XiaoMi-AI文件搜索系统
World File Search System数据注入
智能医疗系统的安全分析
摘要：医疗保健行业通过整合医学互联网（IOMT）来通过从不同设备的传输介质（大约对医疗保健人员设备到医疗保健员工设备）启用数据来实现数据进行改革，以通过基于云的服务器进行适当诊断的患者进行进一步分析，从而产生高效和准确的结果。但是，IOMT技术在安全风险和脆弱性方面伴随着一系列缺点，例如违反和暴露患者的敏感和机密数据。此外，网络流量数据容易受到由无线通信和数据更改引起的拦截攻击，这可能会导致不良结果。倡导方案提供了对IOMT网络强大的入侵检测系统（ID）的洞察力。它利用一个蜜罐将攻击者从关键系统中移开，从而减少了攻击表面。此外，IDS还采用了结合逻辑回归和k-neart邻居算法的集合方法。这种方法可以利用两种算法的优势，以提高攻击检测准确性和鲁棒性。这项工作分析了使用的两个与IOMT相关的数据集的影响，性能，准确性和精确结果，其中包含多种攻击类型，例如中间人（MITM），数据注入和分布式拒绝服务（DDOS）。产生的结果表明，所提出的合奏方法有效地检测入侵尝试并将其分类为攻击或正常网络流量，第一个数据集的高精度为92.5％，第二个数据集的精度为99.54％，第二个数据集的精确度为96.74％，对于第二个数据集和99.228％的数据集和99.228％。
一种基于行为监测的新型信任模型，用于增强
由于虚拟数据泛滥，物联网（IoT）处于最近不稳定的状态。相信，物联网和云计算达到了最大阈值，并在此之后加载数据只会使其性能恶化。因此，已经引入了边缘计算来减轻物联网的处理负担。为了满足边缘计算的安全要求，我们打算将区块链的方法与边缘计算一起使用，以获得更好的解决方案。因此，本文提出了基于人工神经网络和信任估计的新型区块链模型的引入，称为行为监测信任估计模型。性能指标，例如准确性，精度，召回和F-量表是在正常条件下和注射诸如虚假数据注入，引导攻击和捕获节点之类的攻击下计算的。将提出的行为监控信任分类模型与天真贝叶斯，K-Nearest邻居，自动编码器，随机森林和支持向量机等现有分类器进行了比较，并发现性能提高。还计算出拟议模型的其他评估参数，例如执行时间，加密时间，存储成本，计算费用，能源效率和数据包下降的可能性，并与现有的比特币，以太坊，HyperLeDger，直接和不变的信任模型以及相互信任的基于基于基于基于的区块链链链模型相比。所提出的模型的准确度为95％，精度得分为90％，召回分数为94％，F量表的F量为94％，表明表现出色。
对混合能源存储系统中能源交换的研究以及不同系统的能力，寿命和成本的比较
现代车辆具有许多电子控制单元（ECU），这些单元（ECU）不断地通过受控区域网络（CAN）段组成的嵌入式车内网络（IVN）进行通信。CAN总线技术的简单性和尺寸约束的8字节有效载荷使整合基于真实性和完整性的保护机制是不可行的。因此，恶意组件将能够将恶意数据注入网络中，其检测风险很小。通过各种安全攻击（例如洪水，模糊和故障攻击）证明了这种漏洞。改善现代车辆安全性的实际方法是监视CAN巴士的流量以检测异常。但是，要使用一般方法管理这种入侵检测系统（IDS）面临一些挑战。首先，需要省略CAN数据字段的专有编码，因为它们是原始设备制造商（OEM）的知识产权，并且在车辆制造商及其型号之间有所不同。其次，这种一般和实用的ID方法在速度和准确性方面也必须在计算上有效。用于计算机网络的传统IDS通常使用基于规则或基于签名的方法。最近，使用机器学习（ML）具有有效特征表示的方法已显示出巨大的成功，因为检测速度更快，开发和维护成本较低。因此，提出了具有增强频率特征表示的有效数据聚合技术，以提高IVN的ML基ID的性能。使用汽车ID的生存分析数据集验证了性能增益。
用于建模和合成的分析框架...
虽然新兴的自适应巡航控制（ACC）技术正在进入更多的范围，但它们也暴露了潜在的恶意网络攻击的脆弱性。以前的研究通常集中在恒定或随机攻击上，而没有明确解决其恶意和秘密特征。因此，这些攻击可能会无意中受益于被妥协的车辆，这与现实世界相抵触。相比之下，我们建立了一个分析框架来建模和综合一系列候选攻击，从攻击者的角度提供了物理解释。具体来说，我们引入了一个数学框架，该框架描述了混合的交通交通，包括ACC车辆和人类驱动的车辆（HDVS），该车辆以汽车为目标动态为基础。在此框架内，我们将一类错误的数据注入攻击综合并整合到ACC传感器测量中，从而影响交通流动机。作为一项首要研究，这项工作提供了对攻击的分析表征，强调了他们的恶意和隐秘的贡献，同时明确考虑了车辆驾驶行为，从而产生了一组具有物理性可解释性的候选攻击。为了演示建模过程，我们执行一系列数值模拟，以整体评估攻击对汽车遵循动态，交通效率和车辆燃油消耗的影响。主要发现表明，从策略上综合候选攻击可能会导致交通流量的严重中断，同时以微妙的方式改变ACC车辆的驾驶行为以保持隐形状态，这得到了一系列的分析结果的支持。
脉冲方法中的光学相编码储存库计算
储层计算是一种植根于经常性神经网络的时间序列处理的监督机器学习方法[1，2]。受到大脑机制的启发，许多相互连接的人工神经元过程输入输入并显示内部记忆。反复的神经网络随后适合于语音识别等时间任务[3，4]，但以难以训练的代价。网络的所有权重需要在时间[5]中使用反向传播进行训练，这是一种耗时的，并非总是在融合[6]。不同，在储层计算（RC）中，仅训练输出层的权重以处理信息[7，8]。这些结构是由三个元素组成的：将数据注入系统中的输入层，由随机连接的大量神经元（或节点）组成的储层，以及一个外部（或读取）层以从储层中提取信息。在储层上的某些条件下，用简单的线性回归训练输出层就足够了[1，8]。在本文中，我们使用单个非线性节点（如[9]中）提供了储层协议的设计。尽管最近的作品已通过光学频率梳子的频率组件成功实现了储层和神经形态的组合[10-12]，但我们在这里利用了时间特征，即脉冲基础，光频率梳子作为储层的节点。此外，使用相干性同伴检测，因此可以在场的相分量中编码信息，而不是其强度或弹性。我们表明，尽管有少量的节点和低可线性的节点，但我们的协议具有良好的性能，同时显示非线性记忆和预测可供使。我们的系统建立在可以使用光脉冲来构建尖峰储层的概念上[13，14]，并且信息注入的相位编码可以在光子储层计算机中获得更好的性能[15，16]。基于光学的计算[17]可能能够给予对电子设备的速度或能源效率。