网络教学课程信息窃取风险实时监测方法研究_安心.pdf

收稿日期:2022-10-17基金项目:2021 年度陕西高等职业教育教学改革研究项目重点攻关课题课程思政背景下高职院校民航服务类专业信息化教学改革研究与实践(21ZG001)作者简介:安心(1990-),女,陕西榆林人,硕士研究生,讲师。网络教学课程信息窃取风险实时监测方法研究安 心1,王 涛2(1.西安航空职业技术学院,西安 710089;2.西安航空学院,西安 710077)摘 要:针对传统网络教学课程信息软件漏洞检测准确率低,导致网络教学课程信息的窃取风险增大的问题。构建一个基于时间卷积网络和自注意力机制的漏洞检测系统 TCNSADetector。首先,采用时间卷积网络 TCN 的 TC-NDetector 系统进行漏洞特征自动提取;然后通过自注意力机制的漏洞检测系统 VulDeePecker+进行深层特征提取和分类;最后将时间卷积网络和自注意力机制相结合,得到 TCNSADetector 漏洞检测系统。实验结果表明,相较于其他漏洞检测系统,提出的 TCNSADetector 系统的 F1 值提升了4.97%,误报率和漏报率分别下降了5.42%和3.68%,漏洞检测时间均低于其他检测系统。而加入注意力机制后的 TCNSADetector 漏洞检测系统准确率、精确率和 F1 值均保持在 96%以上,比改进前的漏洞检测系统更高。综合分析可知,本系统可提升网络教学课程信息软件的漏洞检测精度,具备实时性和有效性。关键词:网络教学;课程信息窃取;漏洞检测;时间卷积网络;自注意力机制 中图分类号:TP392 文献标识码:A DOI 编码:10.14016/ki.1001-9227.2023.01.020Research on Real-time Monitoring Method of Information Stealing Risk in Network Teaching CourseAN Xin1,WANG Tao2(1.Xian Aeronautical Polytechnic Institute,Xian 710089,China;2.Xian Aeronautical University,Xian 710077,China)Abstract:The low detection accuracy of vulnerability of traditional network teaching course information software leads to the increased risk of network teaching course information theft.TCNSADetector,a vulnerability detection system based on temporal convolutional network and self-attention mechanism.First,the TCNDetector system of time convolution network TCN is used to automatically extract vulnerability features;then the deep feature extraction and classification is performed through VulDeePecker+,a vulnerability detection system of self-attention mechanism;finally,the time convolutional net-work and self-attention mechanism are combined to obtain the TCNSADetector vulnerability detection system.The experimen-tal results show that compared with other vulnerability detection systems,the F1 value of the proposed TCNSADetector system increased by 4.97%,the false alarm rate and false report rate decreased by 5.42%and 3.68%,respectively,and the vulner-ability detection time was lower than that of other detection systems.However,the accuracy,accuracy rate and F1 value of the TCNSADetector