XiaoMi-AI文件搜索系统
World File Search System文件系统
Jenness, T.、Bosch, JF、Salnikov, A.、Lust, NB、Pease, NP、Gower, M.、Kowalik, M.、Dubois-Felsmann, GP、Mueller, F. 和 Schellart, P.，2022 年，“T
维拉·C·鲁宾天文台的遗留空间与时间调查 (LSST) 1 将每三天对整个南部天空进行一次成像，包含数十 PB 的原始图像数据和相关校准数据。必须跟踪所有这些文件以及管道处理的中间数据集和输出产品，并且根据处理发生的位置，文件将存储在 POSIX 文件系统或对象存储中。LSST 数据管理系统 (DMS) 2 负责将原始文件从山上传输下来并将其存储在美国数据设施 (USDF) 中。然后，数据集由可以在不同数据中心运行的管道 3、4 处理，并将结果集成到统一的数据发布中。本文将讨论 DMS 的一部分，它从管道算法中抽象出数据访问，构建执行工作流图，并允许在大型批处理系统中运行处理作业。
USA Jet - Swiss-AS 实现无纸化转型
当前状态 AMOS 版本 12 于 2019 年 5 月 28 日在 USA Jet 推出，第二天，即 5 月 29 日，该航空公司获得了 FAA 颁发的 OpSpec A025，允许在数字记录保存中使用电子签名。该授权基于向 FAA 提供的 AMOS 演示，其中包含之前开发的所有业务流程。因此，我们目前正在使用 AMOS 电子签名功能，这让我们有机会建立一个混合系统，因为当时我们在技术上还没有准备好完全无纸化。因此，所有签字都在 AMOS 中完成，然后经过记录审查，完成后，最终文档将打印出来并保存在文件系统中。预计 USA Jet 将在适当的时候实现无纸化。如今，库存问题比以前少了很多，遇到的问题不多，遇到的问题也不那么严重。现在无需纸质系统即可维持。数据问题几乎消失了。
AI在Hornetsecurity的下一代电子邮件安全
在这里，我们的沙盒引擎再次基于ML，将打开附件的文件，确定它们是否恶意，如果是恶意，则隔离了电子邮件。此引擎将查看文件的行为，查看它是否试图识别其是否在沙箱中运行（死去的赠品）。它还查看文件系统，以查看附件是否尝试创建新文件或更改现有文件。注册表监视器检查注册表以查看是否创建了异常值，这些值通常用于在PC重新启动后持续恶意软件。和我们的流程监控点通过恶意PDF和Office文件尝试开始儿童进程。还检查了附件的网络流量，寻找与Internet上的服务器的连接，这再次是附件的一种相当可疑的策略。最后，打开附件后检查沙箱中的内存，不寻常的内存访问类型是恶意软件的另一个强烈信号。
保证备份 NFS“；陈旧文件句柄错误”
文件系统 大小 已用 可用 使用率% 挂载于 udev 189G 0 189G 0% /dev tmpfs 38G 9.4M 38G 1% /run /dev/sdb2 47G 28G 18G 62% / tmpfs 189G 0 189G 0% /dev/shm tmpfs 5.0M 0 5.0M 0% /run/lock tmpfs 189G 0 189G 0% /sys/fs/cgroup /dev/sdb4 392G 123G 250G 34% /data /dev/sdb3 239M 163M 76M 69% /boot/efi /dev/sdc3 166G 5.6G 152G 4% /var /dev/sdc1 671G 102G 536G 16％/数据/maglev/srv /dev/sdc2 923G 175G 702G 20％/数据/maglev/srv/maglev-system /dev/sdd1 5.2T 127G 4.9T 3％/数据/maglev/srv/ndp glusterfs-brick-0.glusterfs-brick：/default_vol 923G 187G 699G 22％/mnt/glusterfs/default_vol glusterfs-brick-0.glusterfs-brick：/ndp_vol 5.2T 181G 4.9T 4％/mnt/glusterfs/ndp_vol tmpfs 38G 0 38G 0％/运行/用户/1234 maglev@maglev-master-10-10-10-10:~$
doi：10.2478/cait-2024-0013在区块链中确保分散存储：混合加密框架
