XiaoMi-AI文件搜索系统
World File Search SystemArchitectures
云计算中的A-Ai-aigment零信任体系结构
摘要：将AI与ZTA和预测分析相结合是一种尖端的云安全方法或新的破坏性范式。这种合并的方法利用AI来实时威胁识别和响应。同时，预测分析可以洞悉可能大写的威胁和弱点。本文旨在研究基于AI的ZTA如何通过连续验证用户和访问请求，实施严格的访问控件以及随着威胁而更改来扩大常规安全解决方案。这些功能由重点关注历史和实时数据的预测分析得到很好的支持，以预测安全事件和整体安全风险水平。这些技术的组合与反应性安全范式相比，这些技术的组合不是更渐进，更强化的保护。实施问题诸如部署系统的困难，数据信誉和隐私问题均已阐述，以及未来的趋势，例如改善机器学习算法，结合安全系统的安全系统，并将现代技术集成到系统中。
MISO 广播信道中 RIS 架构的能效比较
摘要 — 在本文中，我们开发了多用户多输入单输出 (MISO) 广播信道 (BC) 的节能方案，并辅以可重构智能表面 (RIS)。为此，我们考虑了三种 RIS 架构：局部被动对角 (LP-D)、全局被动对角 (GP-D) 和全局被动超对角 (GP-BD)。在全局被动 RIS 中，RIS 的输出信号功率不大于其输入功率，但一些 RIS 元件可以放大信号。在局部被动 RIS 中，每个元件都不能放大入射信号。我们表明，如果 RIS 元件的静态功率不太高，这些 RIS 架构可以显着提高能源效率 (EE)。此外，GP-BD RIS 的复杂度和静态功率高于 LP-D RIS 和 GP-D RIS，可提供更好的频谱效率，但其 EE 性能高度依赖于静态功耗，可能比其对角对应物更差。索引词——能源效率、可重构智能表面（RIS）、超对角RIS、全局无源RIS、MISO广播信道。
一个用于优化深神经网络体系结构和超参数
在本文中，我们提出了Dragon（用于定向的无环形优化），这是一种自动生成效率高的深神经网络体系结构并优化其相关超参数的算法框架。该框架基于不断发展的无环图（DAG），定义比文献中现有的搜索空间更具灵活的搜索空间。它允许进行不同的古典操作的混合物：卷积，相互作用和密集的层，但也有更多新的操作，例如自我注意力。基于此搜索空间，我们建议邻里和进化搜索操作员，以选择网络的体系结构和超参数。这些搜索操作员可以与能够处理混合搜索空间的任何元疗法一起使用。我们在时间序列预测基准的时间序列上使用异步进化算法测试了我们的算法框架。结果表明，龙的表现优于最先进的手工制作的模型和汽车技术，用于在众多数据集上预测时间序列。Dragon已被实施为Python开源软件包1。关键字：神经体系结构搜索，超参数优化，元启发式学，进化算法，时间序列预测
朝着物理意识到的深度学习体系结构用于激光雷达强度模拟
摘要：自动驾驶汽车（AVS）在很大程度上依靠LiDAR感知来了解环境的理解和导航。LIDAR强度提供了有关反射激光信号的有价值信息，并在增强AV的感知能力方面起着至关重要的作用。但是，由于环境中物体的材料特性不可用，并且激光束与环境之间的复杂相互作用，因此准确模拟激光雷达强度仍然是一个挑战。所提出的方法旨在通过将基于物理的模态纳入深度学习框架中来提高强度模拟的准确性。捕获激光束与物体之间相互作用的关键实体之一是入射角。在这项工作中，我们证明，将激光雷达的入射角作为单独的输入方式添加到深神经网络中可以显着增强结果。我们将这种新颖的输入方式整合到了两个突出的深度学习体系结构中：U-NET，一个卷积神经网络（CNN）和PIX2PIX，一种生成的对抗性网络（GAN）。我们研究了这两个体系结构的强度预测任务，并使用了Semantickitti和VoxelScape数据集进行实验。综合分析表明，这两种体系结构都从发射角中受益，作为附加输入。此外，Pix2Pix体系结构的表现优于U-NET，尤其是在合并入射角时。
建模和比较无电池系统的转换器体系结构和能源收集IC
摘要 - 无孔的能量收获设备是一类新的嵌入式系统，可从存储在环境友好的电容器中的环境能量运行，并保证持久的持久，无维护的操作。由于紧密的能量构成，这些设备经常采用电压转换器和专用的集成电路（ICS），以最大程度地传输能量收割机，存储电容器和负载之间。正如我们在本文中所显示的那样，这种转换器电路的选择和配置很重要，但是非平凡，因为它们的性能高度取决于能量收集条件。因此，我们提供了五个现成的能源收集IC的模型，并将它们集成到无电池系统的开源模拟器中：这使从业人员和研究人员可以方便地探索设计权衡并预测可实现的性能。此外，我们使用这些模型对不同转换器体系结构进行系统比较，并得出具体建议。
基于AI的技术和多模式系统中的情况意识：建筑，挑战和应用
抽象情况意识（SA）是感测，理解和预测环境的过程，并且是复杂系统中的重要组成部分。来自环境的信息接收往往是连续的和多模式的。AI技术通过将SA目标的不同阶段细化为数据融合，表示，分类和预测等任务，从而提供了更有效，更强大的支持。本文提供了用于在各种环境和应用程序中构建，增强和评估SA的AI和多模式方法的概述。重点放在增强感知完整性和持久性上。研究表明，在复杂系统中，人工智能和多模式方法的整合显着增强了感知和理解。但是，在预测未来情况并有效融合多模式信息方面仍然存在研究差距。本文总结了一些用例和经验教训，这些用例和经验教训已经使用了AI和多模式技术来提供SA。未来的观点和挑战，包括更全面的预测，更大的解释性和更高级的视觉信息。
Fortinet的经过测试和验证的云网络安全体系结构
在上图中，我们在HA模式下再次有一对FortiGate VM。FortiGate聚类协议（FGCP）提供故障转移保护，即使其中一个集群单元丢失连接，群集也可以提供FortiGate服务。FGCP也是第2层心跳，它指定了Fortigate单位在HA群集中的通信并保持群集运行的方式。FGCP将虚拟MAC地址分配给HA群集中的每个主单元接口。 虚拟MAC地址已经到位，因此，如果发生故障转移，则新的主要单元接口将具有与失败的主单元接口相同的MAC地址。 如果MAC地址在故障转移后要更改，则网络将需要更长的时间才能恢复。 流量是在进入Internet网关之前通过Fortigates从其他虚拟网络路由的。FGCP将虚拟MAC地址分配给HA群集中的每个主单元接口。虚拟MAC地址已经到位，因此，如果发生故障转移，则新的主要单元接口将具有与失败的主单元接口相同的MAC地址。如果MAC地址在故障转移后要更改，则网络将需要更长的时间才能恢复。流量是在进入Internet网关之前通过Fortigates从其他虚拟网络路由的。
第 22 章：2D 和 3D 架构的互连
过去 50 年来，摩尔定律一直推动着微电子行业的发展，它为硅片的缩小和不同 IP（知识产权）电路的同质 SoC（系统级芯片）集成提供了模板。展望未来，随着封装和微系统的物理、电气、热学和热机械属性的变化，HI 日益成为摩尔定律的补充，提供更完善的功能 [1-7]。现有和新型先进封装架构是维持和促进微电子行业增长的主要推动因素 [8-22]。这些架构支持新型异构 SiP（系统级封装）配置，以实现成本性能优化的微电子系统。近年来，许多使用先进 HI 的产品纷纷问世，证明了这一领域的重要性 [23-28]。
Apgate SDP用于Azure参考体系结构
•为混合云创建：AppGate旨在保护所有企业云资源，包括在Azure中运行的那些工作负载。AppGate具有灵活的分布式部署模型，可适应任何体系结构，自动检测服务器实例创建，并利用用户和服务器属性确定访问。AppGate还桥梁并集成了企业混合云基础架构的所有元素，以控制对身份验证的用户的访问权限，无论其何处，都可以使用适当的云资源。•无缝集成：AppGate可以降低成本，复杂性和配置第三方访问，特权用户访问和云基础架构管理的工作。它结合了一个系统中的授权，加密和访问控制，取代了许多传统的点产品。AppGate还将与大多数身份和SIEM解决方案集成在一起，从而使企业可以利用现有的安全基础结构。这可以实施强大的身份验证，并使组织可以将网络安全与其身份管理工具联系起来。•以用户为中心的网络安全性：AppGate提供应用程序和特定于服务的身份验证和授权，该验证和授权控制（网络）访问用户内部或外部连接是否。appgate动态创建一个基于用户属性为每个用户会话量身定制的安全，加密的网络段。网络访问规则并非曾经保存过一次，而是实时创建和执行。•合规性是关键：Appgate可以通过降低范围和审计复杂性来帮助企业降低监管合规成本。Azure组件有助于进行多种监管控制，Appgate可以进一步增强这些控制。AppGate还可以减少属于审计范围内的数字系统，从而消除了对某些监管控制本身的需求。强大的记录提供了满足审核员要求所需的所有可能证据。本文档提供了有关如何在Azure中部署Appgate的介绍，其次是四个详细的体系结构方案。如果您不熟悉AppGate实施的软件定义的周围（SDP）体系结构，请访问https://www.appgate.com/Resources/ebooks/zero-trust-network-work-work-work-access-access-ackess-一切