XiaoMi-AI文件搜索系统
World File Search System开发环境
应用程序安全性AI的危险和承诺
强化SCA检测了27种编程语言中的815个独特的漏洞类别，并将其集成到所有主要集成开发环境（IDE）中，以进行实时分析，以及用于自动化的CI/CD工具在SDLC中。它可以在场所或混合动力车上灵活部署为SaaS。强化SCA现在还可以帮助组织扫描Genai应用程序，以解决ML模型（例如缓冲区溢出，注射缺陷和不安全的编码实践）特有的漏洞。该工具还可以检测来自AI/ML模型API的响应的隐式信任而产生的弱点。强化SCA支持消费OpenAi API，Amazon Web Services SageMaker或Langchain的Python项目。用户可以在LLM应用程序中识别并减轻非规范代码实践，以确保遵守行业标准和法规（例如GDPR，HIPAA和PCI DSS）。产品路线图包括计划在LLM的更多OWASP前十名中扩展覆盖范围。
2018 年 IISE 年度会议和博览会 - Proceedings.com
项目经理在新产品开发环境中使用横向影响策略实现团队承诺：概念理论比较分析 ......................................................................................................................................523 Rochelle Cook EM-01 – 工程管理技能 创造密尔沃基儿童发育筛查的未来状态 ......................................................................................................................529 Xinzhi Hou、Charlene Yauch、Seth Workentine、Robert Boyd、Jayni Sanghavi、John Meurer、Tim Coughlin EM-02 – 工程管理技能 救护车周转时间的系统文献综述 .............................................................................................................................535 Antonio Goitia de la Torre、Kevin Rodriguez Leija、Fernando Gonzalez Aleu EM-03 – 工程管理技能 工业工程工具在质量改进项目中的使用 .............................................................................................................541 Wayne Rodin、Mario Beruvides EM-04 – 工程管理技能医院中的改善活动：理想行为................................................................................................................................................547 Fernando Gonzalez Aleu EM-05 – 利用应用数据分析重新审视采购管理知识领域，实现工业 4.0 ......................................
PowerGridworld：电力系统中多智能体强化学习的框架：预印本
我们推出了 PowerGridworld 开源软件包，为用户提供轻量级、模块化和可定制的框架，用于创建以电力系统为中心的多智能体 Gym 环境，这些环境可轻松与现有的强化学习 (RL) 训练框架集成。尽管存在许多用于训练多智能体 RL (MARL) 策略的框架，但没有一个可以快速制作原型并开发环境本身，尤其是在异构（复合、多设备）电力系统的背景下，其中需要电力流解决方案来定义电网级变量和成本。PowerGridworld 有助于填补这一空白。为了突出 PowerGridworld 的主要功能，我们提供了两个案例研究，并演示了使用 OpenAI 的多智能体深度确定性策略梯度 (MADDPG) 和 RL-Lib 的近端策略优化 (PPO) 算法学习 MARL 策略。在这两种情况下，至少有一些智能体子集在每个时间步骤中将电力流解决方案的元素作为其奖励（负成本）结构的一部分。
位置描述
•了解整体项目目标，项目测试范围，业务需求和开发环境。•能够进行测试计划活动，包括分析业务需求和关键成功标准，以及创建测试计划，测试场景和测试案例。这将包括阴性测试。•能够测试非功能要求的能力（适当的情况下）•表现出制定结束的能力2结束回归测试计划的生产资产升级和执行这些计划。•参与并参与敏捷/瀑布项目计划活动，例如Scrum仪式•能够设计/开发和维护详细的，结构良好的手动测试案例并执行它们。•能够理解，维护和执行，结构良好的自动化测试脚本，以了解如何创建API和UI自动化测试脚本。•能够在CI/CD DevOps环境中工作以保持连续测试管道。•根据项目要求，进行手动测试，回归，系统集成测试（SIT），用户接受测试（UAT）和产品验证测试（PVT）。
金融业的机遇与挑战
AI – 人工智能 API – 应用程序编程接口 DARPA – 国防高级研究计划局 ES – 专家系统 EU – 欧盟 FCA – 金融行为监管局 FINRA – 金融业监管局 GAN – 生成对抗网络 GDPR – 通用数据保护条例 IDE – 集成开发环境 LDA – 潜在狄利克雷分配 LLM – 大型语言模型 LSE – 伦敦证券交易所 MDP – 马尔可夫决策过程 MiFID – 金融工具市场指令 ML – 机器学习 NER – 命名实体识别 NLP – 自然语言处理 NMF – 非负矩阵分解 NMT – 神经机器翻译 NN – 神经网络 PCS – 主成分分析 RegTech – 监管技术 RL – 强化学习 RPA – 机器人过程自动化 SME – 中小企业 SMT – 统计机器翻译 SVM – 支持向量机 VAE – 变分自动编码器 XAI – 可解释人工智能
自我主张身份的模型驱动的安全性分析...
