XiaoMi-AI文件搜索系统
World File Search System用户数据
![arxiv：2402.06363v1 [cs.cr] 2024年2月9日](/simg/g:\will\search\icon\source\3\3ddec16645db39f41f09cb1eb4c0f25652f964b0.webp)
arxiv：2402.06363v1 [cs.cr] 2024年2月9日
大型语言模型（LLMS）的摘要最新进展启用了令人兴奋的LLM集成应用程序，该应用程序通过利用其先进的语言理解功能来执行基于文本的任务。但是，随着LLM的改善，对它们的攻击也有所改善。提示注射攻击是一个重要的威胁：它们欺骗模型偏离原始应用程序的说明，而是遵循用户指令。这些攻击取决于LLM遵循说明和无法分开提示和用户数据的能力。我们介绍了结构化查询，这是解决此问题的一般方法。结构化查询将提示和数据分为两个通道。我们实施了一个支持结构化查询的系统。该系统由（1）安全的前端制成，该前端将及时和用户数据格式化为特殊格式，以及（2）经过特殊训练的LLM，可以从这些输入中产生高质量的输出。使用新颖的微调策略对LLM进行了训练：我们将基础（非指导）LLM转换为结构化指令调节模型，该模型只会遵循查询及时的指示。为此，我们通过示例增加了标准指令调整数据集，其中还包括查询数据部分中的说明，然后微调模型以忽略这些指令。我们的系统大大提高了对迅速注射攻击的阻力，对公用事业的影响很小或没有影响。我们的代码在此处发布。
基于GPU的私人信息检索针对机上机器学习推理
抽象的机上计算机学习（ML）推理可以在无需向远程服务器揭示的用户设备上使用私人用户数据。但是，对于依靠嵌入太大而无法存储在设备上的许多应用程序的应用程序，纯粹的私人ML推理解决方案是不切实际的。特别是，建议模型通常在1-10 GB的数据下使用多个嵌入式表，这使得它们不切实际地存储在设备上。为了超越这个障碍，我们建议使用私人信息检索（PIR）有效，私人地从服务器中嵌入嵌入，而无需共享任何私人信息。由于现成的PIR算法通常过于计算，因此很密集，无法直接用于潜伏敏感的推理任务，我们1）提出了基于GPU的新型PIR加速度，以及2）与下游ML的pir共同设计PIR，以获得进一步的加速。我们的GPU加速策略将系统吞吐量提高了20倍以上，超过了CPU PIR实现，而我们的PIR-ML共同设计在固定模型质量下提供了超过5倍的额外吞吐量改进。，对于各种设备上的ML插图，例如建议和语言建模，我们的单个V100 GPU上的系统每秒可提供高达100，000的查询 - 基于CPU的基线，A> 100×吞吐量改进 - 在基于CPU的基线上 - 维护模型准确性。
``这就像橡皮鸭会说话''：通过参与式促使研究理解生成的AI辅助数据分析工作流程
基于生成深度学习的最终用户工具，即“生成AI”（在第2.2节中定义）可以大大提高用户分析和了解数据的能力，尤其是那些没有正式专业知识或数据分析中的培训的数据。数据分析工作 - 众所周知，乏味，具有挑战性，容易出错，并且具有很高的专业知识要求。生成的AI在促进数据分析脚本的创作和调试，重新使用分析工作流程，分析脚本的理解，学习和探索方面显着提高了最新技术的状态[58]。用户行为的潜在变化已被描述为生成偏移[58]。生成转移提出了三个变化轴：强化（将应用于现有的工作流程更复杂的自动化），扩展（将自动化更多的工作流程）和加速度（以前成本高昂的工作流程将在其自身自动化时变得更加便宜）。在最终用户数据驱动的感官中，即生成转移的一个重要用户方案，即在某些数据的上下文中进行分析（通常是开放的，定义不明和探索性的）（第2.1节中详细介绍）。最终用户数据驱动的感觉的经典示例包括个人和公司预算，电子表格中的财务建模以及量化的自我[39]活动。不太明显的例子包括旅行计划，或选择访问或电影观看的餐厅。如前所述，生成的AI在数据驱动的感觉中有许多应用。这些涉及定性和定量信息的混合物，以及主观和“客观”迹象；要选择一部电影，人们可能会考虑一个人的偏好和心情，任何同伴的喜好，对预告片的反应，批判性评论和评分，电影持续时间，流派，导演，演员等。它可以建议相关数据集或分析程序，编写数据转换和分析脚本或电子表格公式，帮助调试或重新使用现有脚本，提出主观标准以评估不同的选项，教用户如何应用不熟悉的统计程序或工具，甚至可以帮助用户脱颖而出，以使用户脱颖而出，以帮助用户不适当地造成问题。