XiaoMi-AI文件搜索系统
World File Search SystemDeception
iotFlowGenerator：制作综合物联网设备的交通流动流量
多年来，Honeypots成为了解攻击者意图并欺骗攻击者花时间和资源的重要安全工具。最近，正在为物联网（IoT）设备的蜜罐诱使攻击者并学习其行为。但是，大多数现有的物联网蜜饯，甚至是高相互作用的物联网，攻击者很容易检测到，由于缺乏来自蜜罐的真实网络流量，因此可以观察到蜜罐流量。这意味着，要建立更好的蜜罐并增强网络启示功能，物联网蜜饯需要产生逼真的网络流量。为了实现这一目标，我们提出了一种基于深度学习的新方法，用于产生流量，以模仿用户和物联网设备交互所致的真实网络流量。我们的方法克服的一个关键技术挑战是缺乏特定于设备的物联网流量数据来有效训练属性。我们通过利用序列的核心生成对抗学习算法以及物联网设备常见的主要特定知识来应对这一挑战。通过使用18个IoT设备进行广泛的实验评估，我们证明了所提出的合成IoT产生工具的表现明显优于最先进的序列和数据包生成器的状态，即使与自适应攻击者也无法区分。
重新以人为中心的ai
摘要关于人工智能（AI）的哲学，法律和HCI文献探讨了这些系统将影响的道德含义和价值观。仅被部分探索的一个方面是欺骗的作用。由于该术语的负面含义，AI和人类计算机相互作用（HCI）的研究主要考虑欺骗，以描述该技术不起作用或用于恶意目的的特殊情况。最近的理论和历史工作表明，欺骗是AI的结构性组成部分，而不是通常所承认的。AI系统与用户进行通信实际上，即使在没有恶意意图的情况下，也会引起性别，个性和同理心归因等反应，并且常常对互动产生积极或功能的影响。本文旨在将以人为中心的AI（HCAI）框架运行，以发展这项工作的含义，以实用HCI和设计中的AI伦理学方法。为了实现这一目标，我们在AI的理论和历史奖学金中提出了“平庸”和“强大”欺骗之间的分析区别（欺骗性媒体的Natale：Turnial Interial Intelligence和Turing University test后的人工智力和社交生活，牛津大学出版社，纽约，纽约，20211年），作为开始的创作，以努力发展，这是一项努力的创作。欺骗与交流AI之间的复杂关系引起的问题。本文考虑了如何将HCAI应用于对话AI（CAI）系统，以设计它们以开发社会善良的平庸欺骗，同时避免其潜在风险。
战略网络战争中的网络欺骗操作的共生游戏和基础模型
图1：多级游戏理论框架：战略水平，操作级别和战术水平游戏。战略水平游戏是描述高级决策的游戏，例如资源分配和投资计划。战略水平游戏的目标是制定长期计划，以实现网络仓库的总体目标。战术级别的游戏涉及可以实施的特定行动和操纵，以实现立即目标以支持总体策略。网络战术中的策略示例包括蜜罐的配置和攻击者参与政策。运营级游戏位于战略和战术层面之间，重点是计划和协调一系列国防行动。示例包括从情报收集到应对横向运动以实现战略水平目标的一系列网络防御策略的计划。
带有欺骗性的图上安全博弈中的综合资源分配与策略合成
