XiaoMi-AI文件搜索系统
World File Search System安全检测
Edge-Cloud LLM Systems中提示安全性和系统性能的联合优化
摘要 - LARGE语言模型（LLMS）具有显着促进人类的生活，并且迅速的工程提高了这些模型的效率。然而，近年来，迅速授权的攻击迅速增加，导致隐私泄漏，延迟增加和系统资源浪费等问题。提出了通过从人类反馈（RLHF）进行加强学习的基于安全性调整的方法以使LLM对齐，但现有的安全机制无法应对官方提示攻击，强调了在提示上执行安全检测的必要性。在本文中，我们在各种及时攻击下共同考虑Edge-Cloud LLM（EC-LLM）系统中的及时安全性，服务延迟和系统资源优化。为了增强提示安全性，提出了启用矢量数据库的轻质攻击检测器。我们将联合及时检测，延迟和资源优化的问题形式化为多阶段动态贝叶斯游戏模型。平衡策略是通过通过贝叶斯更新在每个阶段预测恶意任务的数量和更新信念来确定的。对实施的EC-LLM系统进行了评估，并且与最先进的算法相比，我们的方法提供了增强的安全性，减少良性用户的服务潜伏期，并减少系统资源消耗。索引术语 - 提示攻击，edge-cloud，llm，资源运行，贝叶斯游戏
微型综述 基于适体的电化学传感器快速检测兽药残留 黄世强 1,2,*，陈明文 2，宣哲 1
1 广东省农产品质量安全检测中心有限公司，广州市天河区粤垦路桥园街 20 号 2 楼，邮编 510507 2 广东省农商热带农业研究所，广州市增城区中信镇学院南路农商研究院科技大楼，邮编 511365 3 仲恺农业工程学院，广州市海珠区仲恺路 501 号，邮编 510225 * E-mail: dundou91369@163.com 收稿日期：2019 年 12 月 2 日 / 接受日期：2020 年 1 月 15 日 / 发表日期：2020 年 4 月 10 日 由于基于适体的生物传感器制备简单、易于修改，同时具有良好的稳定性和广泛的结合靶标，因此引起了众多研究者的关注。本文基于适体的基本原理和电化学适体生物传感器领域的最新研究成果，对电化学技术在兽药残留检测适体生物传感器领域的最新发展进行了综述，并展望了未来发展前景。关键词：适体；电化学传感器；兽药残留；β-激动剂；硝基呋喃；氟喹诺酮类 1.引言
使用边缘计算框架
摘要：在现实捕捉技术和人工智能（AI）的进步驱动的驱动到施工站点上，图像分类越来越多地用于自动化项目监视。部署实时应用程序仍然是一个挑战，尤其是在远程施工站点上，由于建筑物内的高信号衰减，电信支持或访问有限。为了解决此问题，本研究提出了一个有效的启用边缘计算的图像分类框架，以支持实时构造AI应用程序。使用Mobilenet转移学习开发了轻量级的二进制图像分类器，然后进行量化过程，以降低模型大小，同时保持准确性。组装了一个完整的Edge计算硬件模块，包括Raspberry Pi，Edge TPU和电池等组件，并将多模式软件模块（包含视觉，文本和音频数据）集成到边缘计算环境中以启用智能图像分类系统。部署了两项涉及材料分类和安全检测的实际案例研究，以证明拟议框架的有效性。结果证明了开发的原型成功同步多模式机制，并在分化材料中达到了零延迟，并识别危险的指甲而没有任何Internet连接。建筑经理可以利用开发的原型来促进集中的管理工作，而不会损害准确性或计算资源的额外投资。这项研究为未来的建筑工作站点启用边缘的“智能”铺平了道路，并促进实时的人类技术互动，而无需高速互联网。
IEEE Access 特别版社论：网络安全中的人工智能
一、引言 互联网对人们的日常生活和工作产生了重大影响。最近的研究表明，人工智能（AI）已经导致了许多科学技术领域的进步，即基于人工智能的医学、基于人工智能的交通和基于人工智能的金融。人工智能时代已经到来。安全作为最大的关注点之一，对于发展可持续、有弹性和繁荣的互联网生态系统具有重要意义。然而，网络安全仍然面临着许多具有挑战性的问题，例如入侵检测、隐私保护、主动防御、异常行为、高级威胁检测等。此外，许多威胁变体不断出现和蔓延。人工智能辅助的自适应方法有望解决这些安全问题。共同考虑人工智能与网络安全之间的交织性质是推动未来安全互联网的关键因素。IEEE A CCESS 关于网络安全中的人工智能技术及相关问题的特别章节旨在将研究人员聚集在一起，传播他们在人工智能相关安全和隐私理论分析领域的发现，同时推动在网络安全人工智能背景下与相关工程领域的潜在合作。征文通知引起了科学界的极大热情，并收到了大量投稿。其中，经过至少两名独立审稿人的彻底审查，30 篇文章被接受收录到这个特别章节中。这些被接受的文章大致可以分为三类：第一类，有十篇文章，主要解决网络安全检测问题。第二类，由另外十篇文章组成，解决数据隐私保护和身份验证问题。最后，第三类，包括最后十篇文章，重点关注不同工业应用中基于人工智能的网络安全。在第一类中，Zeadally 等人的文章“利用人工智能能力提高网络安全”探讨了人工智能在改进网络安全解决方案方面的潜力。D'hooge 等人的文章“基于 20 年入侵检测数据的监督学习者的分类难度”通过对涵盖 20 年数据生成的公共数据集进行评估，调查了监督机器学习方法在越来越困难的条件下对网络入侵检测数据的分类。