XiaoMi-AI文件搜索系统
World File Search System实时系统
实时系统优化的多代理强化学习：从理论到工业应用
国际计算机工程技术杂志（IJCET）第16卷，第1期，Jan-Feb 2025，pp。2703-2714，文章ID：IJCET_16_01_190在线可在https://iaeme.com/home/issue/issue/ijcet?volume=16&issue = 1 ISSN印刷：0976-6367; ISSN在线：0976-6375;期刊ID：5751-5249影响因子（2025）：18.59（基于Google Scholar引用）doi：https：//doi.org/10.34218/ijcet_16_01_1_190
具有再生能量的固定优先实时系统的动态功率管理
能耗是实时嵌入式系统的关键问题。通常，嵌入式设备应采用实时行为，因为任务即应用程序必须在截止日期之前完成其执行。大多数设备（例如传感器节点）在截止日期时不允许任何失败。据说他们是艰难的实时。因此，必须为这些嵌入式系统提供特定的实时操作系统，即使能量限制，也可以保证执行所有任务的可预测行为。首先，确定一组任务是否可以满足其时序要求很重要。最常见的想法是计算每个任务的最差响应时间，并将其与其截止日期进行比较。如果是这样，其次，调度算法应指示如何安排任务。经典的实时调度算法是在线，优先，优先级驱动和非闲置的（也称为工作）。他们根据准备处理的任务列表在频道上做出决定，但忽略将来会到达的任务。任务是根据优先驱动的策略安排的，即，最高优先级执行的现成任务，如果至少一个任务待执行，则处理器永远不会ives。在过去的50年中，已经开发了各种调度算法，以提高受时间限制的系统性能。其中之一是速率单调（RM）。另一个是最早的截止日期（EDF）[1]。尽管RM和EDF
脑心领域的人工智能驱动实时系统评价......
– 参与者类型：研究必须涉及使用公认的诊断标准诊断出患有与 BHI 领域相关疾病的人类参与者。– 干预类型：干预措施必须经过计划、构建和可复制，针对与神经或心血管健康相关的特定结果，并具有可衡量的健康或健康成分。– 比较干预：设计必须包括适当的对照，例如不干预、常规护理或替代的经过验证的干预措施，以确保结果评估的稳健性。– 结果测量：必须使用经过验证的工具评估主要和次要结果，以获取关键指标，例如认知功能、日常生活活动和与健康相关的生活质量。– 评估时间：结果评估必须包括干预后即时评估以及短期和长期随访，以提供干预效果的全面视图。
实时系统运营中的人工智能和机器学习白皮书 – 2024 年 11 月第 1 版
虽然人工智能 (AI)、机器学习 (ML) 和数据科学已经研究和开发了几十年，但技术发展和公众关注度最近激增。这导致市场上出现了大量的研究和新解决方案，影响到工作和个人生活的几乎每个方面。随着人们的兴趣不断增长以及投资和研究扩展到新领域，创新和讨论继续迅速发展。在实时电力运营领域，人们也认识到由于不断发生的变化，BPS 的复杂性和复杂性不断增加，其中有几个新的用例扩展了系统的假设（例如，对网络方面的担忧日益增加、过量的太阳能流入输电系统、电动汽车充电的负载显着增长、AI/ML 的功率需求不断增长、区块链上的加密货币挖掘和其他数据中心运营）。BPS 是北美能源基础设施的支柱。它对整个大陆和国家的安全和经济稳定都至关重要，并支撑着我们的日常生活。管理系统的实时可靠性需要控制室操作员拥有不断提高的认知、注意力、警惕性、知识和抽象推理水平，这必然会导致许多人考虑新的 AI/ML 解决方案。由于 BPS 是地球上最复杂的社会技术系统（涉及复杂人类和复杂系统以及它们之间复杂交互的系统），因此需要考虑许多因素以尽量减少系统风险。本文档旨在供决策者、监管者和这些技术的最终用户使用，特别是在实时操作中。