面对如此广度的应用程序，系统设计师面临的关键问题是范围之一：在何处，通过生成AI来改善数据驱动的感觉的最终用户体验的最大机会和挑战？我们的研究是Sarkar等人首次应用参与式促使Proto-Col的研究。[63]探索生成AI的机会和挑战。参与性促进是研究人员介导的参与介导的参与式的相互作用与广泛的开放式AI系统，例如OpenAI Chatgpt或Microsoft Bing Chat。后者是“广泛”的，因为它们旨在在广泛的工作流程中为援助提供支持。通过研究人员介导的研究，参与者的经验可以基于实际的AI功能，而研究人员将其范围为特定领域（在我们的情况下，是数据驱动的感官）。我们在我们的方法的描述中讨论参与提示的价值（第3节）。我们的研究发现，生成的AI支持数据分析工作 - 通过简化信息来觅食循环中的数据流
课程描述
课程概述这个32小时的高级课程将使您拥有从无人飞机系统（UAS）（也称为无人机）中识别和提取可回收的各种数据来源所需的实用技能和能力，其中包括与批准的最佳实践一致的相关控制设备。使用Spyder Forensics的领先研究和开发，本课程将向您介绍无人机的世界，并指导您如何在进行法敏提取和对UAS数据进行分析的最佳实践中，并分析用作证据或情报收集。与会者将学习如何使用行业标准工具来创建包括飞行日志，飞机数据，照片和视频文件在内的不破坏性工具从飞机内收集数据，而无需拆卸飞机或控制器。学生将学习在获取移动设备上的应用程序数据时学习过程。获得数据后，与会者将使用最初旨在与这些类型的结构一起使用的软件来掌握如何分析飞行日志和用户数据，从而获得有关工作流程的知识，以连接无人机应用程序之间的数据和从飞机中恢复的飞行数据之间的数据。本课程使用非破坏性过程来提取和分析UAS中所有硬件的数据，包括手持设备，移动应用程序和无人机。可以免费使用dfir实验室中使用的大部分软件，而无需购买其他应用程序来进行简单的无人机检查。主要学习目标
揭示在线照片共享的现实效果
社交网络可自由访问其服务，以实施利用用户数据的权利。数据共享是在用户选择的初始上下文中完成的。但是，在不同情况下，社交网络和第三方通常使用数据，而这些数据通常不是透明的。为了揭示此类用法，我们提出了一个专注于在现实生活中的数据共享的影响。重点是视觉内容，因为它在塑造在线用户支持方面的强烈影响。该方法依赖于三个组件：（1）一组具有相关情况影响评级的视觉对象，（（2）一组针对采矿用户照片的对象探测器以及（3）由500个视觉用户pro填充的地面真实数据集，这些数据集是每个情况下都经过衡量的。这些组件合并为LERV UP，该方法学会在每种情况下对视觉用户的预测进行评分。借用了一个新的图像描述符，该描述符在用户级别汇总对象评分和对象检测以及一种注意机制，从而增强了高评分的对象，以防止它们被低评分的对象覆盖。通过测量评级自动排名与手动基础真理之间的相关性来评估绩效。结果表明，由于获得了这两个排名的强相关性，因此借用是有效的。还讨论了移动应用程序中该方法的实用性，该方法还讨论了用户对共享数据使用情况的认识。
AlfaCrux CubeSat 任务描述和早期结果
摘要：2022 年 4 月 1 日，AlfaCrux CubeSat 由 Falcon 9 Transporter-4 任务发射，这是 SpaceX 第四次专用小型卫星拼车计划任务，从佛罗里达州卡纳维拉尔角太空军站的 40 号航天发射台发射升空，进入 500 公里的太阳同步轨道。AlfaCrux 是一项业余无线电和教育任务，旨在在小型卫星任务的背景下提供学习和科学益处。这是一个理论和实践学习的机会，学习小型卫星的技术管理、系统设计、通信、轨道力学、开发、集成和操作。AlfaCrux 有效载荷是一种软件定义的无线电硬件，负责两项主要服务，即数字分组中继器和存储转发系统。在地面部分，已经开发了一个基于云计算的指挥和控制站，以及一个开放的在线平台，用于访问和可视化 AlfaCrux 遥测和用户数据和实验的主要信息。它还成为在轨数据库参考，可用于不同的研究，例如无线电传播、姿态重建、卫星传感器的数据驱动校准算法等。在此背景下，本文介绍了 AlfaCrux 任务、其主要子系统以及在早期轨道阶段取得的成就。本文还介绍和讨论了对航天器运行进行的科学和工程评估，以应对地面站的意外行为并更好地了解太空环境。
privacy_preserving_protocol_for ...
