全球多个国家已批准 COMIRNATY COVID-19 mRNA 疫苗(核苷修饰)(部分国家称为辉瑞-BioNTech COVID-19 疫苗)用于主动免疫,预防 SARS-CoV-2 病毒引起的 COVID-19,适用于 6 个月至 4 岁儿童(栗色帽)、5 至 11 岁儿童(橙色帽)和 12 岁及以上人群(紫色和灰色帽)。
I. 引言利用颅内阵列(如皮层电图 (ECoG) [1])对大脑活动进行侵入式记录,已在脑机接口 (BCI) 设计中显示出良好的前景,可用于语音解码和合成等多种应用 [2],[3],[4],[5],[6],[7]。由于 ECoG 仅从皮层表面采集灰质样本,因此很少有人研究白质记录对 BCI 解码的潜在贡献,而白质约占人类大脑体积的 50%。此外,据报道,白质记录的信息与灰质的信息不同 [8]。立体定向脑电图 (sEEG) [9] 在临床应用中的日益普及,为检查更广泛大脑区域和更深层结构(包括灰质和白质)的神经活动提供了机会。最近一些研究探讨了白质 sEEG 记录在 BCI 设计中的作用。研究表明,加入来自灰质和白质的 sEEG 通道有助于区分各种上肢运动和静止,或区分不同的运动类型 [10]。其他研究表明,灰质和白质中的 sEEG 通道有助于 BCI 的语音活动检测和语音生成模型 [7]、[11]、[12]。虽然这些研究强调了灰质和白质对语音生成的潜在贡献,但尚未对灰质和白质通道进行全面的表征。本研究分别和联合研究了来自灰质和白质的通道,以设计一个语音活动检测模型,用于区分 BCI 的语音和非语音。
摘要 — 定向灰盒模糊测试 (DGF) 可以通过寻求到达程序位置或按顺序探索某些位置来快速发现或重现程序中的错误。然而,由于其静态阶段划分和粗粒度的能量调度,以前的 DGF 工具在面对多个目标位置(简称目标)时表现不佳。在本文中,我们提出了多目标定向灰盒模糊测试,旨在在模糊测试活动中到达多个程序位置。具体而言,我们提出了一种新颖的策略来自适应地协调探索和利用阶段,以及一种新颖的能量调度策略,通过考虑种子和目标位置之间的更多关系。我们在一个名为 LeoFuzz 的工具中实现了我们的方法,并在崩溃重现、真正验证和实际程序中的漏洞暴露方面对其进行了评估。实验结果表明,LeoFuzz 在有效性和效率方面优于六种最先进的模糊测试器,即 QYSM、AFLGo、Lolly、Berry、Beacon 和 WindRanger。此外,LeoFuzz 在实际程序中检测到 23 个新漏洞,其中 11 个已分配 CVE ID。
软件开发是一个持续、渐进的过程。开发人员不断以小批量而非一次性大批量的方式改进软件。小批量的高频率使得使用有效的测试方法在有限的测试时间内检测出错误变得至关重要。为此,研究人员提出了定向灰盒模糊测试 (DGF),旨在生成针对某些目标站点进行压力测试的测试用例。与旨在最大化整个程序的代码覆盖率的基于覆盖范围的灰盒模糊测试 (CGF) 不同,DGF 的目标是覆盖潜在的错误代码区域(例如,最近修改的程序区域)。虽然先前的研究改进了 DGF 的几个方面(例如电源调度、输入优先级和目标选择),但很少有人关注改进种子选择过程。现有的 DGF 工具使用主要为 CGF 定制的种子语料库(即一组覆盖程序不同区域的种子)。我们观察到,使用基于 CGF 的语料库限制了定向灰盒模糊测试器的错误查找能力。为了弥补这一缺陷,我们提出了 TargetFuzz,这是一种为 DGF 工具提供面向目标的种子语料库的机制。我们将此语料库称为 DART 语料库,它仅包含与目标“接近”的种子。这样,DART 语料库就可以引导 DGF 找到目标,从而即使在有限的模糊测试时间内也能暴露漏洞。对 34 个真实漏洞的评估表明,与基于 CGF 的通用语料库相比,配备 DART 语料库的 AFLGo(一种最先进的定向灰盒模糊测试器)可以发现 10 个额外的漏洞,并且平均在暴露时间上实现了 4.03 倍的加速。