断言这些技术是否应该用于实时操作是没有用的，因为对整个行业主要利益相关者的调查和访谈表明，这种情况已经发生了。“精灵”无法被放回瓶子里（本文档并未断言应该这样做）。相反，本文档提供了有关人们应该询问这些技术的问题类型的指导，以彻底了解它们的能力以及正确实施它们需要进行哪些类型的更改。以前进入市场的技术已经陷入了典型的模式，导致最初的“坎坷”实施，出现意外风险或不良事件。本文档提供了实时操作的途径（在这种操作中，此类不良事件是无法容忍的），旨在确保能够以最大程度地提高成功部署和可靠性的方式实施 AI/ML 技术。业界已经认识到，许多组织已经在考虑 AI/ML 应用，并做出了各种决定，积极尝试避免这些应用（例如，人工智能从传统的机器学习方法（例如，阻止工作计算机访问生成式预训练变压器 (GPT) 并制定有关信息安全的政策）转变为拥抱它们（例如，利用更好的客户呼叫跟踪、确保加强资产健康以及预测实时运行参数，如风力发电、太阳能发电和负载）。现在和未来的 AI/ML 技术的表面积非常巨大。本文档重点介绍当前可用的技术，这些技术是为处理特定情况而构建、训练和部署的，不能在其训练领域之外工作（例如，不能依赖太阳能发电预测器来预测风力发电），通常称为狭义人工智能（或有时称为弱人工智能）。这包括最近快速增长的领域，包括生成新内容的能力（使用 GPT 等生成式人工智能算法）。
使用时间表重新配置确保实时系统
摘要 - 现代的实时系统容易受到网络攻击的影响。越来越多的采用多核平台，安全性和非安全关键任务共存，进一步引入了新的安全挑战。现有的解决方案遭受了缺乏决定论或过多成本的损失。本文解决了这些缺点，并提出了一个离线分析，以计算在多核平台上运行的实时任务的所有可行时间表，从而隔离损害任务，同时保证失败操作系统和低成本可重构计划。使用UAV自动驾驶系统在四核平台（Raspberry PI）上使用UAV自动驾驶系统的实验结果表明，所提出的方案会在微秒级别上造成运行时恢复开销。此外，在合成测试案例中，重新配置过程最多涵盖了所有可能的响应的100％。索引项 - 真实时间系统，计划重新配置，多核，安全性。
UML-MARTE 安全关键实时系统的时间属性验证框架
摘要：时间属性是安全关键型实时系统 (RTS) 可靠性的关键要求。UML 和 MARTE 是标准化建模语言，被工业设计师广泛接受用于使用模型驱动工程 (MDE) 设计 RTS。然而，在系统生命周期的早期阶段对 UML-MARTE 模型进行形式化验证仍然是一个悬而未决的问题。在本文中 1 ，我们提出了一个针对 UML-MARTE 安全关键型 RTS 的时间属性验证框架。该框架依赖于从 UML 架构和行为模型到用时间 Petri 网 (TPN) 表示的可执行和可验证模型的属性驱动转换。同时，它将时间属性转换为一组属性模式，对应于 TPN 观察者。然后对生成的 TPN 执行基于观察者的模型检查方法。该验证框架可以评估时间属性，例如循环和缓冲区的上限、最佳/最坏情况响应时间、最佳/最坏情况执行时间、最佳/最坏情况遍历时间、可调度性和同步相关属性（同步、巧合、排除、优先、子发生、因果关系）。此外，它还可以验证一些行为属性，例如没有死锁或死分支。该框架通过一个代表性案例研究进行了说明。本文还提供了实验结果并评估了该方法的性能。
具有逻辑和时机正确性的实时系统的最佳检查点策略
实时系统容易受到诸如故障和攻击的对抗性因素的影响，从而导致严重的后果。本文提出了一个最佳检查点方案，以增强实时系统中的故障弹性，从而解决了逻辑一致性和定时正确性。首先，我们根据其依赖项将消息传递过程分配到有向的无环图（DAG）中，从而确保检查点逻辑一致性。然后，我们识别DAG的临界路径，代表最长的顺序路径，并沿此路径分析最佳检查点策略，以最大程度地减少整体执行时间，包括检查点开销。故障检测后，系统将回到最近的有效检查点以进行恢复。我们的算法得出了最佳检查点计数和间隔，我们通过大量的模拟和案例研究评估其性能。结果表明，与模拟和案例研究中的无检查点系统相比，执行时间减少了99.97％和67.86％。此外，我们提出的策略优于先前的工作和基线方法，对于小规模任务，截止日期的成就率提高了31.41％和2.92％，大规模任务的截止日期率和78.53％和4.15％。
