摘要：开发者通常会为其开源代码选择不同的开源许可证来约束其使用条件,以期能有效地保护知识产权和维持软件的长远发展.然而,现有的开源许可证种类繁杂,开发者难以了解不同开源许可证间的差异,并且难以通过现有的开源许可证选择工具做出合适的选择——其使用要求开发者了解开源许可证相关条款并明确自己的业务需求.学术界虽然对开源许可证已有研究,但是对开发者选择开源许可证的实际困难并无系统的分析进而缺乏清晰的认知.有鉴于此,旨在从开源开发者角度出发,理解其选择开源许可证的困难,并通过分析开源许可证的组成要素和影响开源许可证选择的因素,为开源许可证的选择提供借鉴.设计问卷并随机调研了参与GitHub开源项目的200名开发者.通过对53个反馈结果采用主题分析,发现开发者选择开源许可证通常面临条款内容太复杂和考虑因素不确定这两方面的困难.通过分析GitHub上3346168个代码仓库中使用最广泛的10种开源许可证,建立了包含10个维度的开源许可证框架.通过借鉴计划行为理论,从行为态度、主观规范和知觉行为控制3方面提出了影响许可证选择的9大要素,通过开发者调研验证了它们的相关性,并进一步通过拟合次序回归模型验证了项目特征与许可证选择的关系.研究结果能加深开发者对开源许可证内容的理解,为开发者结合自身需求选择合适的许可证提供决策支持,并为实现基于用户需求的开源许可证选择工具提供借鉴.

摘要：深度神经网络拥有出色的特征提取能力,这使它们能够从人类难以察觉和理解的样本中提取和学习特征.这种能力一直是深度神经网络快速发展和广泛部署的推动力,近年来它们在医疗成像、自动驾驶、遥感观测和人脸识别等多个领域都有出色表现.然而,这种强大的特征提取能力也带来了一些潜在的安全风险.研究人员发现,深度神经网络模型很容易受到对抗样本的影响,即使少量精心设计的扰动也会导致模型产生错误的结果.为了探索深度神经网络的安全威胁和模型的鲁棒性,对抗攻击研究成为一项重要工作.在这项研究中,本文提出了一种基于贝叶斯优化的瞬间激光物理对抗攻击方法,利用有效曝光时间和激光的快速性在合适的时机发起真正不引起人眼察觉的瞬间攻击,检验了激光对抗攻击在数字域和物理域的有效性,并探讨了这种攻击方法在自动驾驶场景下可能产生的威胁.此外,在物理实验中验证了瞬间攻击的存在性并对其进行了分析,验证了针对自动驾驶系统的激光攻击存在合适的攻击窗口.