XiaoMi-AI文件搜索系统
World File Search System轻量级
通过基于挤出的3D打印来开发地球聚合物轻量级体系结构
对CO 2排放的缓解一直是近几十年来的主要社会问题，而后燃烧后CO 2是研究界提出的有效策略。分层多孔地球聚合物整体使用基于挤出的3D打印来制造CO 2捕获。首先使用碱性激活剂和增塑剂制定基于高岭土的粘弹性糊，并且观察到粘度随时间增加。第二，使用不同的后处理条件（如热固化，热液固化和高温热处理及其物理机械特性和CO 2 Adsorptive）对3D打印的多孔整体进行处理。热固化和加热的样品表现出无定形相，而在水热处理的样品中观察到了沸石相。印刷并随后进行热处理的机械稳定样品显示出比传统铸造的地球聚合物（0.66 mmol/g）明显更高的CO 2吸附（1.22 mmol/g）。将3D打印与地球聚合物技术相结合可以为CO 2捕获提供可持续的方法设计和结构吸附剂。
适用于高安全性应用的轻量级可重构 RRAM PUF
摘要 — 最近，忆阻器在各种应用中受到了广泛关注。即使是电阻式存储器件 (RRAM) 的一些主要缺点（例如可变性），也已成为以物理不可克隆功能 (PUF) 形式实现硬件安全性的有吸引力的特性。尽管文献中已经出现了几种基于 RRAM 的 PUF，但它们仍然存在与可靠性、可重构性和大量集成成本相关的一些问题。本文介绍了一种新型轻量级可重构 RRAM PUF (LRR-PUF)，其中使用连接到同一位线和相同晶体管 (1T4R) 的多个 RRAM 单元来生成单个位响应。所使用的脉冲编程方法也很有创新性：1) 它允许实现节能的实现，2) 它利用切换 RRAM 单元作为 PUF 的主要熵源所需的脉冲数量的变化。所提出的 PUF 的主要特点是它几乎不需要额外成本就可以与任何 RRAM 架构集成。通过大量模拟，包括温度和电压变化的影响以及统计特性，我们证明了 LRR-PUF 表现出其他之前提出的基于 RRAM 的 PUF 所缺乏或难以实现的出色特性，包括高可靠性（几乎 100%），这对于加密密钥生成、可重构性、唯一性、成本和效率至关重要。此外，该设计成功通过了相关的 NIST 随机性测试。
用于安全 IoMT 通信的轻量级量子密钥分发
摘要。针对 COVID-19 等流行病的生物医学仪器和管理平台正在迅速采用支持物联网的医疗设备 (IoMT)。量子密钥分发 (QKD) 也被认为是应用顶级互联网战略的基本原理、工具、方法和思想，特别是在医疗保健和医疗领域。然而，使用 QKD 的高效端到端验证系统解决了协议的安全问题并简化了整个流程。因此，尽管成本可能会增加和出现错误的可能性，但必须实施一种新系统，使数据传输顺畅而不损害其完整性。当存在额外的传感器和设备并且需要更多能量来处理它们时，可以使用更有效的算法来降低功耗。
对关键医疗保健监控的绩效效率的自适应轻量级安全
摘要 - 由于其批判性质，医疗基础设施需要强大的要求程序，技术和政策。由于物联网（IoT）具有多样化的技术，已成为未来医疗保健系统不可或缺的组成部分，因此由于其固有的安全性限制，其资源限制来自资源限制，因此需要进行详尽的分析。现有用于物联网连接性的通信技术，例如5G，将基础通信基础架构的通信安全提供到一定级别。但是，不断发展的医疗保健范式需要适应物联网设备的不同资源限制的自适应安全程序和技术。在考虑“ 5G安全沙盒”之外的组件（例如IoT节点和M2M连接）之外，对自适应安全性的需求特别明显，这引入了其他安全挑战。本文提出了独特的医疗保健监控要求，并研究了现有的基于加密的安全性，以提供必要的安全性。此外，这项研究介绍了一种新颖的方法，可在医疗保健IoT中优化安全性和性能，尤其是在诸如远程患者监测之类的关键用例中。最后，实际实施的结果证明了系统性能的明显改善。索引条款 - 自动安全性；卫生保健; iomt;远程患者监测； mqtt;物联网（物联网）。
采用轻量级 CNN 进行人工智能疾病预测的医疗保健系统
