XiaoMi-AI文件搜索系统
World File Search System编排
英国的现代工业战略 - 伦敦
2021 年推出的更高 TTR 税率已被证明有助于在疫情后振兴剧院行业。2 在成本增长快于收入增长的时期，它支持制作更大、更雄心勃勃的节目，鼓励大胆的节目编排，加强人才储备，扩大观众覆盖面。这培育了一个充满活力的剧院生态系统，在推动变革性社会利益的同时，实现了经济增长。保持较高的 TTR 税率对于维持创新、增长和该行业的世界领先地位至关重要。
联合的HPC，云和数据基础架构-UeroHPC JU
大脑建模工作流程•在不同的空间和时间尺度上探索，可视化，查询和导入数据 - 知识图和大脑图集（大数据）•在不同的尺度和工作流程（云）上生成模型（云）•（共同）使用不同的专用模拟器（HPC和NMH）模拟模型（HPC和NMH）•分析，最佳和实验性（HPC）或实验性（RobiS），BCI（HPC）（HPC），BCI（HPC）（HPC，HPC）模块）•编排，监视和转向（云和HPC）
零信任解决方案 AI 原生安全运营平台™
在安全运营中心 (SOC) 中集成人工智能 (AI)、自动化和编排可以从根本上改变安全运营，使其发展成为一个更主动、更高效、更有效的实体，能够灵活、精确地应对现代威胁形势。这种方法不仅可以加强组织的安全态势，而且需要资源利用率并增强战略决策。通过战略性地应用人工智能，分析、行为分析和威胁检测得到增强，使系统能够仔细预测和识别潜在的网络安全威胁和漏洞。自动化可以加强安全运营，促进对威胁的自动响应、细致的警报管理和熟练的补丁管理，确定低风险事件在无需不必要的人工干预的情况下得到管理。此外，流程的编排可以实现各种安全工具的同步、协调的事件响应以及不同团队和技术之间威胁情报的简化共享。这种由人工智能和自动化支持的主动防御机制包括警惕的威胁搜寻、细致的漏洞管理和广泛的数据保护，可保护网络免受未被发现的威胁和漏洞的侵害。该技术不仅通过可操作的见解和人工智能驱动的分析来增强决策和战略规划，而且还通过智能地整合警报、提供丰富的上下文和自动执行日常任务来减轻警报疲劳并提高分析师的工作效率。
移动边缘计算的深图强化学习：挑战和解决方案
随着物联网（IoT）的服务质量的提高（QoS）要求，移动边缘计算（MEC）无疑已成为一个新的范式，用于在用户设备（UE）附近找到各种资源，以减轻骨干iot Net-Net-Net-Net-Works的工作量。深度加固学习（DRL）已成为首选的概念，这主要是由于它可以指导每个用户设备（UE）在动态环境中做出适当决策的能力。但是，传统的DRL算法无法完全利用MEC图中设备之间的关系。在这里，我们指出了两个典型的IoT方案，即，当在UES和交叉分布式服务的编排中生成资源受限的边缘服务器（ESS）中的依赖任务时，任务卸载决策制定，其中系统成本是通过编排层次结构网络最小化的。为了进一步增强DRL的性能，图形神经网络（GNN）及其变异性为广泛的物联网场景提供了有希望的概括能力。我们相应地为上述两个典型情况提供了混凝土解决方案，即图形神经网络策略优化（GNNPPO）和图形神经网络工作 - 工作 - 工程 - 工程增强学习（GNN-MRL），它们将GNN与受欢迎的Actor-Critic方案和新开发的MRL结合在一起。最后，我们指出了四个有价值的研究方向，用于探索AI授权MEC环境的GNN和DRL。
通过计数米草图检测微构造攻击
摘要 - 对性能的持续追求推动了专业人员，以结合多个内核，缓存，加速单元或投机执行，使系统变得非常复杂。另一方面，这些功能通常会暴露出构成新挑战的意外漏洞。为了进行检查，可以利用缓存或投机执行引入的定时差异以泄漏信息或检测活动模式。保护嵌入式系统免受现有攻击是极具挑战性的，而且由于新的微体系攻击的持续崛起（例如，幽灵和编排攻击），这使它变得更加困难。在本文中，我们提出了一种新方法，该方法基于计数示意图，用于检测嵌入式系统介绍的微处理器中的微体系攻击。这个想法是将安全检查模块添加到系统中（无需修改保护器，而不是在保护下），负责观察被提取的说明，并识别和发出信号可能的可疑活动，而无需干扰系统的标称活动。可以在设计时（在部署后重新编程）对所提出的方法进行编程，以便始终更新Checker能够识别的攻击列表。我们将所提出的方法集成到了大型RISC-V核心中，我们证明了它在检测几种版本的幽灵，编排，Rowhammer和Flush+重新加载攻击方面的有效性。在最佳配置中，提出的方法能够检测到100％的攻击，没有错误的警报，并引入了大约10％的面积开销，大约增加了4％的功率，并且没有降低工作频率。
