验表明,基于权限一致性的方法可以反映隐私泄露情况;基于权限中心性的方法能够更为精确地检测隐私泄露行为;抽象的函数调用图,能体现出良性软件和隐私泄露型软件间结构的差异。

关键词： 高等数学   领学实践   效果评价  

摘要： 在新时代高校高质量发展背景下，学生领学是以学生为中心的一种学习理念实践探索，在促进学生主动和深度学习、丰富本科生学习体验、影响校园文化、培育学生对学校教育教学的责任感等方面具有重要作用。因此，大连大学在高等数学课程中进行了学生领学的实践，以学生基础课程学习质量提高服务地方高校优质本科教育建设。在未来的学生领学改革中，高校要培养好领学学生，收集随学学生相关反馈数据，构建双向互动的师生和生生关系。

关键词： 高等数学   课程思政   教学实践  

摘要： 课程思政是落实高校立德树人根本任务的战略举措，是贯彻全过程育人、全方位育人方针的必然选择。高等数学是高职院校理工科专业必修的一门公共基础课程，融入思政元素的教学改革实践研究具有非常重要的现实意义，对目前高职院校高等数学课程思政教育的现状进行了分析，再从教学实践方面对大学数学课程融入思政元素进行了初步的探索，并提出了几点对策。

关键词： Bohr半径   Bohr类型不等式   有界解析函数   Schwarz函数  

摘要： 解析函数是复分析方向的一个重要研究对象.有关解析函数类的半径估计问题更是层出不穷,近年来解析函数类的Bohr半径也成了一个热门问题.本文主要研究了解析函数类的一些带有参数的Bohr类型问题.本文总共分为三章,具体内容如下: 第一章,首先介绍了解析函数论的研究背景,讲述了Bohr不等式的由来以及发展情况,最后给出了本文中的主要结果. 第二章,我们考虑了复合Schwarz函数的Bohr-Rogosinski不等式,进一步推广了缺项级数的Bohr类型不等式,对原有的Bohr类型不等式进行了改进.所有结果都是最佳的. 第三章,我们考虑了复合Schwarz函数的凸组合形式的Bohr类型不等式,和一些带有参数的Bohr类型问题,求出相应的Bohr半径并且证明了所得结果都是最佳的.

关键词： Android恶意软件   函数调用图   图神经网络   对抗攻击  

摘要： Android操作系统在2003年由谷歌创立,由于Android操作系统基于开源的Linux内核,因此,与其它封闭的操作系统相比,Android在创立之初就具有很好的开放性,这也是如今Android能占据智能手机市场份额第一的根本原因。但另一方面,借由Android系统的开放性,恶意软件在Android操作系统中能够造成更大的破坏性,如获取一些敏感权限,甚至获得root权限等。同时Android恶意软件可以在不经过厂商可信审查的情况下诱导用户进行安装,严重损害了用户利益,对于Android操作系统的生态环境也造成了恶劣影响。因此,针对Android操作系统的安全机制和恶意软件检测的研究成为移动安全领域的重中之重。本文分析了 Android系统与Android恶意软件的相关机制,并总结了类似工作的先进与不足之处,提出了两种基于Android函数调用图与图神经网络的Android恶意软件检测模型,提升了 Android恶意软件检测效果,同时实验证明,本文提出的模型针对Android恶意应用开发者的对抗性攻击也有较好的效果。本文主要工作包括:首先介绍了函数调用图的提取过程,然后提出了一种半保留式的函数调用图精简方法,从而能够在保留重要特征的前提下大大减小函数调用图规模。接着提出了一种基于库路径的多种信息融合的Android函数调用图的节点特征表示方法。针对对抗性攻击,本文还提出了一种基于子图网络(SGN)的函数调用图对抗攻击检测方法,能够通过函数调用图检测样本是否为对抗攻击样本,并采取相应的防御。然后,本文进一步介绍了图卷积神经网络框架,然后提出了一种去噪的图卷积神经网络,使得对抗攻击造成的函数调用图的扰动不会被扩散,然后提出了一种函数调用图池化(Readout)方法,对整个函数调用图级别的特征向量进行提取,最后使用多层感知机分类器对全局图向量进行分类。同时,考虑到Android应用内部存在多种实体信息,本文还提出一种基于异质图神经网络的检测模型,从Android应用中提取了多种实体与关系,组成异质关系网络,并使用异质图神经网络进行异质图中隐藏特征提取与表示,构建了基于异质图神经网络的Android恶意软件检测模型。最后,本文对以上两种方法进行了实验验证,并选取了近年来的基于图神经网络的检测模型进行对比,结果显示本文提出的两种模型在正常情况下与存在对抗攻击情况下均取得了更好的效果,证明了本文提出方法的有效性和面对对抗攻击的鲁棒性。

摘要： 引言：近年来，在社会经济快速发展的同时，教育体制也在进行着不断的改革和创新，学生的教育问题愈发受到重视。在此背景下，各学科老师纷纷开始了教学模式以及教学内容的改革和创新，力求能够在激发学生学习兴趣的同时，更好促进学生学习成绩的提高。鉴于此，本文将以高职院校高等数学教学为例，针对知识传递过程中存在的问题作以分析，并相应的提出几条解决思路，希望可以为我国教育事业的蓬勃发展献出自己的绵薄之力。高等数学作为高职教学中的基础学科，相比于其他学科来说，有很大的不同。之所以这么说，

