XiaoMi-AI文件搜索系统
World File Search SystemAdversa
逻辑机动：检测和缓解太空中的对抗性硬件故障
摘要 — 卫星极易受到太空中敌对故障或高能辐射的影响，这可能导致机载计算机出现故障。过去几十年来，人们探索了各种辐射和容错方法，例如纠错码 (ECC) 和基于冗余的方法，以缓解软件和硬件上的临时软错误。然而，传统的 ECC 方法无法处理硬件组件中的硬错误或永久性故障。这项工作引入了一种基于检测和响应的对策来处理部分损坏的处理器芯片。它可以从永久性故障中恢复处理器芯片，并利用芯片上可用的未损坏资源实现连续运行。我们在目标处理器的芯片上加入了基于数字兼容延迟的传感器，以便在发生故障之前可靠地检测到芯片物理结构上的传入辐射或故障尝试。在检测到处理器算术逻辑单元 (ALU) 的一个或多个组件出现故障后，我们的对策采用自适应软件重新编译来重新合成受影响的指令，并用仍在运行的组件的指令替换这些指令，以完成任务。此外，如果故障范围更广，并妨碍了整个处理器的正常运行，我们的方法将部署自适应硬件部分重新配置来替换故障组件并将其重新路由到芯片的未损坏位置。为了验证我们的说法，我们在 28 nm FPGA 上实现的 RISC-V 处理器上部署了高能近红外 (NIR) 激光束，通过部分损坏 FPGA 结构来模拟辐射甚至硬错误。我们证明我们的传感器可以自信地检测到辐射并触发处理器测试和故障恢复机制。最后，我们讨论了我们的对策带来的开销。
确保您的网络抵抗量子对手
图像来源-https：//qc-at-davis.github.io/qcc/how-quantum-computing-works/the-qubit/the-qubit/the-qubit.html
通过对抗攻击和培训进行强大的深入强化学习：调查
深度加固学习（DRL）是一种在各种复杂环境中训练自主代理的方法。尽管在众所周知的环境中表现出色，但它仍然容易受到较小条件的变化，这引起了人们对其在现实世界应用中的可靠性的担忧。为了改善Usabil的影响，DRL必须表现出可信赖和稳健性。通过对环境动力学的良好适合对抗性攻击进行训练，通过训练代理人来训练代理商，将DRL鲁尔的鲁棒性转化为未知变化的鲁棒性。解决这个关键问题时，我们的工作对当代对抗攻击方法进行了深入分析，系统地对其进行了分类并比较其目标和操作机制。此分类提供了一个详细的见解，以了解对抗性攻击如何有效地评估DRL代理的弹性，从而为增强其稳健性铺平了道路。
一种基于应用于EHR数据集的临床条件生成对抗网络的新型缺失数据插补方法
-467 Microalbuminuria mg/l -347 Glicosuria G/l -317 Fasting glycaemia mg/dl -312 Gamma-glutamyl transferase UI/l -300 Alkaline phosphatase UI/l -294 Fibrinogen (serum) mg/dl -233 Hemoglobin g/dl -231 Glycated hemoglobin % -204 Creatinine mg/dl -202 Creatine phosphokinase (serum) UI/l -185 LDL cholesterol mg/dl -184 HDL cholesterol mg/dl -183 Cholesterol (total) mg/dl -173 Weist cm -118 Serum glutamic-oxaloacetic transaminase UI/l -61淀粉酶UI/L -45白蛋白排泄速率mcg/min -43丙氨酸氨基转移酶测试UI/L -21尿酸mg/dl -3性别无-2性别无-2年龄-1糖尿病年-1糖尿病持续时间
通过生成对抗网络生成结构现实的模型
摘要 - 上下文。模型驱动工程师（MDE）中的几项活动，例如模型转换测试，将需要大量现实模型的可用性。然而，到目前为止，在生产大型模型存储库方面已经失败了，并且缺乏免费的工业模型是MDE中最重要的问题之一。因此，MDE研究人员开发了各种工具和方法来使用不同的方法（例如图形语法，分区和随机生成）生成模型。但是，考虑其现实主义，这些工具很少专注于生产新模型。贡献。在这项工作中，我们利用生成深度学习，尤其是生成的对抗网络（GAN），提出了一种生成新结构现实模型的方法。在Eclipse建模框架之上构建，该提议的工具可以从元模型和一个大实例模型作为输入中生成新的人造模型。基于图的指标已用于评估该方法。初步统计结果表明，使用gans可以有望创建新的现实模型。索引术语 - 模型生成，MDE，生成对手网络，工具支持
AAG：用于评估机器学习模型针对对抗性
•系统上下文图：显示与系统相互作用的用户和外部实体。•容器图：这将系统表示为相互交互的一组独立服务。•组件图：将每个容器分解为详细信息到详细的组件，作为功能块执行特定任务的功能。•代码图：描述每个组件的实现，使用uml uml uml uml duagram andity duagram duagram andity duagram duagram andity duagram duagram andity duagurape andity die tie diagragram andity die diagumal diagumals andity diabes。