在现代全球卫生领域，慢性病，特别是影响大脑和肝脏的慢性病，已成为世界各国面临的主要挑战。世界卫生组织 (WHO) 强调慢性病的日益流行，并指出其影响超过了感染和其他传统健康问题 [1,2]。脑部疾病包括从阿尔茨海默氏症等神经退行性疾病到脑瘤的一系列疾病，肝部疾病则包括从肝硬化到肝炎的多种疾病。这些疾病对个人、家庭和社会产生深远影响，是全球发病率和死亡率的重要原因，每年有数百万人受到其严重后果的影响。预测影响大脑和肝脏等慢性病的复杂性在于影响因素众多，从遗传易感性到环境暴露 [3,4]。早期发现对于管理和潜在缓解这些疾病至关重要，但由于早期症状不明显且往往具有误导性，因此仍然具有挑战性。例如，肝病的早期症状可能表现为单纯的疲劳或轻微的腹部不适，很容易与不太严重的疾病混淆。同样，脑部疾病的早期指标也可能被误认为是正常衰老。物联网（IoT）的出现——一项变革性的技术创新——有望重新定义医疗服务。物联网包含一个庞大的互联设备网络，这些设备无需人工干预即可收集、传输和分析数据，从而开启了医疗诊断和患者护理的新时代 [ 5 , 6 ]。
atlite：用于计算可再生能源潜力和时间序列的轻量级 Python 包
在能源系统建模中，获取基于天气的时间序列和大面积可再生能源的最大容量潜力是一个常见问题。存在具有开放 API 的网站，例如可用于此目的的 renewables.ninja（Pfenninger & Staffell, 2016；Staffell & Pfenninger, 2016），但它们难以用于本地执行（例如在集群环境中），并且仅限于非商业用途。此外，从设计上讲，它们既不公开底层数据集，也不公开用于获取时间序列的方法（此处称为转换函数/方法）。这使得它们不适合利用不同的天气数据集或探索替代转换函数。pvlib（Holmgren et al., 2018）适合本地执行并允许互换输入数据，但仅适用于光伏系统，且旨在用于单一位置建模。其他软件包，例如丹麦的 REatlas（Andresen 等，2015）面临可访问性障碍、基于专有代码、缺少文档并且输入的灵活性受到限制。
LILLIPUT：用于近期量子纠错的轻量级低延迟查找表解码器
量子设备的错误率比运行大多数量子应用程序所需的错误率高出几个数量级。为了弥补这一差距，量子纠错 (QEC) 对逻辑量子位进行编码并使用多个物理量子位分发信息。通过定期对逻辑量子位执行综合征提取电路，可以在运行程序时提取有关错误（称为综合征）的信息。解码器使用这些综合征来实时识别和纠正错误，这对于防止错误累积是必要的。不幸的是，软件解码器速度很慢，而硬件解码器速度快但准确性较低。因此，到目前为止，几乎所有的 QEC 研究都依赖于离线解码。为了在近期的 QEC 中实现实时解码，我们提出了 LILLIPUT——一种轻量级低延迟查找表解码器。LILLIPUT 由两部分组成——首先，它将综合征转换为错误检测事件，这些事件被索引到查找表 (LUT) 中，其条目实时提供错误信息。其次，它通过离线运行软件解码器，对 LUT 进行错误分配编程，以应对所有可能的错误事件。LILLIPUT 可以容忍量子硬件中任何操作的错误，包括门和测量，并且可容忍的错误数量随着代码大小而增加。LILLIPUT 在现成的 FPGA 上使用的逻辑不到 7%，因此可以实际采用，因为 FPGA 已经用于设计现有系统中的控制和读出电路。LIL-LIPUT 的延迟只有几纳秒，可以实现实时解码。我们还提出了压缩 LUT (CLUT) 来减少 LILLIPUT 所需的内存。通过利用并非所有错误事件都同样可能的事实，并且只存储最可能的错误事件的数据，CLUT 将所需内存减少了多达 107 倍（从 148 MB 减少到 1.38 MB），而不会降低准确性。
SkySense：利用气象气球的轻量级传感技术分析地面和空中频谱使用情况