软件开发是一个持续、渐进的过程。开发人员会以小批量而非一次性大批量的方式不断改进软件。小批量的高频率使得使用有效的测试方法在有限的测试时间内检测出错误变得至关重要。为此,研究人员提出了定向灰盒模糊测试 (DGF),旨在生成针对特定目标位置进行压力测试的测试用例。与旨在最大化整个程序的代码覆盖率的基于覆盖范围的灰盒模糊测试 (CGF) 不同,DGF 的目标是覆盖潜在的错误代码区域(例如,最近修改的程序区域)。虽然先前的研究改进了 DGF 的几个方面(例如电源调度、输入优先级和目标选择),但很少有人关注改进种子选择过程。现有的 DGF 工具使用主要针对 CGF 定制的种子语料库(即一组覆盖程序不同区域的种子)。我们观察到,使用基于 CGF 的语料库会限制定向灰盒模糊测试器的发现错误的能力。为了弥补这一缺陷,我们提出了 TargetFuzz,这是一种为 DGF 工具提供面向目标的种子语料库的机制。我们将此语料库称为 DART 语料库,它仅包含与目标“接近”的种子。这样,DART 语料库就可以引导 DGF 找到目标,从而即使在有限的模糊测试时间内也能暴露漏洞。对 34 个真实漏洞的评估表明,与基于 CGF 的通用语料库相比,配备 DART 语料库的 AFLGo(一种最先进的定向灰盒模糊测试器)可以发现 10 个额外的漏洞,并且平均暴露时间加快了 4.03 倍。
软件开发是一个持续、渐进的过程。开发人员不断以小批量而非一次性大批量的方式改进软件。小批量的高频率使得使用有效的测试方法在有限的测试时间内检测出错误变得至关重要。为此,研究人员提出了定向灰盒模糊测试 (DGF),旨在生成针对某些目标站点进行压力测试的测试用例。与旨在最大化整个程序的代码覆盖率的基于覆盖范围的灰盒模糊测试 (CGF) 不同,DGF 的目标是覆盖潜在的错误代码区域(例如,最近修改的程序区域)。虽然先前的研究改进了 DGF 的几个方面(例如电源调度、输入优先级和目标选择),但很少有人关注改进种子选择过程。现有的 DGF 工具使用主要为 CGF 定制的种子语料库(即一组覆盖程序不同区域的种子)。我们观察到,使用基于 CGF 的语料库限制了定向灰盒模糊测试器的错误查找能力。为了弥补这一缺陷,我们提出了 TargetFuzz,这是一种为 DGF 工具提供面向目标的种子语料库的机制。我们将此语料库称为 DART 语料库,它仅包含与目标“接近”的种子。这样,DART 语料库就可以引导 DGF 找到目标,从而即使在有限的模糊测试时间内也能暴露漏洞。对 34 个真实漏洞的评估表明,与基于 CGF 的通用语料库相比,配备 DART 语料库的 AFLGo(一种最先进的定向灰盒模糊测试器)可以发现 10 个额外的漏洞,并且平均在暴露时间上实现了 4.03 倍的加速。
1)N。Gerges,C。Petit-Etienne,M。Panabière,J。Boussey,Y。Ferrec,C。Gourgon;优化的紫外线灰度工艺,用于应用于光谱成像仪的高垂直分辨率; J. Vac。SCI。 技术。 b 39(2021); doi:10.1116/6.0001273SCI。技术。b 39(2021); doi:10.1116/6.0001273
*排水不是GWM的技术操作,而是一种运输方式。*沿着道路的雨水流水用于承载雨水,而不是浪费水。*管道总是比排水管相比携带灰水。
摘要:背包问题是研究最广泛的NP完整组合优化问题之一,并且具有许多实际应用。本文提出了一种具有灰色狼优化器(QDGWO)的量子启发的差分进化算法,以提高Di-Versity和Connergence性能,并提高0-1个knapsack问题的高维情况下的性能。所提出的算法采用量子计算原理,例如量子叠加状态和量子门。它还使用差异进化的自适应突变操作,差异进化的交叉操作和量子观察来产生新的解决方案作为试验个体。选择操作用于确定存储个体与突变和交叉操作创建的试验个体之间的更好解决方案。如果试验个体比目前的个体还差,则使用自适应灰狼优化器和量子旋转门来保留人口的多样性,并加快寻找全球最佳解决方案的搜索。0-1背包问题的实验结果证实了QDGWO的优势,具有背包问题的有效性和全球搜索能力,尤其是在高维情况下。