在学术界和行业中，正在深入探索自我主权身份（SSI）的最佳实践。从最佳实践获得的可重复使用的解决方案被推广为系统分析和设计参考的建筑模式，从而显着提高了生产力并提高了未来实施的可靠性。对于对安全敏感的项目，建筑师根据正式的分析和实验结果仔细考虑安全问题和解决方案，做出建筑决策。在本文中，我们提出了一个模型驱动的安全分析框架，用于分析SSI系统的体系结构模式，相对于我们对现实世界安全问题的调查建立的威胁模型。我们的框架机械化一种建模语言，以使时间逻辑中的安全属性形式化模式和威胁，并自动通过模型检查生成程序以验证。此外，我们提出了由独立的集成开发环境验证的典型脆弱模式，它集成了常用的模式和攻击者模型以实用我们的框架。
调查捍卫软件供应链攻击的新方法
摘要 - 软件供应链攻击发生在生产软件的过程中受到损害，从而导致针对下游客户的漏洞。尽管成功的利用数量有限，但这些攻击的影响至关重要。尽管对软件供应链攻击的认识和研究提高了，但有关这些风险的缓解或架构的信息有限，现有信息集中在供应链的单数和独立元素上。在本文中，我们使用软件开发工具和基础架构广泛审查软件供应链安全。我们调查了攻击者发现最不抵抗力的路径，然后是适应并找到完成攻击的下一个最佳方法。我们还提供了有关如何防止常见软件供应链攻击的详尽讨论，可以防止恶意黑客访问组织的开发工具和基础架构，包括开发环境。我们考虑了恶意攻击者对被盗代码证书的各种SSC攻击，并阻止了未注明的恶意软件通过安全扫描仪。我们的目标是扩展研究，以通过提出新颖的技术和框架来促进软件供应链攻击。
复杂系统的迭代与协作方法...
然而，在复杂系统开发环境中，敏捷系统工程的成熟度并不高，人们只能找到一些较差且较新的参考资料。首次将敏捷框架扩展到系统开发环境的尝试似乎只能追溯到 2012 年底，当时 IBM 研究员 Hazel Woodcock 提议重新审视系统工程的敏捷宣言（参见 [76]）。在这一开创性举措的指导下，国际系统工程理事会 (INCOSE) 的一个工作组于 2014 年开始研究敏捷系统工程（参见 [38]），并定期撰写有关该主题的文章，特别是 B.P. 出版的第一本教科书。Douglass 于 2015 年底出版（参见 [28]）。最后，还应指出 SAFe 团队最近的一次尝试——据我们所知，可以追溯到 2017 年 10 月——提出了基于模型的系统工程敏捷框架的草图。然而，这最后一项提议被简化为非常少的想法，根本没有详细内容，显然不是很有效，也没有得到实际系统开发实验回报的支持（参见 [58]）。
基于计算机视觉的检测系统
Internet和无线宽带基础架构正在为下一代视频监视增加额外的优势。除了增强提高安全性的能力外，还将有助于提高生产率，客户满意度和业务的监管合规性。使用ARM 9单板计算机作为开发平台成功开发了一种非侵入性视频监视系统。硬件包括友好的ARM MINI2440 SBC，定制的IR敏感相机Wi-Fi模块。软件实现基于Linux内核和QT框架，其跨编译OPENCV和GUI库的移植。由于使用开源技术并选择嵌入的Linux作为开发平台，因此开发成本大大降低。本文使用的嵌入式系统目标平台是基于ARM9嵌入处理器核心的三星S3C2440。发布版本的Linux不适合嵌入式系统的硬件，因此需要跨开发环境来自定义Linux操作系统。它描述了基于S3C2440处理器将嵌入的Linux移植到目标板的方法和进展库，开发了运动检测应用程序。
从6月21日，14:00 pm Cest
测试案例管理，用于有效验证Adas E. Karabiyik，U。erersoz，E。Ozkaya，O。Cetin，Cetin，AVL研究与工程（土耳其）模型的开发环境，用于验证和批准自主驾驶功能，以AVL HighwayPilot K. Fuchs，T。knorr，T。knorr，t. Simkin, NVIDIA Simulation Environment Independent LIDAR Modeling Approach With Modern Graphics Pipelines M. Kirchengast, AVL List GmbH Virtual Validation of Objective and Subjective Safety Adas Features in a Cloud Environment P. Nitsche, J. Schlager, AVL List GmbH Personal Driving Simulator: Multi-Domain Simulation With Photorealistic Visualization S. Gimpel, M. Strobel, aSR advanced Simulated Reality GmbH Scenario-Based ADAS/AD测试：OpensCenario 1.0-检查，现在怎么办？S. Terres，D。stracabosko，M。Bulaja，AVL列表GmbH，AVL-AST D.O.O. 克罗地亚S. Terres，D。stracabosko，M。Bulaja，AVL列表GmbH，AVL-AST D.O.O.克罗地亚