vulnerability detection system after adding the attention mechanism all remain above 96%,which is higher than the vulnerability detection system before the improvement.Comprehensive analysis shows that the system can improve the vulnerability detection accuracy of the network teaching course information software,with real-time and effectiveness.Key words:network teaching;course information theft;vulnerability detection;time convolutional network;self-atten-tion mechanism0 引言教学领域利用计算机技术和互联网进行网络教学逐渐成为当前课堂教学的重要形式。随着各种各样的软件规模不断扩大,网络教学课程信息软件漏洞逐渐显现。软件攻击事件频发,增加了网络教学课程信息的窃取风险。网络黑客通过木马病毒等进行网络教学课程信息访问和攻击,从而导致信息泄露和丢失。因此,提出有效的方法对网络教学课程信息软件漏洞进行实时和准确检测,可提升网络信息的安全性和稳定性。针对此问题,学者陈肇炫等1构了一个基于抽象语法树的检测系统。研究发现,此系统可在一定程度上提升漏洞检测的智能化水平;邹德清等2提出了基于图结构源代码切片的漏洞检测系统。研究表明,此系统具备一定的可行性;顾绵雪等3提出了基于深度学习方法进行软件漏02网络教学课程信息窃取风险实时监测方法研究 安 心,等洞深层信息挖掘,通过卷积神经网络提升了漏洞信息特征提取效果。以上研究虽然取得了一定的应用成果,但在计算网络教学课程信息的安全漏洞检测方面,多采用动态检测方法和混合检测方法。其中,动态检测方法存在代码覆盖率低的问题。混合方法继承了静态和动态检测的缺点,实际应用效果不佳。以上方法进行漏洞特征提取的准确率低,无法有效提升漏洞检测精度和实时性,从而无法有效降低网络教学课程信息的窃取风险。而静态检测是通过对软件源代码进行分析,包括基于代码相似性和基于模式的漏洞检测两种类型,漏洞检测效果更好。因此,基于静态检测方法和深度学习的特性,提出基于时间卷积网络和自注意力机制的漏洞检测系统 TCNSADetector,通过此系统提升漏洞检测精度和准确率,降低窃取风险。1 时间卷积网络时间 卷 积 神 经 网 络(Temporal Convolutional Net-works,TCN)主要通过卷积网络应用在单变量时间序列分类任务中,在时间维度上进行时序预测和滤波器处理。TCN 网络主要由因果卷积、扩张卷积和残差连接组成,该网络可通过卷积操作进行时间维度特征提取4。相较于传统的 CNN 网络和 LSTM 网络,TCN 网络可有效避免梯度消失、训练复杂和拟合效果差的问题。其在URL 分类、网络入侵预测、行为分割和检测等领域得到广泛应用。TCN 网络卷积核运算过程如图 1 所示。图 1 TCN 网络卷积核运算过程在 TCN 网络中输入一个由 N 个成对数据组成的数据集 D=Xn,YnNn=1,X 和 Y 分别表示单变量时间序列样本和其对应标签。则 X 样本数据的表达式为:X=x1,x2,xT(1)式(1)中,T 表示时间序列样本长度5。若滤波器权重表示为 WkR1m,k 表示一个滤波器;1 和 m 分别表示高度和宽度,m=3。滤波器在时间维度上滑动的步长设置为 1,样本向量分为 T 个窗口,进行滤波器处理后,即可输出得到第 i 个时间窗口 Ei,具体表达式为:Ei:i+m-1=xi,xi+1,xi+m-1()(2)最后通过第 K 个滤波器卷积后可获得卷积结果,即为特征图6。具体表示为:Qk=Q1,k,Q2,k,QT,k()(3)式中,Qi,ki=1,2,3,T 表示第 K 个滤波器在第 i 个窗口中的卷积结果,具体表达式为:Qi,ki=f wkEi:i+m-1+bk()(4)式(4)中,f()表示激活函数;表示点积操作;bk表示第 k 个滤波器的偏置7。2 基于 TCN 和自注意力机制的漏洞检测系统2.1 基于 TCN 的漏洞检测方法为实现网络教学课程信息窃取风险实时监测,根据TCN 网络的时序特征提取特性,构建一个基于 TCN 网络的漏洞检测系统 TCNDetector。TCNDetector 系统整体结构如图 2 所示。图 2 TCNDetector 系统整体结构由图 2 所示,TCNDetector 系统主要由输入层、TCN层、全连接层和 softmax 层组成。