XiaoMi-AI文件搜索系统
World File Search System分析器
人工智能参考架构
和来自 NGC 的应用程序（NVIDIA GPU Cloud） • • 完整的 AI 用户环境（Kuberne- tes (K8s) 支持、SLURM 支持、监控、科学库、编译器、分析器、调试器） • • 通过开放云 API 控制基础设施 • • 从单一界面管理整个基础设施，包括计算、存储和网络。• • 全面监控和警报 全面监控和警报 • • 支持虚拟机（用于培训和 POC）以及裸机配置 • • Web UI 门户支持文件传输、工作负载管理以及按需 VNC、RStudio 和 Jupyter 支持。按需 VNC、RStudio 和 Jupyter 支持。• • 无单点故障/零接触 无单点故障/零接触配置/滚动升级/零配置/滚动升级/零停机时间
使用 IMS 网络通过 VoLTE 和 VoWiFi 进行紧急呼叫的比较
摘要 — 紧急呼叫 (eCall) 服务是移动通信网络的重要组成部分，因为它可以帮助移动用户在警报情况下进行通信。eCall 服务已被 3G 网络广泛使用，并且可被 4G 长期演进 (LTE) 网络以及无线局域网 (WLAN) 网络使用，它们都使用 IP 多媒体子系统 (IMS) 核心。本文提供了有关如何在 IMS 上的长期演进语音 (VoLTE) 和 Wi-Fi 语音 (VoWiFi) 技术中使用 eCall 服务的指南。此外，本研究还评估了 VoLTE 和 VoWiFi 上呼叫的服务质量 (QoS)。此外，使用数据包分析器软件，详细分析了会话初始协议 (SIP) 消息头、每种技术收集用户位置信息的方式以及 VoLTE 和 VoWiFi 上 eCall 的信令过程。索引术语 — eCall、4G、VoLTE、VoWiFi
数据中心报告和建议
现行法规和指南 分区条例 3 目前 4 允许在下表 1 所示的分区内建立数据中心。 5 这些区域目前遍布全县，工业区主要位于县西部 50 号公路和 28 号公路沿线、杜勒斯收费公路沿线的赫恩登和雷斯顿地区、I-66 和 50 号公路之间的梅里菲尔德/马赛克地区、I-495 和 I-395 交叉口附近以及县南部的 I-95 沿线。可以使用分区分析器或 JADE 查看分区。 6 此外，附件 1 中列出了现有、已批准和拟议的数据中心及其周边分区的位置。如这些地图所示，现有数据中心位于 I-3、I-4、I-5 和 PTC 区，待审批的数据中心申请位于 I-5 和 PDC 区。 7
带有 RDMA 的 AI/ML/存储/HPC 无损网络
现代 AI 应用程序需要高带宽、无损、低延迟、可扩展、多租户网络，该网络可以以 100Gbps、200 Gbps、400Gbps、800Gbps 及更高的速度互连数百和数千个 GPU。Arista EOS Ⓡ（可扩展操作系统）提供了实现优质无损、高带宽、低延迟网络所需的所有工具。EOS 支持流量管理配置、可调整的缓冲区分配方案以及使用 PFC 和 DCQCN 来支持 RoCE 部署。如果无法了解网络缓冲区利用率，则配置适当的 PFC 和 ECN 阈值可能会很困难。Arista EOS 提供了一种称为延迟分析器 (LANZ) 的简单解决方案，它可以通过实时报告跟踪接口拥塞和排队延迟。这有助于将应用程序的性能与网络拥塞事件关联起来，从而可以最佳地配置 PFC 和 ECN 值以最适合应用程序的要求。
![arXiv:2207.06473v1 [cs.SE] 2022 年 7 月 13 日](/simg/g:\will\search\icon\source\e\efffe05335df607d2fa296c88b37941e2988d766.webp)
arXiv:2207.06473v1 [cs.SE] 2022 年 7 月 13 日
