该文推广了Liu Fang等人(2010)给出的周期为pn, p为奇素数，n为正整数的广义分圆序列的构造，并确定了新构造序列的线性复杂度和自相关函数值的分布。结果表明，推广的构造保持了原构造的高线性复杂度等伪随机特性。由于取值更灵活，较之原构造新构造序列的数量要大得多。

通过对Xu(2004)和Zhang(2004)提出的两种环签名方案进行分析，指出了这两种环签名方案都容易受到群成员改变攻击(group-changing attack)，并给出了攻击方法；另外，Zhang的方案还容易受到多已知签名存在伪造(multiple-known-signature existential forgery)攻击。为防范这两种攻击，对这两种环签名方案进行了改进，改进后的方案在最强的安全模型(Joseph, 2004提出)中仍是安全的。

该文讨论了Fang等人(2011)新近提出的一个安全高效的基于智能卡的远程用户口令认证方案，指出原方案无法实现所声称的抗离线口令猜测攻击，对平行会话攻击和已知密钥攻击是脆弱的，并且存在用户口令更新友好性差问题。给出一个改进方案，对其进行了安全性和效率分析。分析结果表明，改进方案弥补了原方案的安全缺陷，保持了较高的效率，适用于安全需求较高的资源受限应用环境。

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限，以及各通道特征图没有区分的问题，该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积，增强隐写检测模型对高阶特征的表达能力；同时引入通道加权模块，实现根据全局信息对每个卷积通道赋予不同的权重，增强有用特征并抑制无用特征，增强模型提取检测特征的质量。实验结果表明，该检测模型针对不同典型隐写算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的检测准确率，与最优的Zhu-Net相比，准确率提高1.95%～6.15%。