XiaoMi-AI文件搜索系统
World File Search System欺骗
北约反无人机训练遭遇 GPS 欺骗
由于电子干扰影响了参与行动的无人机，演习的气氛被掩盖了。拉姆施泰因遗产演习于 6 月 3 日至 14 日举行，其目标之一是评估和发展北约对抗 1 类 UAS 的能力。参加演习的部队来自罗马尼亚、德国、葡萄牙、匈牙利、法国、土耳其和波兰，英国和芬兰的战斗机为演习提供支持。几家商业 C-UAS 开发商也参与其中，Echodyne、CS Group 和 Rhode & Schwarz 均受邀介绍他们的一些 C-UAS 设备。北约通信和信息局 (NCIA) 联合情报、监视和侦察中心首席科学家克里斯蒂安·科曼评论了 1 类 UAS 的威胁：“1 类 UAS 已经成为我们目前在军事冲突中观察到的最重要威胁之一。多年来，空中优势一直是北约理论的支柱之一，但我们最近发现情况已不再如此。”意大利 C-UAS 卓越中心的军官在训练演习中扮演敌军，意大利海军少校 Federico Fugazzotto 指出：“我们在这次演习中扮演红队的角色，我们是学员需要识别和应对的威胁。我们驾驶的是常见的民用无人机。” Fugazzotto 解释说，演习场景包括隐藏无人机的出发点并同时使用多个系统进行攻击，目的是测试对 UAS 攻击的准备情况，并让北约部队熟悉如何应对 1 级 UAS 在现代战争中的作用。北约部队可能会遭遇俄罗斯的干扰
检测航空临时网络中的欺骗攻击...
摘要 — 我们考虑一个依赖于在欺骗者存在的情况下运行的飞机的航空自组织网络。如果合法飞机发送信号并且没有欺骗攻击，则地面基站接收到的聚合信号被视为“干净”或“正常”。相反，面对欺骗信号，接收信号被视为“虚假”或“异常”。自动编码器 (AE) 经过训练以从训练数据集中学习特征/特性，该训练数据集仅包含与没有欺骗攻击相关的正常样本。AE 将原始样本作为其输入样本并在其输出中重建它们。基于训练后的 AE，我们定义了欺骗发现算法的检测阈值。更具体地说，将 AE 的输出与其输入进行对比，将为我们提供曲线峰值方面的几何波形相似性/不相似性的度量。为了量化未知测试样本与给定训练样本（包括正常样本）之间的相似性，我们首先提出一种所谓的基于偏差的算法。此外，我们估计每架合法飞机的到达角（AoA），并提出一种所谓的基于 AoA 的算法。然后，基于这两种算法的复杂融合，我们形成了最终的检测算法，用于在严格的测试条件下区分虚假异常样本和正常样本。总之，我们的数值结果表明，只要仔细选择检测阈值，AE 就可以改善正确的欺骗检测率和误报率之间的权衡。
关于量子反向传播、信息重用和欺骗测量崩溃
摘要 现代深度学习的成功取决于大规模训练神经网络的能力。通过巧妙地重用中间信息，反向传播通过梯度计算促进训练，总成本大致与运行函数成正比，而不是产生与参数数量成正比的额外因素——现在参数数量可能达到数万亿。人们天真地认为量子测量崩溃完全排除了反向传播中量子信息的重用。但阴影断层扫描的最新发展（假设可以访问量子态的多个副本）挑战了这一观点。在这里，我们研究参数化量子模型是否可以像经典神经网络一样高效地训练。我们表明，如果不能访问状态的多个副本，就不可能实现反向传播缩放。有了这种额外的能力，我们引入了一种以阴影断层扫描为基础的算法，该算法与量子资源中的反向传播缩放相匹配，同时降低了阴影断层扫描中未解决问题的经典辅助计算成本。这些结果突出了将量子信息重用于实际目的的细微差别，并阐明了训练大型量子模型的独特困难，这可能会改变量子机器学习的进程。
混合战争中的网络威胁和网络欺骗
作者：W Steingartner · 2021 · 被引用 44 次 — 在网络攻击挑战日益严峻、资源有限的情况下，威胁以及调查网络安全和网络防御行动...
