建立了白酒中安赛蜜、糖精钠、甜蜜素、三氯蔗糖、阿斯巴甜和纽甜6种甜味剂的高效液相色谱-串联质谱（HPLC-MS/MS）分析方法。白酒样品经微孔滤膜过滤后,以乙腈和含0.1%甲酸的水溶液为流动相,在ZORBAX Eclipse Plus C18色谱柱上进行分离...建立了白酒中安赛蜜、糖精钠、甜蜜素、三氯蔗糖、阿斯巴甜和纽甜6种甜味剂的高效液相色谱-串联质谱（HPLC-MS/MS）分析方法。白酒样品经微孔滤膜过滤后,以乙腈和含0.1%甲酸的水溶液为流动相,在ZORBAX Eclipse Plus C18色谱柱上进行分离,以电喷雾多反应监测（MRM）模式进行质谱分析。研究结果表明,6种甜味剂在检测范围内均具有良好的线性关系（R2〉0.997）;方法的检出限LOD（S/N=3）分别为0.36μg/L、1.30μg/L、0.54μg/L、4.08μg/L、0.15μg/L和0.003μg/L,定量限LOQ（S/N=10）分别为1.21μg/L、4.34μg/L、1.80μg/L、13.61μg/L、0.49μg/L和0.01μg/L;样品的回收率分别为95.2%~97.5%、95.4%~98.7%、97.0%~97.8%、98.3%~100.7%、96.1%~99.9%和93.4%~98.6%;相对标准偏差分别为0.83~3.34、1.80~3.42、1.17~3.14、0.70~3.10、0.29~1.10和0.25~3.30。该分析方法前处理简单、灵敏度高、重现性好、分析速度快,可用于白酒中甜味剂的检测。展开更多
移动平台上的应用软件私密信息泄露漏洞关注违背用户意愿的接口或数据暴露,而泄露形式和内容的复杂性增添了该类漏洞的检测难度.现有方法主要利用传统的静态数据流分析及动态监控等技术,易发生漏报和误报,且无法处理隐式信息泄露问题....移动平台上的应用软件私密信息泄露漏洞关注违背用户意愿的接口或数据暴露,而泄露形式和内容的复杂性增添了该类漏洞的检测难度.现有方法主要利用传统的静态数据流分析及动态监控等技术,易发生漏报和误报,且无法处理隐式信息泄露问题.该文首次将基于线性时序逻辑(Linear Temporal Logic,LTL)的模型检测技术应用于移动软件信息泄露检测上,提出了一种基于安全要素语句插装的泄露检测方法.文章首先针对代码中的安全要素提出一种信息泄露抽象关系模型;其次设计驱动生成规则和插装算法,在目标应用上生成可规约系统;继而设计具有通用意义的LTL泄露检测属性并利用符号执行技术优化检测算法;最后构建支持移动平台的模拟方法库,开发了原型检测系统(Leakage Finder of Android,LFDroid).公开数据集实验及对比分析表明,该文方法可以为含有隐式信息泄露数据集提供更为精确的漏洞检测,相较于传统方法准确率和召回率均具有明显优势,除此之外亦发现了3个真实移动应用的5个隐式泄露漏洞威胁.展开更多
文摘建立了白酒中安赛蜜、糖精钠、甜蜜素、三氯蔗糖、阿斯巴甜和纽甜6种甜味剂的高效液相色谱-串联质谱（HPLC-MS/MS）分析方法。白酒样品经微孔滤膜过滤后,以乙腈和含0.1%甲酸的水溶液为流动相,在ZORBAX Eclipse Plus C18色谱柱上进行分离,以电喷雾多反应监测（MRM）模式进行质谱分析。研究结果表明,6种甜味剂在检测范围内均具有良好的线性关系（R2〉0.997）;方法的检出限LOD（S/N=3）分别为0.36μg/L、1.30μg/L、0.54μg/L、4.08μg/L、0.15μg/L和0.003μg/L,定量限LOQ（S/N=10）分别为1.21μg/L、4.34μg/L、1.80μg/L、13.61μg/L、0.49μg/L和0.01μg/L;样品的回收率分别为95.2%~97.5%、95.4%~98.7%、97.0%~97.8%、98.3%~100.7%、96.1%~99.9%和93.4%~98.6%;相对标准偏差分别为0.83~3.34、1.80~3.42、1.17~3.14、0.70~3.10、0.29~1.10和0.25~3.30。该分析方法前处理简单、灵敏度高、重现性好、分析速度快,可用于白酒中甜味剂的检测。
文摘移动平台上的应用软件私密信息泄露漏洞关注违背用户意愿的接口或数据暴露,而泄露形式和内容的复杂性增添了该类漏洞的检测难度.现有方法主要利用传统的静态数据流分析及动态监控等技术,易发生漏报和误报,且无法处理隐式信息泄露问题.该文首次将基于线性时序逻辑(Linear Temporal Logic,LTL)的模型检测技术应用于移动软件信息泄露检测上,提出了一种基于安全要素语句插装的泄露检测方法.文章首先针对代码中的安全要素提出一种信息泄露抽象关系模型;其次设计驱动生成规则和插装算法,在目标应用上生成可规约系统;继而设计具有通用意义的LTL泄露检测属性并利用符号执行技术优化检测算法;最后构建支持移动平台的模拟方法库,开发了原型检测系统(Leakage Finder of Android,LFDroid).公开数据集实验及对比分析表明,该文方法可以为含有隐式信息泄露数据集提供更为精确的漏洞检测,相较于传统方法准确率和召回率均具有明显优势,除此之外亦发现了3个真实移动应用的5个隐式泄露漏洞威胁.
