XiaoMi-AI文件搜索系统
World File Search SystemHamming
attacc-schedule-abstracts.pdf
代码和晶格具有许多数学相似性；代码定义为在有限字段上的向量空间的子空间，通常具有锤式度量，而晶格是欧几里得向量空间的离散子组。在过去的二十年中，两个对象在加密中都发现了相似的应用。可以依靠在给定目标（称为解码的任务）中找到密码或近距离晶格点的硬度来构建代码和基于晶格的加密系统。 在这两个学科中，都通过识别其硬度来源（通过减少）和设计算法来解决它来研究解码难度（通过密码分析）。 ，尽管有很多相似之处，但很少有作品通过通过通用语言并行研究，在加密环境中仔细研究了更仔细的代码和latices。 这次演讲的目的是在代码和晶格之间展示字典，以表明研究解码难度的技术证明是相同的。 我们将主要将注意力集中在傅立叶二元上，正如我们将看到的那样，这是获得最差的案例减少（经典或量子）的关键工具，或了解代码和晶格的最新双重攻击。代码和基于晶格的加密系统。在这两个学科中，都通过识别其硬度来源（通过减少）和设计算法来解决它来研究解码难度（通过密码分析）。，尽管有很多相似之处，但很少有作品通过通过通用语言并行研究，在加密环境中仔细研究了更仔细的代码和latices。这次演讲的目的是在代码和晶格之间展示字典，以表明研究解码难度的技术证明是相同的。我们将主要将注意力集中在傅立叶二元上，正如我们将看到的那样，这是获得最差的案例减少（经典或量子）的关键工具，或了解代码和晶格的最新双重攻击。
Joshi Science Advances EABA0959（2020）.pdf
量子假设检验是量子信息理论中最基本的问题之一，在诸如量子传感等领域具有至关重要的含义，在量子传感等领域中，它已被用于在一系列二进制光子方案中证明量子优势，例如目标检测或记忆细胞读数。在这项工作中，我们将这种理论模型推广到条形码解码和模式识别的多目标设置。我们首先将数字图像定义为像素的阵列或网格，每个像素对应于量子通道集合。将每个像素专门用于黑白字母，我们自然定义了条形码的光学模型。在这种情况下，我们表明，使用适当的测量和数据处理的量子纠缠来源的使用极大地超过了条形码数据解码和黑白模式分类的经典相干状态策略。引入相关的界限，我们表明，只要图像与不同类别的图像之间的最小锤距足够大，模式识别的问题比条形码解码非常简单。最后，我们从理论上说明了使用量子传感器与最近的邻居分类器，一种监督学习算法进行模式识别的优势，并在数值上验证了手写数字分类的这一预测。
基于机器学习的盲侧通道攻击PQC ...
摘要 - