XiaoMi-AI文件搜索系统
World File Search SystemAWID
可持续发展和社会公正的女权主义计划
阿巴斯医师（Abbas），AWID；联合国妇女署的拉娜·阿卡（Lana Ackar）芭芭拉·亚当斯（Barbara Adams），新学院；劳拉·阿尔弗斯（Laura Alfers），WIEGO；致电康考迪亚大学的 Akbulut；福特基金会的莫妮卡·德曼； Phelogene Anumo，AWID； ONE 女子组的吉内特·阿斯科纳 (Ginette Azcona)；伊莎贝拉·巴克，约克大学；拉迪卡·巴拉克里希南 (Radhika Balakrishnan)，罗格斯大学； Elisenda Crossbow，国际IDEA公司；联合国妇女署朱莉·巴林顿；汉娜·巴加维（Hannah Bargawi），伦敦大学亚非学院；阿默斯特学院的 Amrita Basu；弗拉维亚·比罗利 (Flavia Biroli)，巴西利亚大学；艾丽莎·布劳斯坦 (Elissa Braunstein)，科罗拉多州立大学；索马里樱桃，独立；迪普塔·乔普拉 (Deepta Chopra)，发展研究所；雷切尔·科埃略 (Rachel Coello)，ONE Women；莎拉·库克（Sarah Cook），新南威尔士大学；菲律宾能源、生态与发展中心的 Avril de Torres；联合国妇女署的马马杜·博博·迪亚洛；维多利亚·迪亚兹-加西亚（ONE Women）萨拉·杜埃尔托-瓦莱罗（ONE Women）马萨诸塞大学洛厄尔分校的米尼翁·达菲 (Mignon Duffy)；杰萨明·因卡西尼申（Jessamyn Incarnation），ONE Women；南希·福尔布雷 (Nancy Folbre)，马萨诸塞大学阿默斯特分校；
iclass SE多类读取器RP10（900p）-Securitas
Typical Read Range iCLASS SE®: 6.4 cm, SE for DESFire® EV1: 2.5 cm, SE for MIFARE® Classic: 5.8 cm (13.56 MHz Single Technology ID-1 Credentials (Cards) – SIO Model Data) iCLASS SE: 2.5 cm, SE for MIFARE Classic: 1.3 cm (13.56 MHz Single Technology Tags/Fobs – SIO Data Model) HID Prox / AWID: 5.1 cm, Indala Prox: 2.5 cm, EM4102: 8.9 cm (125 kHz Single Technology ID-1 Credentials (Cards) – Respective Prox Data Model) HID Prox / AWID: 2.5 cm, Indala Prox: 1.3 cm, EM4102: 3.3 cm (125 KHz Single Technology Tags/Fobs – Respective Prox Data Model)
INID XS - RF DistriFlex® 系列
INID XS 读卡器系列 INID XS RF DistriFlex® 读卡器系列提供灵活的门禁读卡器，用于读取高频 13.56 MHz 和低频 125 kHz Prox 凭证。INID XS RF DistriFlex® 读卡器有两种型号：仅高频 SmartReader XS 以及组合低频和高频 MultiSmart XS。INID XS 读卡器带或不带 PIN 键盘，具有用于 Wiegand、时钟和数据、TTL 和 RS485 的软件控制接口。现场可编程功能可为您的投资提供面向未来的保障。INID XS 读卡器支持的技术：ISO14443-3A：MIFARE® Classic、MIFARE Ultralight®。ISO14443-4A：MIFARE® DESFire® EV1、EV2 和 V0.6、SmartMX。ISO14443-4B：Infineon、Atmel 和 ST microelectronics。NFC：点对点以及对被动凭证和设备的支持。 LF-Prox：EM4102 和为 HID®、AWID®、QuadraKey 和 GE/CASI® ProxLite® LF 近距离读卡器编程的凭证。输出协议 INID XS 读卡器可配置为 OSDP，包括安全通道或传统访问控制：Wiegand、时钟和数据、TTL。
基于自适应样本分布双重体验重播学习学习
摘要：为了应对不断发展的网络威胁，入侵检测系统已成为网络安全的关键组成部分。与基于签名的入侵检测方法相比，基于异常的方法通常采用机器学习技术来训练检测模型，并具有发现未知攻击的能力。然而，由于数据分布不平衡，入侵检测方法面临少数群体攻击低检测率的挑战。传统的入侵检测算法通过重新采样或生成合成数据来解决此问题。此外，作为一种与环境相互作用以获得反馈和提高性能的机器学习方法，增强学习逐渐被考虑在入侵检测领域中应用。本文提出了一种基于增强的基于学习的入侵检测方法，该方法创新使用自适应样本分布双重体验重播来增强强化学习算法，旨在有效地解决样本分布不平衡的问题。我们还开发了专门为入侵检测任务设计的强化学习环境。实验结果表明，所提出的模型在NSL-KDD，AWID和CICIOT2023数据集上实现了有利的性能，从而有效地处理了不平衡的数据，并在检测少数群体攻击中显示出更好的分类性能。