XiaoMi-AI文件搜索系统
World File Search System配置问题
Cyber COBRA（情境客观评级）
根据周围标准对发现进行评级，通过遵循定义的经验方法来得出计算评级，建立了一种符合上下文的一致方法。当今存在许多行业方法和框架，例如通用漏洞评分系统 (CVSS)，它试图根据回答一般性问题对发现进行评级 [1]。此外，还有通用配置评分系统 (CCSS)，它通过关注软件配置问题来衡量严重性 [8]。当应用于洛克希德马丁生态系统时，事实证明按照设计使用这些框架具有挑战性，洛克希德马丁生态系统是一家托管国家安全系统 (NSS) 和处理受控非机密信息 (CUI) 的国防承包商 [6、11、12]。CVSS 虽然通用、基础广泛且缺乏适应能力，但它为进一步研究提供了基础，以确定产生一致、准确结果所需的修改。该团队使用过去参与的真实网络测试结果创建了上下文目标评估 (COBRA) 框架，以调整问题、类别等。COBRA 旨在从网络测试利用的角度确定发现的关键性（严重性评级）。请注意，在本文中，关键性和严重性、任务和参与度等术语有时可以互换使用。最终，COBRA 会提出由子问题支持的初始网络测试问题：
人工智能驱动的移动网络
摘要 — 移动网络 (MN) 有望提供前所未有的机会，实现全新的互联体验世界，并从根本上改变人们与万物互动的方式。由于配置问题日益复杂，新服务需求不断涌现，MN 变得越来越复杂。这种复杂性对部署、管理、运营、优化和维护提出了重大挑战，因为它们需要对 MN 有完整的理解和认知。人工智能 (AI) 处理计算机中智能行为的模拟，已在许多应用领域取得巨大成功，表明其在认知 MN 状态和做出智能决策方面具有潜力。在本文中，我们首先提出了一种由人工智能驱动的移动网络架构，并讨论了认知复杂性、高维动作空间决策和系统动态自适应方面的挑战。然后，讨论了与人工智能相关的潜在解决方案。最后，我们提出了一种深度学习方法，将 MN 的状态直接映射到感知的 QoS，将认知与决策相结合。我们提出的方法可以帮助运营商做出更明智的决策来保证 QoS。同时，我们提出的方法的有效性和优势在真实数据集上得到了证明，该数据集涉及 5 天内 77 个站点的 31261 名用户。