TCN 层的作用是对输入程序代码进行向量转换8;全连接层的作用是对提取特征进行非线性处理;softmax 层的作用是提取特征进行分类。2.2 基于自注意力机制的漏洞检测方法2.2.1 自注意力机制自注意力机制的基本原理为一个查询到一系列键-值对的映射。键值查询主要包括三个部分,分别为查询(Query),键(Key)和值(Value)。注意力机制的具体工作原理表现为:(1)基于输入向量获得 Query 向量和 Key 向量9;(2)求出 Query 向量和 Key 向量间的相关性 a;(3)获得每个 Key 的 Value 权重,并加权求和权重与其键值 Value。基于以上特性,自注意力机制在计算机视觉领域得到广泛应用,将其应用到神经网络中可实现缺陷预测类、恶意软件分类和网站检测。2.2.2 基于自注意力机制的漏洞检测方法 自注意力机制可实现目标细节信息关注和捕捉,将该机制应用到网络教学课程信息软件漏洞检测中后,即可得到基于自注意力机制的漏洞检测流程如图 3 所示。图 3 基于自注意力机制的漏洞检测流程12自动化与仪器仪表2023 年第 1 期(总第 279 期)图 3 中,此漏洞检测方法主要包括三个步骤。首先,输入训练程序和目标成成,并提取两个程序特征,生成相应的代码小工具;之后通过数据流分析程序切片,将其组装为代码小工具10。然后进入深度学习中的学习阶段,通过自注意机制进行漏洞提取特征关注,再将其输入至检测阶段进行漏洞检测,最终输出检测结果。为提升网络教学课程信息安全监测效果,提出对基于深度学习的漏洞检测系统 VulDeePecker 基础上加入自注意力机制,通过该机制作为一个神经网络层与BLSTM 相结合,构建一个引入自注意力机制的漏洞检测系统 VulDeePecker+。VulDeePecker+系统的整体结构如图 4 所示。图 4 VulDeePecker+系统结构 由图 4 可知,VulDeePecker+系统主要包括 BLSTM层、注意力层、全连接层。输入层接收固定长度的向量后,即可利用 BLSTM 层进行上下文历史信息特征提取析11;然后再通过注意力层对 BLSTM 层输入的特征信息进行关联分析,获取向量中的重要信息;全连接层则提取向量关联信息并通过 softmax 层进行特征分类和结果输出。2.3 基于 TCN 和自注意力机制的漏洞检测系统TCNDetector 漏洞检测方法虽然可通过深度学习对网络教学课程信息软件的漏洞特征进行自主学习和提取,但此方法的检测能力较低,局限于神经网络学习的特征,且在特征提取时易出现长期依赖问题,使得漏洞检测准确率不高12。因此,为解决此问题,提出在该网络基础上加入自注意力机制,以提升漏洞检测方法的检测能力,并将其与 TCN 网络相结合,构建一个性能更佳的基于 TCN 和自注意力机制的漏洞检测系统 TCNSADe-tector。该系统网络结构如图 5 所示。由图 5 可知,TCNSADetector 系统主要由 TCN 层、注意力层、全连接层和 softmax 层组成13。通过多个网络层进行网络教学课程信息软件漏洞信息检测后,可实现网络教学课程信息窃取实时检测,并取得较高的检测效果。图 5 TCNSADetector 系统神经网络结构 3 实验结果与分析3.1 实验环境和参数设置实验硬件配置选择 GPU 型号为 NVIDIA GeForce GTX1050Ti,ICPU 选择 ntel Core I5 8400 2.8 GHz 型号的实验环境下进行实验。为提升神经网络的特征提取能力和学习能力,分别将批处理大小、epochs 设置为 64 和10,优化器和损失函数分别选择采用 adam 优化器和二元交叉熵,学习率设置为 0.001,网络输入向量长度和dropout rate 分别设置为 100 和 0.514。3.2 实验数据 实验数据来源于公开数据集 VulDeePecker,该数据集中主要包括缓冲区错误漏洞和资源管理错误漏洞两种漏洞形式。该数据集主要的代码小工具分别为 BE-ALL、RM-ALL 和 HY-ALL;分别表示与缓冲区错误漏洞、资源管理错误漏洞和缓冲区错误+资源管理错误相关的代码小工具。具体数据分类如表 1 所示。表 1 数据集分类数据集代码小工具存在漏洞的代码小工具无漏洞的代码小工具BE-ALL41 66298 53330 527RM-ALL19 9746 94615 73911Y-ALL59 72118 41344 608实验将以上数据集分别用于网络训练和测试,训练集和测试集分配比例为 8:2。3.3 评价指标为更加客观地提出的漏洞检测方法的性能,实验分别采用准确率(A)、误报率(FPR)、漏报率(FNR)、精确率(P)和 F1 值(F1-measure 作为评价指标。准确率表示检测出有漏洞的样本和无漏洞的样本的正确性;误报率和漏报率分别表示误报样本和漏报样本在无漏洞和有漏洞样本中的占比15;精确率表示检测出有漏洞的样本的正确性;F1 值表示精确率和漏报率的综合指标。