实时系统有效审核-NSF-PAR
在本文中，我们演示了如何适应商品审核框架 - 对RTS起作用。使用Linux审核作为案例研究，我们首先证明，商品框架生成的审核事件的数量在实时（RT）应用程序的时间和资源约束中是不可持续的。为了解决这个问题，我们提出了Ellipsis，这是一套基于内核的还原技术，该技术利用了RT应用程序的定期重复性，以积极降低系统级审计的成本。省略号在保留意外活动的详细记录的同时，对RT应用程序的预期活动产生简洁的描述，从而在满足时间限制的同时对可疑活动进行分析。使用Ardupilot（开源自动驾驶应用套件），我们对省略号的评估表明，审计日志生成降低了93％。
在基于 Raspberry Pi 的实时系统上使用最先进的神经架构研究基于 EEG 的生物特征识别
摘要：尽管人们对使用脑电图 (EEG) 信号作为主体身份识别的潜在生物特征识别的兴趣日益浓厚，并且在使用深度学习 (DL) 模型研究神经信号（例如心电图 (ECG)、脑电图 (EEG)、视网膜电图 (ERG) 和肌电图 (EMG) ）方面也取得了进展，但由于单个主体在不同会话中的 EEG 特征变化很大，因此在使用最先进的 DL 模型进行基于 EEG 的主体身份识别任务方面仍然缺乏探索。在本文中，我们探索使用最先进的 DL 模型（例如 ResNet、Inception 和 EEGNet）在 BED 数据集上实现基于 EEG 的生物特征识别，该数据集包含来自 21 个个体的 EEG 记录。我们获得了令人满意的结果，Resnet、Inception 和 EEGNet 的准确率分别为 63.21%、70.18% 和 86.74%，而之前的最佳成果报告的准确率为 83.51%。我们还通过开发一种便携式、低成本、实时的基于 Raspberry Pi 的系统展示了这些模型实时执行 EEG 生物识别任务的能力，该系统集成了从获取 EEG 信号到预测身份的所有必要主体识别步骤，而其他现有系统仅包含整个系统的部分内容。
19 疫苗接种：实时系统评价方案
摘要 简介 广泛接种 COVID-19 疫苗是控制全球 COVID-19 大流行最有效的方法之一，理想情况下也是结束全球 COVID-19 大流行的方法之一。疫苗犹豫和疫苗接种率在不同国家和人群之间差异很大，并受到复杂的社会文化、政治、经济和心理因素的影响。社区参与是免疫接种运动中不可或缺的策略，已被证明可以提高疫苗接受度。随着有关社区参与支持 COVID-19 疫苗接种的证据不断涌现且不断变化，通过提供有关当前最佳实践的定期和最新证据来缩小知识与实践之间的差距的研究至关重要。 方法与分析 将进行一项实时系统评价，包括初步系统评价和每两个月一次的评价更新。评价和后续更新的搜索和筛选将分四个流程进行：系统搜索六个数据库、灰色文献综述、预印本审查和公民采购。至少两名审稿人将使用系统评价管理软件 Covidence 对标题/摘要和全文进行筛选。数据将从 Excel 电子表格中预定义的字段中提取，其中包括有关文章特征、背景和人口、社区参与方法和结果的信息。将使用收敛集成方法进行综合。我们将探索根据研究的异质性定量综合主要结果的可能性。 伦理与传播 初步审查和随后的双月搜索及其结果将通过开放获取的方式透明地传播。季度简报将在评论的社交媒体平台和其他感兴趣的网络和存储库中分享。将在社区健康-实践社区网站上创建专用网络链接，以分享研究结果和获得反馈。将开发邮件列表，感兴趣的各方可以订阅更新。PROSPERO 注册号 CRD42022301996。