XiaoMi-AI文件搜索系统
World File Search System网络层
PCSFE考试名称：Palo Alto网络认证软件...
A.完整的API促进对策略和配置的程序控制B. VXLAN对网络层抽象的支持C.动态地址组以动态调整安全性D. NVGRE对高级VLAN集成的支持。策略和配置 - 动态地址组以动态调整安全策略。帕洛阿尔托网络平台架构由四个关键要素组成：本质集成的安全技术，全套API，云交换服务和集中管理。全套API可以在平台上对策略和配置进行编程控制，从而可以与SDN控制器和编排工具进行自动化和集成。动态地址组是基于标准，区域，接口或用户定义的属性等标准表示IP地址组的对象。动态地址组允许安全策略动态适应网络拓扑或工作负载特征的更改，而无需手动更新。VXLAN对网络抽象的支持和NVGRE对高级VLAN集成的支持不是Palo Alto Networks平台体系结构的元素，而是支持SDN部署的功能。问题2哪些组件扫描允许流量中的威胁？
2021 年博士和硕士研究主题
研究领域的一般描述：第四次工业革命，或工业 4.0，是制造技术中自动化和数据交换的当前趋势，人们对许多其他领域的兴趣也日益浓厚。工业 4.0 愿景依赖于关键的支持技术，例如信息物理系统 (CPS)、物联网 (IoT) 和云计算服务。我们的研究重点是开发反映现实的架构，用于三个级别的 CPS 的多领域实施：(1) 在“智能连接级别”，考虑无线通信和传感器网络等物联网相关问题。(2) “数据到信息转换级别”考虑诸如组件机器健康和退化的智能分析以及性能预测等问题。(3) “网络层”考虑了诸如组件和机器的孪生模型（或数字孪生）、机器时变识别和记忆以及数据挖掘的数据聚类等问题。我们还考虑了人类及其集成的作用，既作为任务执行者，又作为决策者，作为 CPS 以及与工业 4.0 环境中的其他 CPS 的集成。我们对控制架构的适应性以及使用技术（例如协作机器人和增强现实）来促进这种集成感兴趣。更多信息可在 www.sun.ac.za/mad 上找到。
朝着基于区块链的安全BGP路由，挑战和未来的研究方向
边界网关协议（BGP）是Internet的标准域间路由协议，它传达了网络层的可及性信息，并建立了通往不同目的地的路由。BGP协议表现出安全设计缺陷，例如无条件的信任机制以及BGP相邻节点对同行的BGP路线公告的默认接受，很容易触发前缀劫持，路径伪造，路线泄漏和其他BGP安全威胁。同时，依靠公共密钥基础架构的传统BGP安全机制面临单一失败和单个信任点等问题。区块链的权力下放，反侵略和可追溯性优势为构建安全和值得信赖的域间路由机制提供了新的解决方案想法。在本文中，我们详细概述了BGP协议的特征，分解BGP安全威胁及其原因。此外，我们分析了传统的BGP安全机制的缺点，并全面评估了基于区块链的解决方案，以解决上述问题，并验证基于区块链的BGP安全方法在缓解BGP安全威胁时的可靠性和有效性。最后，我们讨论了BGP安全问题和未来研究的概述前景所带来的挑战。
超级核武器的多任务学习
多任务学习体系结构通过在网络之间共享参数来利用共享知识并提高实现的能力来同时建模多个相关任务。设计多任务体系结构是由于参数效率和在所有网络层上灵活建模任务差异的能力之间的权衡而具有挑战性的。我们提出了多任务Hyper Nnetworks，这是一种新颖的多任务学习体系结构，绕过这种权衡，从而生成柔性任务网络，每个任务的参数数量最少。我们的方法使用超网络来从小任务特定的嵌入中为每个任务生成不同的网络权重，并在任务之间启用抽象知识转移。我们的方法从现有的多任务学习架构中脱颖而出，通过提供附加功能来利用任务级元数据来明确学习任务关系和任务功能。我们从经验上表明，多任务超级核武器的表现优于小型禁忌数据问题的许多最先进的多任务学习架构，并且比现有方法更有效地利用元数据。
