Aim: Resilience refers to positive adaption in the face of stress or trauma. Assessing resilience is crucial in trauma‐related research and practice. The 10‐item Connor–Davidson Resilience Scale (CD‐RISC) has been demonstrated to be a valid and reliable tool to achieve this goal. This study was designed to examine the psychometric properties of the 10‐item CD‐RISC in a sample of Chinese earthquake victims. Methods: A total of 341 participants (185 women, 156 men) aged 20–63 years were recruited from a psychological relief program supported by the Institute of Psychology, Chinese Academy of Sciences following the ‘Wenchuan’ earthquake. The participants were given the 10‐item CD‐RISC and the 17‐item post‐traumatic stress disorder (PTSD) subscale of the Los Angeles Symptom Checklist (LASC) 4 months after the earthquake. Results: The results of exploratory factor analysis indicated that a single‐factor model consistent with the original design of the 10‐item CD‐RISC was support. The scale was also demonstrated to have good internal consistency (Cronbach's alpha = 0.91) and test–retest reliability ( r = 0.90 for a two‐week interval). Scores on the scale could reflect different levels of resilience in populations that are thought to be differentiated (probable PTSD vs healthy controls, t (339) = −7.60, P < 0.01, Cohen's d = 0.84). Moreover, the total resilience scores were significantly negatively correlated with scores on total PTSD scale and its three subscales for all participants. Conclusion: The Chinese version of the 10‐item CD‐RISC has excellent psychometric properties, and is applicable for Chinese people.

With the character of low maintenance, cloud computing provides an economical and efficient solution for sharing group resource among cloud users. Unfortunately, sharing data in a multi-owner manner while preserving data and identity privacy from an untrusted cloud is still a challenging issue, due to the frequent change of the membership. In this paper, we propose a secure multi-owner data sharing scheme, named Mona, for dynamic groups in the cloud. By leveraging group signature and dynamic broadcast encryption techniques, any cloud user can anonymously share data with others. Meanwhile, the storage overhead and encryption computation cost of our scheme are independent with the number of revoked users. In addition, we analyze the security of our scheme with rigorous proofs, and demonstrate the efficiency of our scheme in experiments.

Internet of Things (IoT) is an increasingly popular technology that enables physical devices, vehicles, home appliances, etc., to communicate and even inter operate with one another. It has been widely used in industrial production and social applications including smart home, healthcare, and industrial automation. While bringing unprecedented convenience, accessibility, and efficiency, IoT has caused acute security and privacy threats in recent years. There are increasing research works to ease these threats, but many problems remain open. To better understand the essential reasons of new IoT threats and the challenges in current research, this survey first proposes the concept of "IoT features." Then, we discuss the security and privacy effects of eight IoT features including the threats they cause, existing solutions to threats and research challenges yet to be solved. To help researchers follow the up-to-date works in this field, this paper finally illustrates the developing trend of IoT security research and reveals how IoT features affect existing security research by investigating most existing research works related to IoT security from 2013 to 2017.

Federated learning can combine a large number of scattered user groups and train models collaboratively without uploading data sets, so as to avoid the server collecting user sensitive data. However, the model of federated learning will expose the training set information of users, and the uneven amount of data owned by users in multiple users' scenarios will lead to the inefficiency of training. In this article, we propose a privacy-preserving federated learning scheme in fog computing. Acting as a participant, each fog node is enabled to collect Internet-of-Things (IoT) device data and complete the learning task in our scheme. Such design effectively improves the low training efficiency and model accuracy caused by the uneven distribution of data and the large gap of computing power. We enable IoT device data to satisfy ε -differential privacy to resist data attacks and leverage the combination of blinding and Paillier homomorphic encryption against model attacks, which realize the security aggregation of model parameters. In addition, we formally verified our scheme can not only guarantee both data security and model security but completely resist collusion attacks launched by multiple malicious entities. Our experiments based on the Fashion-MNIST data set prove that our scheme is highly efficient in practice.

Fuzz testing is an automated testing technique where random data is used as an input to software systems in order to reveal security bugs/vulnerabilities. Fuzzed inputs must be binaries embedded with compiled bytecodes when testing against ActionScript virtual machines (AVMs). The current fuzzing method for JavaScript-like virtual machines is very limited when applied to compiler-involved AVMs. The complete source code should be both grammatically and semantically valid to allow execution by first passing through the compiler. In this paper, we present ScriptGene, an algorithmic approach to overcome the additional complexity of generating valid ActionScript programs. First, nearly-valid code snippets are randomly generated, with some controls on instruction flow. Second, we present a novel mutation method where the former code snippets are lexically analyzed and mutated with runtime information of the AVM, which helps us to build context for undefined behaviours against compiler-check and produce a high code coverage. Accordingly, we have implemented and evaluated ScriptGene on three different versions of Adobe AVMs. Results demonstrate that ScriptGene not only covers almost all the blocks of the official test suite (Tamarin), but also is capable of nearly twice the code coverage. The discovery of six bugs missed by the official test suite demonstrates the effectiveness, validity and novelty of ScriptGene.

Spent all‐solid‐state sodium‐ion batteries (ASIBs) containing toxic and precious metal would be produced significantly and lead to resource waste and environmental pollution as the wide application of ASIBs in the near future. Therefore, it is necessary to develop green strategy for recovery of ASIBs. Here, we propose a safe, mild and green strategy to recover toxic and precious metals from cathode/solid electrolyte of ASIBs by using natural low‐melting mixture solvents (LoMMSs) with high selectivity and high leaching efficiency. Natural LoMMSs are abundant, natural available, cheap, non‐flammable, biodegradable and biocompatible. Results show that natural LoMMSs could leach nearly 100% Na and achieve superhigh Na/Zr selectivity of up to 58 from ASIBs at mild temperature, outperforming the recycling efficiency and selectivity of lithium‐ion batteries cathode. More importantly, we find that water could be used as a green and low‐cost anti‐solvent to precipitate the extracted metal from the leachate with low‐energy consumption at room temperature. This work provides a cost‐effective, energy‐saving, mild, green strategy for the recovery of cathode/solid electrolyte from spent ASIBs with high safety and high selectivity.