武汉大学学报（理学版）

 

  • 主编：邓子新
  • 影响因子：1.821(CNKI)
  • ISSN:1671-8836
  • CN:42-1674/N
  • 主办单位：武汉大学
  • 出版周期：双月刊
  • 电话：027-68756952
  • 邮箱：whdz@whu.edu.cn
  • 地址：湖北省武汉市武昌区武汉大学文理学部本科生院楼北楼504

 

快捷入口

  • 作者投稿
  • 专家审稿
  • 编辑办公
更多
  • 最新文章
  • 优先出版
  • 过刊浏览
  • 视频速递
更多
Volume 71 期 2，2025 2025年71卷第2期

  • 观点

    “在人工智能领域，专家建立了深度学习体系，为智能技术发展提供新方向。”

    周芷璇, 刘太巧, 赵骏磊, 张召富

    DOI：10.14188/j.1671-8836.2024.0170
      
    58
    |
    86
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 82310327 false
    更新时间：2025-04-29

  • 综述

    “在数字化生活领域，专家深入分析了Android多开应用的安全威胁，评估了角色间协同作用可能导致的风险，为解决多开应用安全问题提供解决方案。”

    傅建明, 李萌, 刘畅

    DOI：10.14188/j.1671-8836.2023.0261
    摘要：Android多开应用随着数字化生活的普及和快速发展，已成为人们网络生活中的重要需求。它主要通过应用间共享UID（User ID）突破Android权限机制的限制，利用应用层虚拟化技术实现应用免安装。但这也导致数据隐私在多开环境里被完全暴露，引入了巨大的安全风险，多开环境中多方角色的复杂交互进一步增加了安全威胁的多样性和隐蔽性。为全面理解和解决多开应用中的安全问题，本文深入分析多开应用中的安全威胁，并评估了角色间协同作用可能导致的安全风险。系统梳理了虚拟化框架的关键指纹特征，并总结了现有的攻击手段及防御策略。最后，指出了当前研究的局限性，并对未来的研究方向进行了探讨，以期推动Android多开应用安全技术的持续发展。  
    关键词：移动安全;应用层虚拟化;多开应用;安全威胁   
    161
    |
    355
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 56713107 false
    更新时间：2025-04-29
    “在网络异常流量检测领域，专家全面综述了基于深度学习的研究现状和未来方向，为网络安全维护提供新思路。”

    杨宏宇, 张豪豪, 胡泽, 成翔

    DOI：10.14188/j.1671-8836.2024.0043
    摘要：数据量的迅速增长和流量模式的多样性使得网络异常流量检测变得愈加复杂，有效的网络异常流量检测能够及时发现潜在的网络威胁和攻击行为，维护网络安全。本文对基于深度学习的网络异常流量检测的研究现状、面临的挑战和未来研究方向进行全面综述。首先，详细阐述网络异常流量检测的基本概念和检测流程，并对常用的网络异常流量检测数据集进行分析介绍。然后，详细分析卷积神经网络、双向长短期记忆网络、自编码器、生成对抗网络、图神经网络和自然语言处理等深度学习方法在异常流量检测中的优势和局限。最后，深入讨论基于深度学习的网络异常流量检测方法面临的主要挑战，并提出未来研究方向。  
    关键词：异常流量检测;流量分析;网络安全;深度学习   
    1110
    |
    254
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 75892576 false
    更新时间：2025-04-29

  • 信息安全与密码学

    “在深度伪造检测领域，研究者提出了音脸协同驱动的SFSD算法，通过多模态模型SFformer提升检测性能，为伪造视频识别提供新方案。”

    李志鲲, 叶登攀

    DOI：10.14188/j.1671-8836.2023.0079
    摘要：主流的伪造检测方法从视觉单模态出发，通过检测视频帧中的伪影进行伪造检测，然而不同伪造方法会引入不同的伪影，导致这类方法有受限的性能和较差的泛化能力。同时，当前利用音频信息进行伪造检测的工作并没有充分利用音频信息发掘视觉模态的篡改。观察到自然视频中的音频和人脸具有内在协同性，而伪造方法均会对这种特性造成破坏，因此本文提出了一种音脸协同驱动的深度伪造检测算法，称为SFSD（Speech-Face Synergy Detect）。该算法提出了音脸协同对比学习策略，在通用视频数据集上构建样本，模拟伪造方法对音脸协同性的破坏，实现了对大量无标注真实视频的利用，提升了模型性能和泛化能力。算法构建了多模态模型SFformer（Speech-Face Transformer），其通过注意力瓶颈引导音脸模态浓缩并交融必要的信息，减少冗余信息的干扰，提升了模型的特征提取能力并改进了检测性能。在公开数据集FakeAVCeleb上的大量实验表明，SFSD在预训练后准确率为72.12%，超越部分基准方法；在经过迁移训练后准确率达到89.51%，高于先前工作，并且泛化能力有所提升。  
    关键词：伪造检测;对比学习;多模态融合   
    120
    |
    132
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 77610723 false
    更新时间：2025-04-29
查看更多
  • 虚拟专辑
  • 精选图片
更多
杂交水稻

杂交水稻

机器学习

机器学习

区块链

区块链

图染色和图标号理论及算法

图染色和图标号理论及算法

分析化学

分析化学

环境科学

环境科学

生物学

生物学

先进材料

先进材料

查看更多
批量引用
0