XiaoMi-AI文件搜索系统
World File Search System缓存
infinigen：具有动态KV缓存管理的大语言模型的有效生成推断
基于变压器的大语言模型（LLMS）在各种自然语言处理任务中都具有令人印象深刻的表现。为LLM推断为生成长含量而构成挑战，这是由于瞬态状态的巨大内存足迹（称为键值（KV）缓存），该状态以序列长度和批处理大小缩放。在本文中，我们提出了Infinigen，这是一种针对Longext Genertion量身定制的新型KV缓存管理框架，该框架协同与现代卸载基于卸载的推理系统合作。Infinigen利用了关键见解，即可以通过对当前层的最小彩排以及查询权重的一部分和后续层的关键缓存进行最小化的彩排来推测，对于计算变压器中后续注意力层至关重要的重要洞察力。这使我们只能预取基本的KV缓存条目（不提供所有内容），从而在基于卸载的LLM服务系统中减轻主机内存中的提取开销。我们对几种代表性LLMS的评估表明，与先前的KV高速缓存管理方法相比，Infinigen将基于现代卸载系统的总体性能提高了3.00倍，同时提供了更好的模型准确性。
修改模糊遗传算法：规则生成和缓存的最近邻居策略
摘要：遗传算法（GA）比其他方法（例如梯度下降或随机搜索）更有用，尤其是对于具有许多局部最小值和Maxima的非不同的函数，例如梯度下降或随机搜索。标准GA方法的缺点之一是需要设置许多超参数，并且基于复杂规则而不是更直观的模糊规则，选择压力是基于复杂的规则。通过模糊逻辑调整此类参数的遗传算法的变体，以使参数更新原理更容易解释，构成模糊遗传算法（FGAS）的类别。本文提出了对具有N个特性和自动生成规则的两个相对模糊遗传算法（FGA）的修改，以及旨在改善模拟运行时的计算优化。在基准功能（Ackley，Griewank，Rastrigin和Schwefel）上评估了修改，并且选择了每个修改方法的最佳设置（即成员资格功能，术语数，T-norm和t-conorm）。将结果与标准GA和粒子群优化（PSO）进行了比较。结果表明，FGA方法可以使用缓存和最近的邻居方法进行优化，而不会失去准确性和收敛性。证明这两种修改后的方法在统计学上的表现明显比基线方法差。结果，我们提出了对现有两种算法的两种优化：通过缓存和测试其性能，通过规则生成和最近的邻居估算进行外推。
通过在线加固学习中的多租户边缘计算中的缓存分配
摘要 - 我们在此工作边缘计算（EC）中考虑在多租户环境中：资源所有者，即网络运营商（NO），虚拟资源使资源虚拟化，并允许第三方服务提供商（SPS-租户）运行他们的服务，这可以多样化，并且具有异质要求。由于确保保证，NO无法观察到已加密的SPS的性质。这使资源分配决策具有挑战性，因为它们必须仅基于观察到的监视信息进行。我们专注于一个特定资源，即缓存空间，部署在某个边缘节点中，例如一个基站。我们研究了关于如何在几个SP中分区缓存的决定，以最大程度地减少上游流量。我们的目标是使用纯粹的数据驱动的，无模型的增强学习（RL）优化缓存分配。与RL的大多数应用程序不同，RL的大多数应用程序在模拟器上学习了决策策略，我们认为没有以前的知识可用于构建这种模拟器。因此，我们以在线方式应用RL，即通过直接扰动实际系统并监视其性能的变化来学习策略。由于扰动会产生虚假的流动，因此我们也限制了它们。我们在模拟中表明，我们的方法迅速融合了理论最佳，我们研究了它的公平性，对几种情况特征的敏感性，并将其与最先进的方法进行比较。我们的代码复制结果可作为开源。1
Ancer相关的缓存，疼痛和贫血