欺骗在信息不完全的战略互动中起着至关重要的作用。受安全应用的启发，我们研究了一类具有单边不完全信息的双人回合制确定性博弈，其中玩家 1（P1）的目的是阻止玩家 2（P2）达到一组目标状态。除了行动之外，P1 还可以放置两种欺骗资源：“陷阱”和“假目标”，以误导 P2 有关博弈的转变动态和收益。陷阱通过使陷阱状态看起来正常来“隐藏真实”，而假目标通过将非目标状态宣传为目标来“揭示虚构”。我们感兴趣的是联合合成利用 P2 错误信息的 P1 的最佳诱饵放置和欺骗性防御策略。我们在图模型上引入了一个新颖的超博弈和两个解决方案概念：隐秘欺骗必胜和隐秘欺骗几乎必胜。这些确定了 P1 可以在有限步内或以 1 的概率阻止 P2 到达目标的状态，并且 P2 不会意识到自己被欺骗了。因此，确定最佳诱饵位置相当于最大化 P1 的欺骗获胜区域的大小。考虑到探索所有诱饵分配的组合复杂性，我们利用组合合成概念来表明诱饵放置的目标函数是单调的、非减的，并且在某些情况下是亚模或超模的。这导致了一个诱饵放置的贪婪算法，当目标函数是亚模或超模时实现 (1 − 1 / e ) 近似。提出的超博弈模型和解决方案概念有助于理解各种安全应用中的最佳欺骗资源分配和欺骗策略。
塑料回收欺骗
气候诚信中心的一份报告3认为，‘塑料行业已经使用了一本熟悉的剧本超过50年来逃避问责制。石化公司 - 独立以及通过行业贸易协会和前线团体 - 欺骗了消费者，政策制定者和监管机构，他们认为他们可以通过一系列虚假解决方案来解决塑料废物危机。4，它揭示了该行业的消息传递最初是针对可置性的（1950年代和1960年代），然后将其作为“解决方案”（1960年代和1970年代末）转化为焚化和垃圾填充，然后随后有回收利用（1980年代中期至1990年代中期）。回收利用未能在2015年取得有意义的结果，并且公众要找到解决方案的压力，但最近，塑料行业已开始推广旧技术作为塑料废物的新“解决方案” - “先进的回收”。5
通过LIDAR引起的自主驾驶中的欺骗
抽象的轨迹预测基于其历史轨迹附近的动作。准确的轨迹预测（或简而言之）对于自动驾驶汽车（AVS）至关重要。现有的攻击通过直接操纵攻击者AV的历史轨迹来损害受害者AV的预测模型，该攻击者的历史轨迹有限。本文首次探讨了一种间接攻击方法，该方法通过对受害者AV的感知模块的攻击引起预测错误。尽管已经证明，通过将一些对象放置在战略位置，对基于激光雷达的感知的物理可实现的攻击是可能的，但是从广阔的搜索空间中找到一个对象位置，以便为了在不同的受害者AV速度下对预测进行有效的预测，这仍然是一个开放的挑战。通过分析，我们观察到一个预测模型容易出现在场景中的一个点上的攻击。顺便说一句，我们提出了一个新颖的两阶段攻击框架来实现单点攻击。预测侧攻击的第一阶段有效地识别出在基于对象的攻击下对概念的检测结果的分布，这是对预测模型的状态扰动，这些模型有效且对速度不敏感。在匹配的第二阶段，我们将可行的对象位置与发现的状态扰动匹配。我们使用公共自主驾驶数据集进行评估表明，我们的攻击率最高63％，受害者AV的各种危险响应。我们攻击的有效性也在真实的测试台车上策划。据我们所知，这项研究是从基于激光雷达的感知到自主驾驶预测的首次安全分析，从而导致对预测的现实攻击。 为了抵消拟议的攻击，讨论了潜在的防御措施。据我们所知，这项研究是从基于激光雷达的感知到自主驾驶预测的首次安全分析，从而导致对预测的现实攻击。为了抵消拟议的攻击，讨论了潜在的防御措施。
Collge of Pharmacy 2013“没有库存”：确定社区药房中患者欺骗的决定因素
样本由十二名药剂师（4位独立，2家医院和6个零售）组成。48个不同的代码被识别为18个主题，这些主题在概念上解释了三种形式的处方否定形式：具有建设性的咨询，无需解释和欺骗。参与者将环境环境，自治/代理和患者信任确定为算法思维的基础。参与者根据适用的指南/监督，以不同程度的审查承认受到非本地患者的身份，有时会造成不利的情绪损失，以免分发摘要摘要。参与者还讨论了药房课程并未准备好拒绝处方，并且他们的方法是通过同行指导学到的。