一、《计算机科学与技术》校级重点学科

（一）研究方向：多媒体技术与数字媒体创新应用

负责人：韩丽娜 成员：潘素、田甜、许伟、吴楠、刘敏钰、杨莉杰、毛新康

1.1研究方向简介

多媒体技术与数字媒体创新应用主要是通过现代计算和通信手段，综合处理文字、声音、图形、图像等信息，使抽象的信息变成可感知、可管理和可交互。主要研究数字媒体信息的获取、处理、存储、传播、管理、安全、输出等相关的理论、方法、技术与系统。该方向包括场景设计、角色形象设计、游戏程序设计、多媒体后期处理、人机交互技术，主要针对游戏开发、互动媒体、影视编辑、网站美工和创意设计类的技术及应用。

1.2研究目标

①融合“技术+艺术”的培养思路，科学合理的设计人才培养模式。

②了解熟悉多媒体产业的发展现状、行业规范文化等，掌握社会人才需求特点及要求，设置课程计划。

③精准把握市场需求，提高教师、学生的理论和技能水平。

④加强实践练习，通过以赛代练，从竞赛中学习和突破，提高教师、学生的创新创业能力。

（二）研究方向：大数据分析与智能决策支持

负责人：邓志龙 成员：薛鸿民、刘闫锋、张秀、刘春娟、张敏、张司娜

2.1研究方向简介

大数据分析与智能决策支持主要是基于大数据处理平台结合大数据特性，对海量数据运用数据处理、统计和分析、数据挖掘及模型预测等分析算法对大数据决策的特点进行归纳，主要包括智能决策支持系统、不确定性处理、信息融合、关联分析和增量分析等，以基于大数据的智能决策推动智能经济、智能服务、智能制造的发展。

2.2研究目标：

①跟踪大数据的最新研究进展，开展大数据环境下智能决策领域的研究，科学合理的设计人才培养模式。

②以数据共享、整合和分析为基础，建立大数据分析共享平台，促进产学研协同创新。

③精准把握市场需求，研究数据获取、处理、分析、支持决策的技术评估与预测模型，锻炼师生将理论知识解决实际问题的能力。

④瞄准学科领域前沿，进行国际、国内合作与交流，开展高水平学术交流活动，努力取得一批高水平研究成果，为陕西学前师范学院一流专业建设提供有力支持。

⑤以国家人才战略为牵引，通过多学科交叉融合，努力培养具有大数据思维和智能决策分析与创新能力的复合型人才。

⑥熟悉大数据处理技术、区域特色的大数据行业应用等，掌握社会人才需求特点及要求，设置课程计划，提升高校服务经济社会的能力。

二、《网络空间安全》校级重点扶持学科

（一）研究方向：物联网信息安全

负责人：刘炜 成员：董洋溢、杨丽军、高亚娴、何柳、田甜、杨甜甜

1.1研究方向简介

随着物联网的广泛应用，其系统所遭受的网络安全威胁与日俱增，为保障物联网系统不受网络攻击的危害，应用物联网信息安全防护技术，研究针对物联网系统的安全防护策略。

对于数据采集层中的物联网终端设备，采用端口扫描检测、暴力破解检测，并与防火墙进行联动防御的方式进行设备防护；对于数据传输层，采用TLS对传输数据进行加密、X509证书进行设备身份认证的方式来防御数据窃取和中间人攻击；对于数据处理层，采用基于白名单的深度包检测方法对通信服务器进行访问控制。通过以上研究，均能有效防御相关的网络攻击，能够保障工业物联网系统安全、稳定地运行。

1.2研究目标

①研究针对物联网僵尸网络病毒的安全防护方法

研究以Mirai为代表的物联网僵尸网络病毒对物联网终端设备的感染方法，设计基于snort和iptables防火墙联动的方法来防御端口扫描，以及通过iptables的访问控制功能限制远程登录次数的方法来防御暴力字典破解攻击。

②研究适用于MQTT协议的通信加密和身份认证方法

对数据传输层MQTT协议，使用互联网应用中广泛采用的TLS加密技术来对MQTT协议的通信过程进行加密，防止MQTT通信数据泄露；在TLS加密的基础上，引入基于X509数字证书的身份认证方法，降低遭到中间人攻击的可能性。

③研究基于深度包检测的访问控制防护模块对MQTT协议的控制报文结构进行分析，以白名单访问控制策略为基础，设计从TCP/IP数据流和应用层MQTT协议报文这两方面进行流量检测的深度包防护模块，限制不符合MQTT协议规约的数据包对MQTT服务器的访问。

④研究基于朴素贝叶斯的异常流量检测防护模块将朴素贝叶斯分类算法应用到流量检测，选取适当的MQTT协议特征对分类器进行训练，构建基于朴素贝叶斯分类器的MQTT异常流量检测模块，对数据处理层中的MQTT协议流量进行实时监控，保护MQTT服务器的通信安全。

（二）研究方向：基于深度学习的网络入侵检测研究

负责人：薛鸿民 成员：邓志龙、张秀、董洋溢、张司娜、王春娟

2.1研究方向简介

随着网络技术和网络应用的快速发展，产生了更多类型的病毒和攻击，本研究方向以快速高效的IDS（入侵检测系统）来应对当前复杂网络环境。研究基于一种多元相关性-长短时记忆网络的网络入侵检测模型，该模型不需要设计特征选择方法，直接用深度学习模型来学习高维数据的表征性特征。首先通过信息增益特征选择模块选择出最优的特征子集，然后利用多元相关性分析算法将特征子集转换为TAM矩阵，最后将TAM矩阵输入到长短时记忆网络模块中进行训练和测试。为了更好地展现该模型的性能，与现有的卷积神经网络、循环神经网络、深度森林、支持向量机和K最近邻等方法的性能进行了对比分析。通过以上研究，解决传统的基于机器学习的入侵检测系统出现检测精度低、漏报率高、以及对降维算法的依赖等问题。

2.2研究目标

①研究基于多元相关性-长短时记忆网络的网络入侵检测模型首先，通过信息增益特征选择算法选择出最优的特征子集，降低数据维度。然后，用多元相关性分析算法将特征子集转换为TAM矩阵。最终，将TAM矩阵转换为TAM灰度图的形式输入到长短时记忆网络中进行训练和测试。

②研究卷积神经网络-双向长短时记忆网络和分类器的入侵检测模型设计一种基于卷积神经网络双向长短时记忆网络和分类器的入侵检测模型，将决策树和混合的深度学习模型相结合，因此不需要设计特征选择方法，直接用深度学习模型来学习高维数据的表征性特征。将深度学习模型学习到的表征特征输入到分类器中进行分类。

③研究基于双向长短时记忆网络与分类器的网络入侵检测模型

研究采用双向长短时记忆网络的隐藏层提取入侵检测数据集的特征，最大程度保留流量属性特征的同时还能降低数据维度。