摘要。视频游戏开发人员使用游戏引擎作为管理游戏开发复杂方面的工具。虽然引擎在游戏的成功中发挥着重要作用，但据我们所知，它们通常是以封闭源代码的方式孤立地开发的，没有架构讨论、比较和项目之间的协作。在这项正在进行的工作中，我们比较了两个开源引擎的调用图：Godot 3.4.4 和 Urho3D 1.8。虽然静态分析工具可以在没有精确调用图路径的情况下为我们提供总体情况，但使用 Callgrind 等分析器还可以让我们查看调用顺序和频率。这些图表让我们深入了解引擎的设计。我们表明，通过使用 Callgrind，我们可以获得引擎架构的高级视图，并可用于理解它。在未来的工作中，我们打算将动态和静态分析应用于其他开源引擎，以了解架构模式及其对性能和维护等方面的影响。
Ledidi：设计诱导功能活动的基因组编辑
此后，人们提出了多种方法来快速设计表现出所需特征的生物序列。这些方法通常由两部分组成：产生序列的生成步骤和 oracle，即可以快速评估每个提议序列质量的模型。深度探索网络（Linder 等人）就是这样一种方法，它涉及一对以类似于生成对抗网络的方式生成和评估序列的网络。该方法通过惩罚相似序列对的生成来实现多样性。另一种方法通过使用基于参数条件密度估计的自适应采样方法（Brookes 等人，2019 年），放宽了 oracle 可区分的要求。第三种方法是编码器-解码器-分析器模型（Gupta 和 Kundaje，2019 年），它涉及训练三个神经网络来编码序列、解码序列并扰乱内部潜在状态，以使生成的序列表现出所需的特性。
网络取证的数据包分析
数据包分析是网络取证中的主要回溯技术，只要捕获的数据包细节足够详细，就可以回放特定时间点的整个网络流量。这可用于查找恶意在线行为、数据泄露、未经授权的网站访问、恶意软件感染和入侵企图的踪迹，并重建通过网络发送的图像文件、文档、电子邮件附件等。本文全面调查了数据包分析（包括深度数据包检查）在网络取证中的应用，并回顾了具有高级网络流量分类和模式识别功能的人工智能数据包分析方法。考虑到并非所有网络信息都可以在法庭上使用，本文详细介绍了可能被采纳的数字证据类型。从硬件设备和数据包分析器软件在网络取证中的潜在用途的角度，回顾了它们的属性。© 2019 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
Astrée：证明不存在运行时错误 - DI ENS
摘要：安全关键型嵌入式软件必须满足严格的质量要求。测试和验证消耗了很大一部分（且还在不断增长）的开发成本。近年来，基于语义的静态分析工具已在各种应用领域出现，从运行时错误分析到最坏情况执行时间预测。它们的吸引力在于，它们有可能在提供 100% 覆盖率的同时减少测试工作量，从而提高安全性。静态运行时错误分析适用于大型工业规模项目，并生成明确的运行时错误列表以及可能是真错误或误报的潜在运行时错误列表。过去，通常只修复明确的错误，因为由于大量误报，手动检查每个警报太耗时。因此无法证明运行时不存在错误。本文介绍了可参数化的静态分析器 Astrée。通过专业化和参数化，Astrée 可以适应所分析的软件。这使得 Astrée 能够高效地计算出精确的结果。Astrée 已成功用于分析大型安全关键型航空电子软件，且误报率为零。
Astrée：证明不存在运行时错误 - APR
摘要：安全关键型嵌入式软件必须满足严格的质量要求。测试和验证占开发成本的很大一部分，而且这一比例还在不断增长。近年来，基于语义的静态分析工具已出现在各种应用领域，从运行时错误分析到最坏情况执行时间预测。它们的吸引力在于，它们有可能在提供 100% 覆盖率的同时减少测试工作量，从而提高安全性。静态运行时错误分析适用于大型工业规模项目，并生成确定的运行时错误和潜在运行时错误的列表，这些错误可能是真错误，也可能是误报。过去，通常只修复确定的错误，因为由于大量误报，手动检查每个警报太耗时。因此，无法提供运行时错误不存在的证据。本文介绍了可参数化的静态分析器 Astrée。通过专业化和参数化，Astrée 可以适应所分析的软件。这使得 Astrée 能够高效计算出精确的结果。Astrée 已成功用于分析大型安全关键型航空电子软件，且误报率为零。