AI欺骗：示例，风险和潜在解决方案的调查
本文认为，一系列当前的AI系统已经学会了如何欺骗人类。我们将解剖学定义为在追求某些结果以外的其他结果时系统地诱导错误的信念。我们首先调查了AI欺骗的经验例子，讨论了特殊使用AI系统（包括Meta's Cicero）和通用AI系统（包括大语言模型）。接下来，我们详细介绍了AI欺骗中的几种风险，例如欺诈，选举篡改和失去对AI的控制。最后，我们概述了几种解决方案：首先，监管框架应对AI系统进行欺骗的AI系统，以满足强大的风险评估要求；其次，政策制定者应实施机器人或非法律；最后，政策制定者应优先考虑相关研究的资金，包括检测AI欺骗并使AI系统较低欺骗性的工具。决策者，研究人员和更广泛的公众应积极努力，以防止AI欺骗破坏我们社会的共同基础。
15. 计算机中介通信中的欺骗行为
人们为什么撒谎？原因多种多样，就像人类生命一样，但几乎总是有原因的，这些原因可以分为多种类型。例如，圣奥古斯丁将谎言分为八种严重程度不同的类型。现代心理学已经产生了更小的分类法。在有影响力的自我表现欺骗框架中（DePaulo、Lindsay 等人 2003；Vrij 2008a），人们撒谎是为了提升或保护自己的自我形象（以自我为中心）、伴侣的自我形象（以伴侣为中心）或某个第三方的自我形象（利他主义）。根据这种观点，大多数日常对话谎言都是为了管理与他人的互动并实现自我表现目标（Goffman 1959）。其他谎言，如与丑闻或犯罪有关的谎言，可能与自我表现目标关系不大，而是为了寻求物质奖励或避免起诉，但谎言仍然是实现某些目标的一种手段。
揭开人工智能的阴影：探究大型语言的欺骗能力
Bakhtin, A.、Brown, N.、Dinan, E.、Farina, G.、Flaherty, C.、Fried, D.、Goff, A.、Gray, J.、Hu, H.、Jacob, AP、Komeili, M.、Konath, K.、Kwon, M.、Lerer, A.、Lewis, M.、Miller, AH、Mitts, S.、Renduchintala, A.、Roller, S. 和 Rowe, D. (2022)。将语言模型与战略推理相结合，实现外交博弈中的人类层面博弈。科学。doi：https://doi.org/10.1126/science.ade9097。
关于LiDAR欺骗攻击对自动驾驶车辆的现实主义，高速和长距离
摘要 - 公共道路上自动驾驶（AD）技术的快速部署提出了重大的社会挑战。莱达（LiDar）的安全性（光检测和范围）是AD部署的新挑战之一，因为它通过准确的3D环境感知在启用4级自治方面至关重要。最近的研究线表明，LiDar欺骗攻击可能会损害LIDAR，从而通过向LIDAR发射恶意激光来覆盖合法感知。然而，以前的研究仅在受控环境中成功证明了它们的攻击，但是在现实的高速，长距离广告场景中攻击的可行性中存在差距。为了弥合这些差距，我们设计了一个新型移动的车辆欺骗（MVS）系统，该系统由3个子系统组成：激光雷达检测和跟踪系统，自动摄像机系统和激光雷达欺骗系统。此外，我们设计了一种新的对象去除攻击，一种自适应的高频去除（A-HFR）攻击，即使对脉冲指纹特征的最近激光雷达，也可以通过利用目标LIDARS扫描时间的灰色盒子知识来有效。使用我们的MVS系统，我们不仅是第一个展示激光欺骗对实际广告方案的攻击，在这种情况下，受害者车辆以高速行驶（60 km/h）驾驶，而且该攻击是从长距离（110米）发射的，而且我们也是第一次对雷达欺骗的攻击实际上由流行的行驶行驶，实际上是通过流行的行驶攻击的人。我们的对象去除攻击实现了≥96％的攻击成功率，以驾驶60 km/h的车辆到制动距离（20米）。最后，我们讨论了与我们的MVS系统攻击的可能对策。这项研究不仅弥合了LiDAR安全性与AD安全研究之间的关键差距，而且为建立针对新兴威胁的强大对策奠定了基础。
应用人工智能识别针对全球定位系统的网络欺骗攻击
随着系统越来越依赖该技术，对全球定位系统 (GPS) 基础设施的干扰对国家安全和经济构成了威胁。干扰和欺骗等 GPS 干扰方法的普遍性为对手提供了多种机会，可以渗透和注入虚假数据到军事、银行、航运、电子商务、运输和其他关键经济部门等各种系统。GPS 欺骗检测方法的研究需要创新和新颖的方案来应对所带来的挑战。随着计算机系统处理能力的提高，人工智能方法已成为检测和报告这些网络威胁的主要候选方法。本论文研究了机器学习和数据分析在识别军事 GPS 上的虚假数据注入尝试中的应用。该研究结合了实时和模拟的 GPS 消息流量数据来训练和测试机器学习算法以识别威胁。将无监督和监督学习方法应用于数据集有助于推进 GPS 欺骗问题的研究，并被证明是监控 GPS 流量的有效工具，同时为 GPS 基础设施提供另一层安全保障。
欺骗相关大脑区域的荟萃分析连接模型
基于大脑的欺骗研究仅在二十年前就开始了，此后，欺骗范式包括各种各样的环境和反应方式。对这类研究的调查为我们的神经科学和法律知识提供了对个人欺骗他人的方式的法律知识。为此，我们使用BrainMap软件进行了激活似然估计（ALE）和荟萃分析连接性建模（MACM），以检查45个基于任务的fMRI脑部脑激活研究。欺骗性与诚实行为期间的激活可能性估计的激活揭示了7个显着的峰值作用簇（双侧岛，左上额回，双侧超边缘回和双侧额叶额叶）。荟萃分析的连通性建模揭示了包括单向和双向连接的7个区域之间的互连网络。与随后的行为和范式解码一起，这些发现暗示了超级方向的回旋作为社会认知过程的关键组成部分。