摘要：由区块链进步推动的分散存储的演变彻底改变了数据管理。本文着重于行星际文件系统（IPFS）中的内容安全，这是一个领先的分散存储网络，缺乏固有的内容加密。为了解决这种脆弱性，我们提出了一种新型的混合加密算法，将AES 128位加密与椭圆曲线密码（ECC）密钥生成合并。该算法包括ECC密钥对，随机IV生成和使用ECC公共密钥的内容/AES密钥加密。针对标准AES 256位方法的基准测试表明，加密速度的加速度显着20％，解密效率提高了16％，从而确定了提高IPFS内容安全性的实用性。这项研究有助于确保分散存储，并提供性能驱动的解决方案。有希望的结果突出了所提出的方法的可行性，促进了理解并减轻IPF和类似系统中的安全问题。
对安全物联网数据共享的系统审查
摘要：物联网（IoT）越来越无所不在。The greater values of the IoT can be realized by enabling data sharing between different stakeholders.但是，最大的挑战之一是确保安全并为物联网数据共享提供信任。在本文中，我们确定了最新的（SOTA）方法和技术，以实现安全的物联网数据共享。我们提出了高级结果，强调了SOTA趋势并驱动了最多的域，以及更深入的细节，例如用于保留数据共享环境中安全性的程序和方法。区块链技术，智能合约和跨性别文件系统（IPFS）是最广泛使用的方法之一。今天的解决方案探索了一种更加分散的数据共享方法，因此需要考虑几个方面。基于发现，我们确定了未来工作的潜在研究指示，包括公共和私人区块链之间的差异，共享和分析的结合，数据质量的价值以及数据管理和治理的重要性。
Kafka-ML：将数据流与 ML/AI 框架连接起来
摘要 — 机器学习 (ML) 和人工智能 (AI) 依赖数据源通过其算法进行训练、改进和预测。随着数字革命和物联网等当前范式的发展，这些信息正在从静态数据转变为连续数据流。然而，目前使用的大多数 ML/AI 框架都没有为这场革命做好充分准备。在本文中，我们提出了 Kafka-ML，这是一个开源框架，可通过数据流 (Apache Kafka) 管理 TensorFlow ML/AI 管道。Kafka-ML 提供了一个可访问且用户友好的 Web 用户界面，用户可以轻松定义 ML 模型，然后对其进行训练、评估和部署以进行推理。Kafka-ML 本身及其部署的组件完全通过容器化技术进行管理，从而确保其可移植性和易于分发性以及容错性和高可用性等其他特性。最后，引入了一种管理和重用数据流的新方法，这可能导致（不）使用数据存储和文件系统。
个人发展计划
隐私法声明 根据 5 USC § 552a(e)(3)，本隐私法声明旨在告知您有关本表格信息收集的以下事项。 授权：14 USC § 505；5 CFR § 412.401 目的：美国海岸警卫队 (USCG) 军人和文职雇员将使用此信息进行有效的个人和职业发展规划。 常规用途：经授权的 USCG 人员将使用此信息协助 USCG 军人/文职雇员及其主管进行个人和职业发展以及目标设定。本记录中的任何外部数据披露均应按照 DHS/USCG-014、军事薪酬和人员、76 联邦公报 66933、2011 年 10 月 28 日和 OPM/GOVT-2、员工文件系统记录、71 联邦公报 35342、2006 年 6 月 19 日进行。未提供信息的后果：提供此信息是自愿的。但是，未提供此信息可能会对未来的任务或领导机会产生影响。
续第一部分 - 印度知识产权
(57) 摘要：本公开涉及通用文件虚拟化 (UFV)，其功能类似于单个虚拟数据中心，跨越各种数据孤岛的内部存储、存储在 IaaS、PaaS 和 SaaS 中的数据中心云数据资源、远程办公室和分支机构以及混合云，主要提供结合网络弹性技术、信息安全、文件存储和对象存储技术的二级数据存储。本发明建立在分解的控制平面、安全平面和分散的数据平面架构之上。系统控制器、安全控制器和通用文件系统模块对通过它的数据实施各种文件虚拟化、安全或数据服务算法。所有技术都应用于各种内部数据库、云提供商、存储站点和云服务。本公开内容还引入了称为 UFV 的新概念，实现了一种安全的 UFS，涵盖了公司分布在各个地域和云服务中的所有不同数据源，具有集中控制平面、安全平面和由数据控制器控制的安全保险库构建的分散数据平面。图 7
推荐系统中的人工智能
摘要 推荐系统通过学习用户以前的行为并预测他们当前对特定产品的偏好，为用户提供个性化的服务支持。人工智能（AI），特别是计算智能和机器学习方法和算法，已自然应用于推荐系统的开发，以提高预测准确性并解决数据稀疏性和冷启动问题。本立场文件系统地讨论了推荐系统的基本方法和流行技术，以及AI如何有效地改善推荐系统的技术开发和应用。本文不仅回顾了前沿的理论和实践贡献，还确定了当前的研究问题并指出了新的研究方向。它仔细调查了与使用AI的推荐系统相关的各种问题，并回顾了通过使用模糊技术，迁移学习，遗传算法，进化算法，神经网络和深度学习以及主动学习等AI方法对这些系统所做的改进。本文中的观察结果将直接帮助研究人员和专业人员更好地了解使用人工智能的推荐系统领域的当前发展和新方向。