欢迎访问南京邮电大学计算机学院、软件学院、网络空间安全学院!   |  联系我们
首页 > 学术交流 > 文章详情

青年博士论坛预告2017年9月20日(周三) 9:30-11:30

来源: 计算机学院 | 发表时间: 2017-09-15 | 浏览次数: 242

时间:920(周三) 9:30-11:30

  

地点:仙林校区计算机学科楼327会议室

  

报告人:吴显燕

题目:图像文件雕复

摘要:

文件雕复是一种利用文件格式和文件内容,不依赖任何文件系统信息,进行的文件恢复的取证技术。 通过该技术, 取证人员可以从犯罪嫌疑人的硬盘上恢复出被通过隐藏、删除、格式化等手段抹除的电子证据。 我们研究图像文件雕复问题以服务于数字取证调查。本报告将介绍我们在图像文件碎片重组、宽度估计和重组图像文件质量方面的工作。

报告人简介:


哈尔滨工业大学计算机科学与技术学院在读博士,分别于2009年和2005从哈尔滨工业大学数学系获得硕士学位和学士学位。主要研究方向包括: 图像文件雕复、图像取证、前背景分割、图像处理、信息安全。以第一作者已发表学术论文5篇,其中SCI论文3篇, 会议论文2篇。在投SCI论文一篇。参与军863项目2项,国家自然科学基金2项。获哈尔滨工业大学优秀硕士奖1项。

  




报告人:袁书寒

题目:基于深度神经网络的恶意用户检测

摘要:

Wikipedia作为最大的在线知识库依赖于成千上万自愿者的编辑和贡献。众包的机制使得Wikipedia可以迅速的发展。然而,由于Wikipedia的开放性,其也吸引了大量的恶意用户,这些恶意用户通过提交错误或虚假的信息破坏Wikipedia文章的质量。这些错误的信息不仅影响着Wikipedia的读者,同时也会对依赖Wikipedia的搜索引擎或问答系统产生不良的影响。Wikipedia已经部署了许多自动化编辑检查工具(如,ClueBot NGSTiki)来防止恶意用户对Wikipedia的破坏。这些工具通常通过启发式规则来检测或恢复对文章的恶意篡改。然而,由于现有的工具主要依赖于人工定义特征或规则,一旦恶意用户也掌握了这些规则,可以通过改变行为方式的方法规避现有的检测工具。本报告主要介绍基于深度学习的恶意用户检测方法,深度学习由于自动的发现数据特征,从而有效避免繁琐的人工参与。首先介绍一种基于网络表示学习的恶意用户检测方法,该方法将用户表示为符号网络(Signed Network)中的节点,进而将用户(节点)表示为低维空间中的向量,该向量刻画了用户间在编辑文本上的结构关系,从而识别出恶意用户。进一步介绍恶意用户的实时检测方法,该方法将用户的文本编辑历史看作一个序列,利用循环神经网络将用户表示为用户向量,方法可以实时检测出恶意用户,并能发现潜在的恶意用户团伙。

报告人简介:

同济大学博士研究生,预计于201712月毕业。在此之前,分别于2009年和2012年获得华侨大学网络工程专业学士学位和计算机应用技术专业硕士学位。博士期间获国家留学基金委联合培养博士研究生项目资助,于20159月至20178月在美国阿肯色大学交流访问两年。主要研究方向为深度学习及其在自然语言处理和社交网络挖掘上的应用,数据安全与隐私保护。研究成果发表在the IEEE International Conference on Data Mining (ICDM)European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML/PKDD)等计算机主流会议和刊物上。博士期间担任CIKM 2017程序委员会委员(短文),以及KDD 2017, ICDM 2016, SDM 2016的审稿人。