鉴于轻型无线电和处理技术的可用性，使用气象气球的频谱传感系统变得可行。这种气球可在高达 40 公里的空域中航行，并可提供鸟瞰图和清晰的地面和空中频谱使用情况。在本文中，我们介绍了 SkySense，它是 Electrosense 传感框架的扩展，具有移动 GPS 定位传感器和本地数据记录。此外，我们还介绍了 6 种不同的传感活动，针对多种地面或空中技术，如 ADS-B、AIS 或 LTE。例如，对于 ADS-B，我们可以清楚地得出结论，检测到的飞机数量对于每个气球高度都是相同的，但由于碰撞，消息接收率会随着高度的增加而急剧下降。对于每个传感活动，都描述了数据集，并给出了一些示例频谱分析结果。此外，我们还分析和量化了从空中感知时可见的重要趋势，例如温度和硬件变化、环境干扰水平的增加以及轻量级系统的硬件限制。一个关键的挑战是系统的自动增益控制和动态范围，因为在 30 公里以上导航的无线电可以看到非常广泛的可能信号电平范围。所有数据都可通过 Electrosense 框架公开获取，以鼓励频谱感知社区进一步分析数据或激励使用气象气球进行进一步的测量活动。
AML-Net：基于注意力机制的医疗物联网脑肿瘤分割多尺度轻量级模型
摘要 利用 MRI 图像进行脑肿瘤分割对于疾病诊断、监测和治疗计划非常重要。到目前为止，已经为此开发了许多编码器-解码器架构，其中 U-Net 的使用最为广泛。然而，这些架构需要大量参数来训练，并且存在语义差距。一些工作试图制作一个轻量级模型并进行通道修剪，但这会产生较小的感受野，从而影响准确性。为了克服上述问题，作者提出了一种基于注意机制的多尺度轻量级模型 AML-Net，用于医疗物联网。该模型由三个小型编码器-解码器架构组成，它们使用不同尺度的输入图像以及先前学习的特征进行训练以减少损失。此外，作者设计了一个注意力模块来取代传统的跳过连接。对于注意力模块，进行了六个不同的实验，其中具有空间注意力的扩张卷积表现良好。这个注意力模块有三个扩张卷积，它们形成了一个相对较大的感受野，然后是空间注意力，以从编码器低级特征中提取全局上下文。然后将这些精细特征与解码器同一层的高级特征相结合。作者在 Cancer Genome Atlas 提供的低级别胶质瘤数据集上进行实验，该数据集至少具有液体衰减反转恢复模态。与 Z-Net、U-Net、Double U-Net、BCDU-Net 和 CU-Net 相比，所提出的模型的参数分别少 1/43.4、1/30.3、1/28.5、1/20.2 和 1/16.7。此外，作者的模型给出的结果为 IoU = 0.834、F 1-score = 0.909 和灵敏度 = 0.939，大于 U-Net、CU-Net、RCA-IUnet 和 PMED-Net。
基于区块链的支持轻量级多跳信息问责的供应链隐私保护
众所周知，供应链上的信息共享可以提高生产力并降低成本。然而，随着供应链向更加动态和灵活的方向发展，隐私问题对所需的信息检索提出了严峻的挑战。不同利益相关者之间缺乏信任会阻碍先进的多跳信息流，因为用于跟踪和追溯产品和零件的宝贵信息要么不可用，要么仅保留在本地。我们对以前方法的广泛文献综述表明，这些跨公司信息检索的需求得到了广泛认可，但相关工作目前只能充分解决这些问题。为了克服这些问题，我们提出了 PrivAccIChain，这是一种安全的隐私保护架构，用于改进供应链上的多跳信息检索，并实现利益相关者责任制。为了满足特定用例的需求，我们特别在设计中引入了透明度和数据隐私的适应性配置。因此，即使在包括相互不信任的利益相关者的供应链中，我们也能实现信息共享以及多跳跟踪和追踪的好处。我们评估了 PrivAccIChain 的性能，并根据可购买汽车 e.GO Life 的信息证明了其在现实世界中的可行性。我们进一步进行了深入的安全分析，并提出了针对常见攻击的可调缓解措施。因此，我们证明 PrivAccIChain 即使在具有灵活和动态业务关系的复杂供应链中也适用于信息管理。