各个指标的具体表达式为:22网络教学课程信息窃取风险实时监测方法研究 安 心,等A=TP+TNTP+FP+TN+FN(5)FPR=FPFP+TN(6)FNR=FNTP+FN(7)P=TPTP+FP(8)F1=2P 1-FNR()P+1-FNR()(9)上式中,TP 和 FP 分别表示模型正确检测和正常样本分类为漏洞的样本数目;FN 和 TN 分别为模型将有漏洞和无漏洞样本进行正确分类的数目。3.4 实验结果3.4.1 TCNDetector 系统测试为验证 TCNDetector 漏洞检测系统的性能优势,实验将采用以上数据集应用到本系统和 VulDeePecker 漏洞检测系统中进行漏洞检测实验,得到实验结果如表 2所示。表 2 两个系统漏洞检测对比结果系统数据集准确率(%)误报率(%)漏报率(%)精确率(%)Fl 值(%)Vul Dee PeckerBE-ALL89.329.698.4988.5489.46RM-ALL93.578.543.9791.1793.12HY-ALL90.417.717.6590.5292.53TCN DetectorBE-ALL96.886.426.1496.7898.72RM-ALL97.345.732.8697.3297.49HY-ALL98.615.193.7896.6296.67由表 2 结果可知,提出的 TCNDetector 系统在三个不同数据集的准确率、精确率和 F1 值均在 96%及以上,相较于 VulDeePecker 漏洞检测系统明显更高,本系统的漏检率和误检率均低于相较于 VulDeePecker 漏洞检测系统。由此可知本系统的漏洞检测效果更好,其更能准确提取漏洞特征。且在三个不同的数据集中,RM-ALL数据集的漏洞检测效果最佳,主要原因是该数据集中的漏洞特征较少。为更好地看出 TCNDetector 漏洞检测系统时间开销和漏洞检测实时性,实验将分别对比 TCNDetector 系统与 VulDeePecker 系统进行漏洞检测的时间开销,即分别为训练时间和检测时间,最终得到对比结果如表 3所示。表 3 两个系统漏洞检测所用时间系统数据集训练时间(s)检测时间(s)VulDeePeckerBE-ALL1945.1330.56RM-ALL1 379.8116.98HY-ALL2 864.4548.88TCND etectorBE-ALL131.729.41RM-ALL116.147.93HY-ALL123.688.46由表 3 结果可知,VulDeePecker 系统在三个数据集中的训练时间均在 1 300 s 以上,检测时间均超过 17 s;而 TCNDetector 漏洞检测系统在三个数据集上的训练时间均保持在 130 s 左右;检测时间稳定在 10 s 范围内。对比可知,TCNDetector 系统进行漏洞检测的所用时间更短,检测效率更高,系统检测更具实时性和有效性。3.4.2 TCN 网络与其他时序神经网络的性能对比为进一步验证 TCN 神经网络在漏洞检测系统中的检测效果,实验将 TCN 神经网络与传统的时序神经网络GRU、LSTM、BGRU 和 BLSTM 应用到漏洞检测系统中进行漏洞检测,得到基于不同神经网络的漏洞系统检测结果如表 4 所示。表 4 五个神经网络的漏洞检测结果神经网络准确率(%)误报率(%)漏报率(%)精确率(%)Fl 值(%)GRU88.569.828.8791.2891.33LSTM91.4710.469.1391.4291.42BGRU89.688.747.5488.6490.58BLSTM90.699.118.3192.1790.49TCN97.815.435.5396.5997.32由表 4 对比结果可知,基于 TCN 神经网络的漏洞检测准确率、精确率和 F1 值分别为 97.81%、96.59%和97.32%;均高于另外四种神经网络漏洞检测结果;而TCN 网络的误报率和漏报率分别为 5.43%和 5.53%,另外几种模型均在 9%和 8%及以上,比 TCN 神经网络更高。由此可知,采用 TCN 神经网络可提升漏洞检测系统的检测准确率和精度,误检率和漏检率显著降低,漏洞检测效果更好。为更加直观地看出五种神经网络训练过程中的收敛效果,实验将训练时间作为神经网络检测漏洞的时间开销,并设置不同的 epochs 值评估五种神经网络模型的收敛速度和时间开销。最终得到五个神经网络在不同epochs 次数下的实验结果如图 6图 8 所示。图 6 五个时序神经网络的 loss 值对比由图 6 可知,随着 epochs 次数的不断增加,五种神经网络中 TCN 神经网络的收敛速度明显更快。epochs次数取值为 4 时,TCN 神经网络的 loss 值为 0.173 3;而另外四种神 经网络在 epochs 次数为 10 时,仅有BLSTM 网络的 loss 值为 0.173 8。