科学艺术与梅蒂尔（SAM）
我们提出了一种自适应物理学的深层均质化神经网络（DHN）方法，以制定具有不同微结构的弹性和热弹性周期性阵列的全场微力学模型。通过完全连接的多层连接的单位细胞溶液通过最大程度地限制根据应力平衡和热传导部分微分方程（PDE）的残差之和，以及无界面的无牵引力或绝热边界条件。相比，通过引入具有正弦函数的网络层直接满足周期性边界条件。完全可训练的权重施加在所有搭配点上，这些搭配点与网络权重同时训练。因此，网络会在损耗函数中自动为界面附近（尤其是单位细胞解决方案的具有挑战性的区域）中的搭配点分配更高的权重。这迫使神经网络在这些特定点上提高其性能。针对有限元素和弹性解决方案的自适应DHN的精度分别用于椭圆形和圆柱孔/纤维的弹性解决方案。自适应DHN比原始DHN技术的优点是通过考虑局部不规则的多孔架构来证明合理的，孔隙 - 孔相互作用使训练网络特别缓慢且难以优化。
空间旋转：带有Spintronics实施的基于空间辍学的二进制贝叶斯神经网络
摘要 - 机器学习系统在实时，关键的决策领域（例如自动驾驶和工业自动化）中获得了突出性。他们的实现应通过不确定性估计来避免过度自信的预测。贝叶斯神经网络（Baynns）是估计预测不确定性的原则方法。但是，它们的计算成本和功耗阻碍了它们在Edge AI中的广泛部署。利用辍学作为后验分布的近似值，将贝恩的参数进行二进制，以及在基于Spintronics基于旋转的计算中（CIM）硬件阵列中实现它们的进一步，可以提供可行的解决方案。但是，设计用于卷积神经网络（CNN）拓扑的硬件辍学模块是具有挑战性且昂贵的，因为它们可能需要大量的辍学模块，并且需要使用空间信息来删除某些元素。在本文中，我们引入了MC-SpatialDropout，这是一种基于空间辍学的近似贝恩，带有Spintronics的新兴设备。我们的方法利用Spintronic设备的固有随机性与现有实现相比有效地实现了空间辍学模块。此外，每个网络层的辍学模块的数量减少了9倍，能量消耗量为94。11×，同时与相关工作相比仍能实现可比的预测性能和不确定性估计。
有人类参与者的网络物理系统的安全性
信息物理系统 (CPS) 是一种大型系统，通过一个支持连接、传感和数据处理的网络层无缝集成物理和人为因素。CPS 的主要示例包括智能电力系统、智能交通系统和物联网 (IoT)。这种大规模信息物理互连带来了各种运营优势，有望将城市、基础设施和网络系统转变为更高效、互动性更强、互连性更强的智能系统。然而，这种无处不在的连接性使 CPS 容易受到严重的安全威胁，最近发现的 Stuxnet 蠕虫和 Mirai 恶意软件以及最近报道的电网和物联网等多个 CPS 应用领域的安全漏洞就是明证。应对这些最终的安全挑战需要对 CPS 安全性进行全面分析，这需要：1) 确定可能对 CPS 的攻击的影响以及任何已实施的防御机制的有效性，2) 分析 CPS 中发生的多代理交互（人类和自动化系统之间）对系统的安全状态有直接影响，3) 认识到人类及其决策过程在 CPS 安全中的作用。基于这三个原则，本论文的中心目标是通过开发万无一失的防御策略来增强具有人类参与者的 CPS 的安全性
多服务供应商的量子网络 - CUHK CSE
引言自从 20 世纪 60 年代末 ARPAnet 诞生以来，传统互联网就对服务和社会产生了变革性的影响。现在，随着量子信息和计算技术的进步，一种新型通信网络即量子互联网的研究正在进行中 [1, 2]。这种网络由能够共享纠缠的节点组成，纠缠是一种通过称为量子隐形传态的过程传输量子信息的资源。发送以量子系统状态编码的信息的能力将实现多种新服务，如安全通信、高精度时钟同步、分布式和盲量子计算以及量子遥测。然而，量子互联网的创建需要重新思考和重新设计传统互联网所依赖的网络协议，以支持量子力学的特性和局限性。幸运的是，该领域已经在开展令人兴奋的工作，量子网络堆栈的不同层都取得了进展。在物理层，已在光纤中证明了数十公里距离的纠缠[3, 4]。已提出了一种链路层协议[5]，用于在物理连接的量子节点之间提供强大的纠缠生成服务。在网络层，[6–9]讨论了纠缠路由问题，[10]提出了一种传输层的量子重传协议。
![arXiv:2007.09260v1 [eess.IV] 2020 年 7 月 17 日](/simg/g:\will\search\icon\source\e\ed6e2d11fcc1a271a7986fb7330794c297956414.webp)
arXiv:2007.09260v1 [eess.IV] 2020 年 7 月 17 日
摘要 心理健康、神经发育和学习障碍的脑成像与机器学习相结合，仅根据患者的脑部活动来识别患者，并最终识别出从较小样本数据推广到较大样本的特征。然而，机器学习分类算法在神经功能数据上的成功仅限于数十名参与者的更同质的数据集。最近，更大的脑成像数据集允许应用深度学习技术，仅根据神经功能特征对脑状态和临床组进行分类。深度学习技术为医疗保健应用中的分类提供了有用的工具，包括结构化 3D 脑图像的分类。最近的方法提高了较大功能性脑成像数据集的分类性能，但它们无法提供有关潜在状况的诊断见解或提供分类所依据的神经特征的解释。我们通过利用多种网络可视化技术来应对这一挑战，以表明在负责学习高级特征的卷积神经网络层中使用此类技术，我们能够为专家支持的对被分类状况的见解提供有意义的图像。我们的结果表明，不仅能够仅通过大脑成像对发展性阅读障碍进行准确分类，而且还能够自动可视化所涉及的特征，与当代神经科学知识相匹配，这表明视觉解释确实有助于揭示被分类疾病的神经学基础。
丙泊酚介导的无意识状态会破坏感觉信号在皮质层级中的传递
在美国，每天有近 60,000 例手术使用全身麻醉（Brown、Lydic 和 Schiff，2010 年）。全身麻醉的一个关键组成部分是无意识，在此期间患者不知道自己所处的环境（Brown 等人，2010 年）。当无法实现这一目标时，就会出现术中意识（Ghoneim，2000 年）。虽然这种现象很少见（Sebel 等人，2004 年），但经历过这种现象的患者报告称，他们受到了严重的创伤（Kotsovolis 和 Komninos，2009 年）。大多数关于麻醉对大脑影响的研究都集中在生理状态变化上。然而，如果我们要了解麻醉如何导致无意识以及麻醉在术中意识中是如何失效的，我们需要了解麻醉对感觉输入处理的影响。我们打算使用最常用的麻醉剂之一异丙酚来做到这一点。丙泊酚是一种 γ-氨基丁酸激动剂（Hemmings 等人，2005 年，2019 年；Bai、Pennefather、MacDonald 和 Orser，1999 年）。尽管丙泊酚的分子作用机制已被充分理解（Sahinovic、Struys 和 Absalom，2018 年），但我们对其在功能网络层面的作用机制了解较少（Lewis 等人，2012 年，2013 年；Purdon 等人，2013 年；Brown、Purdon 和 Van Dort，2011 年）。丙泊酚诱导慢振荡总体增加