智能仪表是智能网络网络中能源消耗数据的主要来源，该网络可以用细性记录能量使用。使用智能仪表扩大了能源供应商与消费者之间的反应。智能电表的安全性和用户的隐私是至关重要的。智能表数据的研究，尤其是安全问题，是一个非常活跃的研究领域。高频智能电表以少量突发（每秒或分钟）捕获并传输能量使用数据。在如此短的时间内处理数据时保持高度的安全性对于智能电表等资源有限的设备至关重要。为了解决此问题，这项工作使用基于差异扩展的可逆水印和Paillier同型加密提供了高频智能电表（P3HF）的隐私协议。提出的协议可以通过引入唯一的加密服务器并使用联合水印和加密来保护实时数据传输，从而显着提高了高频智能电表的安全性。获得的结果，其中包括使用Arduino Uno Rev.3在真实硬件平台上进行的实验，表明所提出的方案确保了安全性和用户数据隐私，同时消耗了低的能量和执行时间。此外，比较分析表明，所提出的协议的性能要比有关数据和隐私需求，对攻击的韧性以及克服其局限性的能力的早期研究工作更好。
基于区块链的隐私保护框架和以患者为中心的访问控制
电子保健领域的技术进步导致了前所未有的医疗数据，从而增加了数据安全和隐私的风险。确保电子健康记录的隐私（EHR）由于云中医疗保健信息外包而变得具有挑战性。这增加了数据泄漏到未经授权的用户的机会，并影响用户数据的隐私和完整性。需要一个值得信赖的中央权力来保护敏感的患者信息免受内部和外部攻击。本文提出了一个基于区块链的隐私保护框架，以保护EHR数据。所提出的框架将区块链的不变性和分散性与先进的加密技术相结合，以确保EHR的机密性，完整性和可用性。EHR数据存储在使用混合加密算法加密的星际文件系统（IPFS）中。此外，在本文中设计了一种新型的基于智能接触的以患者为中心的智能接触的访问控制，使用基于区块链的SHA-256哈希算法来保护患者数据的隐私。实验结果表明，所提出的框架可以在具有改进的数据隐私和安全性的网络用户之间安全地共享健康信息。此外，与传统搜索过程相比，优化的搜索过程降低了时间和空间的复杂性。通过利用智能合约，该框架可以强制以患者为中心的访问控制，并允许患者管理和授权访问其医疗数据。
确保基于云的物联网：挑战和缓解
摘要：近年来，物联网（IoT）的进步显着，导致数字景观的范式转变。但是，这些技术进步引入了新的挑战，尤其是在网络安全方面。物联网设备本质上连接到Internet，容易受到各种形式的攻击。此外，物联网服务通常处理敏感用户数据，这些数据可能由恶意演员或未降低服务提供商来利用。随着物联网生态系统的扩展，在没有统一法规的情况下，基于传统和云的系统的融合会呈现独特的安全威胁。基于云的物联网系统，由平台-AS-A-Service（PAAS）和基础架构-AS-AS-Service（IAAS）模型启用，提供了灵活性和可扩展性，但也带来了额外的安全风险。这些系统与传统物联网设备之间的复杂互动需要全面的策略来保护数据完整性和用户隐私。本文强调了与物联网设备和服务广泛采用有关的紧迫安全问题。我们提出可行的解决方案，以弥合现有的安全差距，同时预期并为未来的挑战做准备。本文对IoT服务当前面临的关键确定性挑战提供了详细的调查。我们还提出了积极的策略来减轻这些风险，从而增强了物联网设备和服务的整体安全性。
电子平台中人工智能算法实现客户体验个性化效果研究
电子商务行业的增长使个性化成为为客户创造更具吸引力和更相关购物体验的关键策略。随着竞争加剧，电子商务公司竞相利用人工智能等技术来提升客户体验。电子商务中基于人工智能的个性化具有显着优势，包括能够通过深入分析用户数据提供更相关的产品推荐，最终提高用户体验和转化率。此外，这种个性化形式对转化率和销售率有积极影响，一些研究表明销售额增长高达 30%。客户忠诚度也得到加强，因为人工智能会根据个人喜好定制内容和推荐，让客户感到被重视。然而，实施人工智能的一个主要挑战是对隐私和数据安全的担忧。收集的大量数据可能会引发隐私问题，因为许多消费者对未经明确同意使用他们的个人数据感到不舒服。此外，人工智能系统收集的数据量不断增长，这增加了确保这些数据安全以防止隐私泄露的复杂性。因此，虽然人工智能可以显著提高电子商务绩效，但公司必须确保对隐私和数据安全的充分保护，以确保基于人工智能的个性化的长期成功。本研究旨在为电子商务公司提供见解，以优化基于人工智能的个性化的使用，并为管理和技术文献做出贡献。需要进一步研究以探索基于人工智能的个性化实施的成功因素。