由此说明 TCN 神经32自动化与仪器仪表2023 年第 1 期(总第 279 期)网络的收敛效果更好,可提升漏洞检测系统的检测性能。图 7 五个神经网络的 F1 值对比由图 7 结果可知,TCN 神经网络在 epochs 次数为 8时即可取得最佳收敛,F1 值取值为 93.5%;而其他神经网络在 epochs 次数为 10 时才逐渐收敛,F1 值均低于90%。由此证明,TCN 神经网络的收敛速度更快,漏洞检测准确度和精确度更高,可提升漏洞检测系统检测精度。图 8 五个神经网络的时间开销对比由图 8 对比结果可知,五种神经网络中,TCN 神经网络在 epochs 次数取值为 3 时,TCN 网络的准确率和 F1值分别为 92.48%和 93.56%,训练时间仅为 74.62 s;而另外几种模型的准确率和 F1 值在 epochs 次数取值为 10时才达到 90%,且训练时间超出 1 600 s。综合分析可知,相较于另外四种神经网络,TCN 神经网络的进行漏洞特征提取和检测时的所用时间更短,检测成本更低,可提升漏洞检测系统的检测速度和效率。3.4.3 TCNSADetector 系统性能验证为验证在 TCNDetector 漏洞检测系统中加基于自注意力机制 VulDeePecker+系统后的 TCNSADetector 系统有效性,实验将 TCNSADetector 系统与单一的 TCNDetec-tor 系统、VulDeePecker 系统和 VulDeePecker+系统进行漏洞检测实验对比分析,以验证 TCN 神经网络与自注意力机制相结合后漏洞检测系统的性能优势。对比结果如表 5 所示。表 5 四种不同系统检测漏洞对比结果系统数据集准确率(%)误报率(%)漏报率(%)精确率(%)Fl 值(%)VulDeePeckerBE-ALL92.249.948.3989.4690.44RM-ALL93.566.235.6792.5791.23HY-ALL90.489.177.5692.4292.55VulDeePecker+BE-ALL91.799.426.2291.1591.47RM-ALL92.136.345.6193.2793.26HY-ALL93.058.116.8791.0992.25TCND ctcctorBE-ALL93.416.988.5493.4593.14RM-ALL94.336.436.9193.6694.79HY-ALL92.785.887.3490.2792.16TCNSAD electorBE-ALL98.544.053.9697.3498.42RM-ALL96.954.142.0597.5896.59HY-ALL97.324.813.3796.9396.43由表 5 对比结果可知,TCNSADetector 系统在三个不同数据集中的漏洞检测准确率和精确率均保持在 96%及以上;F1 值为 98.42%、96.59%、96.43%;相较于另外三种单一漏洞检测系统,本系统的漏洞检测准确率、精确率和 F1 值明显更高,且漏检率和误检率均低于另外三种单一系统。综合分析可知,TCN 与自注意力机制相结合的漏洞检测系统的漏洞检测效果更加显著。说明加入自注意力机制后可提升漏洞检测能力和检测系统性能。为进一步验证 TCNSADetector 系统的性能是否优越,实验将本系统与传统的基于规则、基于代码相似性的 Flawfinder、Cppcheck、Splint 和 Vuddy 漏洞检测方法进行对比分析,实验对比结果如表 6 所示。表 6 不同漏洞检测系统的检测结果对比系统准确率(%)误报率(%)漏报率(%)精确率(%)Fl 值(%)Fl awfinder51.3243.6679.6624.4123.65Cppcheck36.1939.6861.3237.2534.43Splint52.0140.1557.4131.9929.84Vuddy50.4448.6269.3538.6426.71TCNSAD etc ctor95.485.814.9895.5196.42由表 6 对比结果可知,本系统的准确率、精确率和F1 值分别取值为 95.48%、95.51%和 96.42%,另外四种检测系统均在的准确率、精确率和 F1 值均保持在 45%、40%和 32%左右,均低于本系统。而本系统的误报率和漏报率分别为 5.81%和 4.98%,均低于另外四种模型。由此可知,对比于其他漏洞检测系统,本系统的漏洞检测准确率和精确率更高,漏洞检测误报率和漏报率更低,系统漏洞检测性能更为优越。4 结语综上所述,提出 TCNSADetector 系统具备可行性和有效性,该系统可取代传统安全专家手动定义漏洞检测方法,漏洞特征提取准确率和检测精度显著提升,降低42网络教学课程信息窃取风险实时监测方法研究 安 心,等了网络教学课程信息的窃取风险,提升了网络教学课程信息的安全性和稳定性。