advad：探索对对抗性攻击的非参数扩散
不可察觉的对抗性攻击旨在通过添加与输入数据的不可察觉的概念来欺骗DNN。以前的方法通常通过将共同的攻击范式与专门设计的基于感知的损失或生成模型的功能相结合，从而提高了攻击的易用性。在本文中，我们提出了扩散（Advad）中的对抗攻击，这是一种与现有攻击范式不同的新型建模框架。通过理论上探索基本的建模方法，而不是使用需要神经网络的reg-ular扩散模型的转化或发电能力，从而将攻击作为非参数扩散过程概念化。在每个步骤中，仅使用攻击模型而没有任何其他网络来制定许多微妙而有效的对抗指导，从而逐渐将扩散过程的结束从原始图像终结到了所需的不可感知的对抗性示例。以拟议的非参数扩散过程的扎实理论基础为基础，达到了高攻击功效，并且在本质上降低了整体扰动强度，并实现了高发作的效果。此外，还提出了增强版本的Advad-X，以评估我们在理想情况下的新型框架的极端。广泛的实验证明了拟议的Advad和Advad-X的有效性。与最新的不可察觉的攻击相比，Advad平均达到99.9％（+17.3％）的ASR，为1.34（-0.97）L 2距离，49.74（+4.76）PSNR和0.9971（+4.76）和0.9971（+0.0043）（+0.0043）ssim，抗四个DIFERTIBER架构的DNN均具有三个流行的DNN。代码可在https://github.com/xianguikang/advad上找到。
商业最终确定了从外国对抗威胁中获得连接的车辆供应链的规则
华盛顿特区 - 今天，美国工商部工业与安全局（BIS）宣布了最终规则，禁止某些交易，涉及涉及销售或进口连接的车辆，将特定的硬件和软件集成了分别销售的组件，或者与中国人民（PRC）或俄罗斯人（PRC）或Russia分别销售的组件。bis及其信息与通信技术与服务办公室（OICT）发现，源自中国或俄罗斯的某些技术对美国国家安全构成了不当且不可接受的风险。今天的行动代表了长达数月的监管过程，以设计，寻求公众意见，并最终确定一项措施，以保护美国道路上的驾驶员和乘客。“今天的汽车不仅是车轮上的钢 - 它们是计算机。他们具有相机，麦克风，GPS跟踪以及其他连接到互联网的技术。通过此规则，商务部正在采取必要的步骤来保护美国国家安全，并通过防止外国对手操纵这些技术来访问敏感或个人信息，来保护美国国家安全，并保护美国人的隐私。”“这是一种有针对性的方法，可确保我们将中国和俄罗斯制造的技术远离美国道路，并保护我们国家连接的车辆供应链。”
对抗使用生成AI对国土安全的影响
执行总结数字内容伪造技术的快速发展构成了重大威胁，并对国土安全任务构成了重大风险。面部编辑和变形技术可以创造出现实的人体面孔，从而可能损害面部识别系统，从而导致未经授权的访问和身份管理中的违规行为。在视频中交换面孔的能力可能会破坏视觉验证过程的可靠性。语音克隆应用程序可以复制个人的声音，可能会对执法任务提出严重的挑战。生成人工智能（Genai）儿童性虐待材料（CSAM）正在增加。这种生成的材料是有害和非法的。诸如预防恐怖主义的任务变得复杂，因为数字内容伪造会促进动荡并促进激进化。数字内容伪造的含义扩展到确保网络空间和保护关键基础设施，例如通过设计和执行复杂的社会工程攻击。此外，他们威胁着基本任务的完整性，包括紧急和灾难管理，运输安全和海上意识。本报告提出了八个关键的技术观察和考虑因素：便利与安全：在对便利性增加的渴望下，政府身份管理系统（例如全球入境和真实ID）试图扩大用户通过Internet注册的能力。本报告评估了用于创建和传播数字内容伪造并描述其演变的技术；评估外国政府和非政府实体如何使用这些技术来武器化数字内容伪造；讨论武器化数字内容伪造的影响，并特别考虑国土安全任务；并且描述了降低风险的策略，以应对和减轻这些威胁。越来越多的Deepfake技术使用可以打败在线身份管理系统，建议谨慎，并认识到在线注册所带来的安全含义。多管齐下的缓解方法：我们目睹了生成和检测深击的方法之间的“猫与鼠标”游戏。检测高度确定性的深击将永远是一个挑战。考虑到将用于创建出于合法目的（包括电视和电影院）的Genai的量增加，这一挑战是更大的。明天的威胁：Genai技术正在改善并变得越来越广泛，这表明高度现实的欺骗性媒体的威胁只会随着技术加速的能力和可访问性而增长。AI软件：DeepFakes和创建它们的算法最终在软件中表现出来，这些软件受到网络攻击和剥削的影响。因此，许多迫在眉睫的网络安全问题会使AI和Genai风险复杂化。AI硬件和AI竞赛：将对美国对AI硬件平台的未来领导和控制。美国在这些领域的优势将受到未来市场和技术挑战的影响，例如供应链障碍和竞争，以避免使用主要供应商的筹码成本高昂。技术情报：民族国家级别的能力以现有的商业和开源AI体系结构为基础，但是由于民族国家既拥有独特的资源和独特的专有数据集来培训Genai模型，所以他们在数字内容伪造方面的未来熟练程度可能会增强。人工通用情报（AGI）里程碑：通过研究提高AGI将受益于描述用例和基准以及能量估计的框架，并将其用作成功标记或里程碑。