学习交互式现实世界模拟器
在Internet数据中训练的生成模型已彻底改变了如何创建文本，图像和视频内容。也许生成模式的下一个里程碑是对人类，机器人和其他互动剂采取的行动进行模拟现实经验。现实世界模拟器的应用程序范围从游戏和电影中的可控内容创建到纯粹在现实世界中直接部署的模拟中的体现代理。我们探索通过生成建模学习现实世界相互作用的通用模拟器（UNISIM）的可能性。我们首先要进行一个重要的观察，即可用于学习的天然数据集通常沿不同的维度富含（例如，图像数据中的丰富对象，机器人数据中的密集采样动作以及导航数据中的各种运动）。仔细编排了各种数据集的编排，每个数据集都提供了各个方面的各个方面，我们可以模拟两个高级指令的视觉结果，例如“打开抽屉”和低级控制，例如从其他静态场景和对象中使用“Δx，∆ y”。我们使用模拟器来训练高级视觉语言政策和低级强化学习政策，每种政策都可以在现实世界中部署在现实世界中，纯粹是在纯粹的训练中纯化的。我们还表明，其他类型的智能（例如视频字幕）可以通过模拟体验培训受益，开放更广泛的应用程序。可以在https://universal-simulator.github.io上找到视频演示。
确保云原生容器化应用程序
摘要 - 在过去的几年中，网络安全专业人员已公开认识到集装箱技术越来越受欢迎并被众多企业使用。云本地环境在促进许多位置的应用程序创建和部署应用程序方面已经获得了巨大的动力，从而提高了灵活性和简化的开发生命周期。容器提出了不同的网络安全问题，这些问题涉及几个组件，例如图像，容器，主机，运行时，注册和编排系统。这强调了分配资源来确保容器堆栈安全性的必要性。这项研究由Aqua Security于6月21日发布，重点介绍了攻击者可能损害公司的集装箱基础架构和图像供应链的各种方法。此外，如果未采取适当的措施，他们预计未来几年将增加600％。本文研究了集装箱编排和软件供应链环境中涉及的安全因素。为了解决这些问题，实施标准化的安全性和配置控件至关重要。本研究介绍了三个广泛的方案，这些方案可以解决容器管理中普遍的安全漏洞，以及当前可访问的相应解决方案。The use cases encompass: (I) Ensuring the security of application containers by preventing misconfigurations in the orchestrator (II) Protecting application containers from potential threats posed by insecure registries (III) Implementing a shielding cloud platform to protect against hacked containers Keywords — Cybersecurity, Containers, Orchestrations, Kubernetes, Infrastructure, Software Supply chain
人工智能、物联网和可追溯性路线图指南
物联网编排平台将独立的 IT 系统、软件和传感器集成到单一管理平台中。它允许您访问、管理和设置所有系统和设备上可用数据的自动规则，从产品和资产可追溯性解决方案到物联网传感器。但物联网平台不仅仅是物联网设备。它是一个连接所有参与者的数字生态系统。一个集中的、身份驱动的物联网平台对于确保供应链中流动的所有物联网和可追溯性数据都是可信、可靠和准确的至关重要。
超越 5G 的边缘智能空间
Pega 是一个用于 AI 决策和工作流自动化的低代码平台，它提供了一种低代码方法来自动化合作伙伴入职流程、定义和构建增值服务以及使用实时数据，以及用于动态定价和深入报告的高级分析。此外，Pega 还提供将订单报价组件分解为不同的合作伙伴面向客户的服务所需的客户编排流程，使用 TMForum Open API 在解决方案组件之间进行集成，从而可以无缝地向最终用户提供广泛的有针对性的服务。