实验发现,对比于基于 GRU、LSTM、BGRU 和 BLSTM 神经网络的漏洞检测系统应用,CTN 神经网络的漏洞检测准确率和精确率明显更高,漏洞检测时间损耗更低,说明通过 CTN 神经网络作为基础神经网络可提升漏洞检测系统的检测速度和性能。在其基础上引入注意力机制后得到的 TCNSADetector 漏洞检测系统,对比于改进前的单一漏洞检测系统,改进后的系统的检测率均高于 95%,检测精度显著提升,说明提出的改进方法具备有效性。最后将本系统与传统的漏洞检测系统进行对比实验可知,本系统的漏检率和误检率更低,检测精度和 F1 值更高,漏洞检测效果更好,可在网络教学课程信息安全监测领域进行大力推广和应用。参考文献1 陈肇炫,邹德清,李珍,等.基于抽象语法树的智能化漏洞检测系统J.信息安全学报,2020,5(4):1-13.2 邹德清,李响,黄敏桓,等.基于图结构源代码切片的智能化漏洞检测系统J.网络与信息安全学报,2021,7(5):113-122.3 顾绵雪,孙鸿宇,韩丹,等.基于深度学习的软件安全漏洞挖掘J.计算机研究与发展,2021,58(10):2140-2162.4 倪萍,陈伟.基于模糊测试的反射型跨站脚本漏洞检测J.计算机应用,2021,41(9):2594-2601.5 汪哲,任怡,周凯,等.基于代码克隆检测的操作系统脆弱性分析方法J.计算机科学与探索,2021,15(9):1619-1631.6 张孝远,张金浩,蒋亚俊.基于改进 TCN 模型的动力电池健康状态评估J.储能科学与技术,2022,11(5):1617-1626.7 汪嘉伟,杨煦晨,琚生根,等.基于卷积神经网络和自注意力机制的文本分类模型J.四川大学学报(自然科学版),2020,57(3):469-475.8 黄宏宇,谷子丰.一种基于自注意力机制的文本图像生成对抗网络J.重庆大学学报,2020,43(3):55-61.9 陈斌,刘胜利,胡安祥,等.基于神经机器翻译的二进制函数相似性检测方法J.信息工程大学学报,2021,22(6):675-682.10 宁馨,易平.基于深度学习的动静结合的漏洞挖掘方法J.通信技术,2021,54(2):430-436.11 吴小王,方勇,贾鹏,等.基于动态分析的控制流劫持攻击检测J.四川大学学报(自然科学版),2021,58(3):73-79.12 熊琭.基于区块链技术的网络安全漏洞检测系统设计J.计算机测量与控制,2021,29(5):59-63.13 许健,陈平华,熊建斌.融合滑动窗口和哈希函数的代码漏洞检测模型J.计算机应用研究,2021,38(8):2394-2400.14 李玫,高庆,马森,等.面向代码相似性检测的相似哈希改进方法J.软件学报,2021,32(7):2242-2259.15 杜金莲,孙鹏飞,金雪云.一种用于威胁检测的反目标攻击树模型J.计算机科学,2021,48(S1):468-476.(上接第 19 页)5 钟州,张波,戚晓慧,等.多天线全双工中继辅助的异构蜂窝网物理层安全性能分析J.通信学报,2019,40(5):24-31.6 韩影,冀保峰,程琳,等.中继增强型大规模窃听系统保密传输设计J.计算机仿真,2022,39(2):153-160+347.7 张波,黄开枝,钟州,等.异构携能通信网络中人工噪声辅助的顽健能量与信息安全传输方案J.通信学报,2019,40(3):60-72.8 虞志刚,冯旭,黄照祥,等.通信、网络、计算融合的天地一体化信息网络体系架构研究J.电信科学,2022,38(4):11-29.9 陈玉宛,贾向东,范巧玲,等.基于非最佳用户级联方案的异构网络物理层安全研究J.计算机工程,2019,45(10):139-143+149.10 周猛,贾向东,颉满刚,等.混合 ADCs 大规模 MIMO 放大转发中继系统安全性能分析J.重庆邮电大学学报(自然科学版),2017,29(5):633-641.11 纪珊珊,贾向东,徐文娟,等.中继协作异构网用户对级联方案及安全概率分析J.信号处理,2018,34(6):697-706.12 顾升高,闫陈静,陈漠,等.现有技术应用于“星融网”建设过程中面临的安全风险初探J.网信军民融合,2018(10):68-71.13 朱龙隆,陈翰泽,程灵飞,等.拟态防御下的网络流量异常检测架构J.福州大学学报(自然科学版),2022,50(3):293-300.14 李振美.基于激光光斑定位的分布异构网络微小故障识别方法J.激光杂志,2022,43(5):171-175.15 连彦泽,梁丽,黄河,等.一种用于异构环境下的轻量级身份认证代理技术J.信息技术与信息化,2022(5):51-53+58.52自动化与仪器仪表2023 年第 1 期(总第 279 期)