关键词： 余弦函数   正弦函数  

摘要： ~~

关键词： Android   函数调用图   API调用序列   恶意应用检测   恶意应用家族  

摘要： Android恶意应用程序的爆炸式增长,严重威胁了用户的隐私数据与财产安全,因此通过Android应用程序的代码审计,识别Android恶意应用程序至关重要。同时,对检测出的恶意应用程序进行家族分类,便于研究恶意家族的版本迭代与变种规律,从而制定相应的防御性保护措施。鉴于Android恶意应用在实施危险操作时,往往请求特定的API函数来访问系统,且通过静态或动态分析,即可获取应用程序的API调用信息,因此许多研究方法提取应用程序的API调用特征,进行Android恶意应用的检测。常见的API调用特征包括API函数调用图或基于API调用序列特征。然而函数调用图属于非欧几里徳结构数据,不能用传统的机器学习算法进行处理,而常见的谱图卷积网络GCN只能处理无向函数调用图,这将导致函数之间有向调用关系的丢失,降低识别准确率。对于API调用序列特征,现有方法多考虑API序列的单向语义相关性,未充分挖掘API的双向语义信息,且恶意API序列段只占整体序列的一小部分,序列中冗余API较多,给特征提取带来困难。此外对于恶意应用家族的分类,现有分类方法多提取家族中所有样本的共同行为特征,但随着恶意家族的不断发展,属于同一家族的Android恶意应用可能以不同的实现方式完成相同的恶意活动,因此该类恶意应用可以轻松避开分类方法。现有基于深度学习的分类模型,多依赖大量已标记样本进行训练,当家族样本较为稀缺时,模型容易出现过度拟合的情况。本文针对现有基于Android应用程序API调用实现恶意程序检测及恶意家族检测所面临的技术难题,将基于函数调用图的静态检测方法与基于API调用序列的动态检测方法相结合,识别恶意应用程序并进行家族分类。主要工作与创新点如下:(1)为解决静态分析中谱图卷积网络无法处理有向函数调用图的问题,提出一种有向图卷积网络以提取函数调用图的API节点聚合特征。针对函数调用图规模较大,冗余信息较多的问题,通过提取危险权限相关的API集合,重构有向函数调用图。为有效处理有向函数调用图,对传统的谱图卷积网络进行改进,将非对称的有向图邻接矩阵转换为三个不同层次的对称图矩阵,在有效提取有向函数调用图的API节点聚合特征的同时,又可以扩展卷积网络的感受野,避免堆叠卷积网络导致训练参数过多的问题。实验表明该方法具有较好的分类效果,准确率可达0.9504,F1值可达0.9499,与传统基于谱图卷积网络的分类算法相比,具有较好的性能。(2)为解决动态分析中冗余API较多,提取恶意序列段较难,以及未充分挖掘API调用序列上下文语义信息的问题,提出了一种结合Bi-LSTM和自注意力机制的时序分析方法。针对冗余API节点较多的问题,在序列预处理阶段,利用N-gram对动态分析提取的API时间序列进行划分,并通过TF-IDF算法进行敏感API短序列集合的提取,从而删减冗余API信息。同时利用Word2vec得到每个短序列的稠密向量,避免API序列向量过于稀疏。在特征提取阶段,将应用程序的API序列向量输入Bi-LSTM学习双向语义信息,并将输出的隐状态通过自注意力机制,分配不同的权重,以有效提取应用程序的API序列特征,实现恶意应用检测。实验结果表明,该方法的准确率和F1值分别达到0.9293和0.9288,若将静态分析与动态分析相结合,检测方法的准确率和F1值可达0.9711和0.9698。(3)为解决现有家族分类方法仅提取家族单个行为原型作为特征,以及无法有效处理小样本恶意家族和识别未知新家族的问题,提出了一种利用元学习的小样本家族分类方法。为构建家族多原型以提高分类效果,基于上述Bi-LSTM模型提取的序列特征,通过原型网络创建恶意家族初始单原型,在此基础上进行迭代学习,为多行为模式的恶意家族,创建多个原型特征以进行分类。在恶意应用家族分类阶段,基于N-way K-shot任务,利用元学习不断训练分类器,使其获得先验知识以克服小样本过度拟合的情况,通过度量恶意应用与各家族原型的距离实现恶意应用的家族分类。对部分未成功匹配的恶意应用,认定其为未知新家族,提取其家族原型特征加入模型,而不用重新训练分类器。实验结果表明,该分类的准确率达0.9756,F1值达0.9731。与其他分类器相比有较大提升。同时在小样本家族分类上,平均准确率可达0.9311。

摘要： 函数表达式中若含有三角函数,则无论怎么求导仍有三角函数.近年来,含正、余弦函数的不等式和零点问题考查得越来越多,此类问题往往需要关注三角函数的有界性,利用有界性,通过对定义域分割处理,找到对参数分类讨论的标准,以及对函数解析式的放缩处理,从而使问题顺利解决.