AFL是2015年年初开始流行的一款Linux下的Fuzzer，创新性的引入了forkserver和遗传算法等特性，凭借出色的执行速度和Fuzzing策略在众多软件中发现安全漏洞。

众多安全研究人员也都开始尝试将其移植到Windows平台。主要解决的问题，主要有两个，一是Windows平台下没有fork()，因此无法通过实现forkserver来避免进程初始化的开销，意味着执行速度的损失；二是Win下多为闭源软件，因此无法通过AFL采用的编译时插桩获取执行的trace。

演讲主要着眼于解决或者避免上述问题，使Fuzzer也能获得可观的速度和效率。Fuzzer于7月31号开始运行，目标软件为flashplayer，运行结果也将在演讲中加以介绍和分析。

当前网络规模不断扩大，网络环境日趋复杂，安全威胁也日益加剧，网络态势感知是在此大数据背景下的时代产物。网络安全态势感知包含态势理解、态势评估、态势预测及态势可视化4个环节。态势评估是网络态势感知的核心环节，针对评估方法中的粗糙集方法，由于粗糙集只能应对离散型的态势因子，对于连续型的态势因子需要做离散化处理，离散化方法将损失精度，若离散化方法选取不当，甚至将改变原始态势信息。模糊粗糙集方法是粗糙集的扩展方法，利用模糊集在描述模糊性上的优势，使得该方法能够直接处理连续型态势因子，但由于计算时间复杂度过高，难以应对大规模数据。通过大量实践，我们得出了一种基于聚合的模糊粗糙集方法，该方法通过一种规则聚合方式，缩减了规则数量，并通过定义聚合后规则的相似性度量，继而应用模糊粗糙集方法进行属性约简，得到约简的态势决策规则，使得模糊粗糙集方法在时间复杂度上变得可行。