i。慢性癌症疼痛疼痛调节的临床生物学研究 - 对影响疼痛感知的情感和认知维度II的大脑区域之间的相互作用。用于慢性癌症疼痛的新的非阿片类药物 - 可能有效靶向混合起源的慢性癌症疼痛的潜在新分子的发展。iii。综合评估的策略，该策略将临床评估，认知心理社会和精神评估，生物学标记和机器学习方法整合在一起，以有效评估癌症中的慢性疼痛。 iv。 整合医学方法用于多模式管理的慢性癌症疼痛 - 探索与综合疗法相关的生物学因素和标志物，这些疗法有助于疼痛管理和策略，这些综合疗法如何单独或结合使用，无论是在慢性癌症疼痛的疼痛效果/疗法诱导的促进症中的疼痛（perip）的痛苦（促进）促进性促进性的（peripera）诱导的促进症的痛苦（并针对辐射的靶向疼痛。综合评估的策略，该策略将临床评估，认知心理社会和精神评估，生物学标记和机器学习方法整合在一起，以有效评估癌症中的慢性疼痛。iv。整合医学方法用于多模式管理的慢性癌症疼痛 - 探索与综合疗法相关的生物学因素和标志物，这些疗法有助于疼痛管理和策略，这些综合疗法如何单独或结合使用，无论是在慢性癌症疼痛的疼痛效果/疗法诱导的促进症中的疼痛（perip）的痛苦（促进）促进性促进性的（peripera）诱导的促进症的痛苦（并针对辐射的靶向疼痛。
由机器学习驱动的端到端自动缓存攻击
信息或电磁发散。自1996年第一次出版关于时机攻击的首次出版物以来，这种称为侧道攻击的新一代攻击在很大程度上引起了研究界的关注[20]。攻击的可能性很多，鉴于在敏感计算过程中设备可以披露的各种信号：功耗[19，24]，磁场[11]，温度[5]甚至声音[1]。 读者被转介给[15]，以进行有关侧通道攻击的广泛介绍。 本文重点介绍了一个特定类别的侧通道攻击：恰当的攻击。 这些攻击是基于从CPU缓存内存泄漏的定时信息。 的确，当目标算法使用SEN-SINDIVE信息时，它将秘密数据加载到缓存内存中。 可以利用间谍保护的攻击者间接检查缓存mem-yry的内容，可以推断出目标算法已操纵哪些数据。 Tsunoo等人首先引入了缓存攻击。 在[35]中打破DES。 后来，在流行的缓存攻击中，使用缓存信息来打破AES [3]，以及RSA的RSA：Flush+Reload [38]。 在本文中，我们将使用后一种攻击的改进：冲洗+冲洗攻击[14]，它更隐形，产生更多的结果。 更具体地，我们在本文中研究了对ECDSA的OpenSSL实现的缓存时间攻击，ECDSA是用于数字签名的椭圆曲线算法。 OpenSSL [27]是用于实现加密协议的开源工具包。攻击的可能性很多，鉴于在敏感计算过程中设备可以披露的各种信号：功耗[19，24]，磁场[11]，温度[5]甚至声音[1]。读者被转介给[15]，以进行有关侧通道攻击的广泛介绍。本文重点介绍了一个特定类别的侧通道攻击：恰当的攻击。这些攻击是基于从CPU缓存内存泄漏的定时信息。的确，当目标算法使用SEN-SINDIVE信息时，它将秘密数据加载到缓存内存中。可以利用间谍保护的攻击者间接检查缓存mem-yry的内容，可以推断出目标算法已操纵哪些数据。缓存攻击。在[35]中打破DES。后来，在流行的缓存攻击中，使用缓存信息来打破AES [3]，以及RSA的RSA：Flush+Reload [38]。在本文中，我们将使用后一种攻击的改进：冲洗+冲洗攻击[14]，它更隐形，产生更多的结果。更具体地，我们在本文中研究了对ECDSA的OpenSSL实现的缓存时间攻击，ECDSA是用于数字签名的椭圆曲线算法。OpenSSL [27]是用于实现加密协议的开源工具包。使用C实现的功能库通常用于实现安全套接字层和传输层安全协议，还用于启用OpenPGP和其他加密标准。
- Windows 11 Home 64位-Intel Core Ultra 7 155h（24MB缓存）-35.6 cm（14“）
- Windows 11 Home 64 -bit -Intel Core Ultra 7 155H（24MB缓存）-35.6 cm（14“”） 35.6厘米（14英寸）Wuxga 1920 x 1200 OLED，Intel Arc图形，WLAN，网络摄像头，Windows 11 Home 64位Lenovo IdeaPad 5 Slim Notebook 14“ Intel Core ultra 7 16GB 1TB。产品类型：笔记本电脑，外形：clamshell。家庭处理器：Intel Core Ultra 7，处理器模型：155H。RAM已安装：16 GB，RAM类型：LPDDR5X-SDRAM。 总存储容量：1 TB，内存支持：SSD。 集成的图形卡模型：Intel Arc图形。 产品颜色：灰色。 重量：1.46 kgRAM已安装：16 GB，RAM类型：LPDDR5X-SDRAM。 总存储容量：1 TB，内存支持：SSD。 集成的图形卡模型：Intel Arc图形。 产品颜色：灰色。 重量：1.46 kgRAM已安装：16 GB，RAM类型：LPDDR5X-SDRAM。总存储容量：1 TB，内存支持：SSD。集成的图形卡模型：Intel Arc图形。产品颜色：灰色。重量：1.46 kg
微观缓存和微观
系统。这些多功能设备（或系统）利用集成电路（IC）批处理处理技术来制造这些复杂的设备，将机械工程的精度与电气工程的复杂性融合（Wang等人。2024; Algamili等。2024; Geetha 2011）。mems设备和系统具有感知，控制和攻击的能力，并在微观尺度和产生影响宏观尺度的效果上。mems制造涉及各种技术领域的设计，工程和制造专业知识，包括集成电路制造技术，机械工程，材料科学，电气工程，化学和化学工程。这种多学科方法对于MEMS技术的发展和发展至关重要。流体工程，光学，仪器和包装等其他领域在MEMS设备和系统的制造中也起着重要作用。MEMS设备通常是使用半导体制造工艺制成的，类似于综合电路（ICS）的生产（Torkashvand 2024; Mohd et al。2020; Dibyendu 2015）。MEMS设备的制造涉及多个关键步骤，包括设计，材料选择，晶圆处理和包装，这些步骤是微系统技术的子集（MST）（Senturia 2002； Maluf and Williams 2004）。
相似性缓存 - IRIS-AperTO
摘要 —本文重点介绍相似性缓存系统，其中用户对不在缓存中的对象 𝑜 的请求可以通过存储的相似对象 𝑜 ′ 来（部分）满足，但代价是用户效用的损失。相似性缓存系统可有效地用于多个应用领域，如多媒体检索、推荐系统、基因组研究和机器学习训练/服务。然而，尽管它们具有相关性，但人们对此类系统的行为还远未得到很好的理解。在本文中，我们首次全面分析了离线、对抗和随机设置中的相似性缓存。我们表明相似性缓存带来了重大的新挑战，为此我们提出了第一个具有一些最优性保证的动态策略。我们在合成和真实请求跟踪下评估了我们方案的性能。
驱逐与随机的缓存中的探索，并通过加强学习Mulong Luo和Mohit Tiwari austin mulong@utexas.edu
备注：驱逐设置算法是实现更强大的缓存正时攻击的关键1.last级高速缓存侧渠道攻击是实用的，刘，奥克兰，2015年，2015年2。加密地址缓存的新攻击和防御寻找驱逐集的理论和实践，奥克兰Vila，2019年4。对基于随机的保护缓存架构的系统分析。Purnal等。al。2021 5。最后一级的缓存侧通道攻击在现代公共云中是可行的，
