甘海瑞

• 数据预处理与特征工程：基于UNSW-NB15公开数据集，完成数据清洗、特征归一化、独热编码等预处理工作，并通过皮尔逊相关系数筛选关键特征，构建高质量训练集。

• 模型设计与优化：设计并实现了一种结合轻量级特征门控注意力模块（Squeeze-and-Excitation）的多层感知机深度神经网络（MLP DNN）。该注意力机制通过动态学习特征权重，实现特征的自适应重标定，有效提升了模型对关键特征的关注能力。

• 不平衡问题处理：引入SMOTE过采样技术对少数类进行样本增强，并采用焦点损失函数（Focal Loss）替代传统交叉熵损失，显著缓解了数据不平衡带来的性能下降问题。

• 实验对比与评估：在UNSW-NB15测试集上取得97.6%的分类准确率、97.8%的加权F1分数，攻击类召回率达到99%，正常类精确率达到100%。与决策树、随机森林、XGBoost等传统模型对比，准确率提升明显，验证了模型的有效性与先进性。

技术栈：Python， TensorFlow， Scikit-learn， SMOTE， Focal Loss

• 文献调研与方案设计：系统调研静态代码分析在安全检测领域的现有研究，重点梳理密码学误用检测的典型规则，提炼出10余项核心检测指标，为工具检测规则库的建立提供理论依据。

• 测试与质量保障
  负责工具的集成测试与回归测试，验证检测规则的准确率与召回率，协助定位并修复分析过程中的误报、漏报问题。

• 对外汇报与成果呈现
  作为项目对外汇报的主要负责人，定期向导师评审组汇报项目进展、技术方案及测试结论，并负责最终项目展示材料的组织与讲解，确保项目成果清晰传达。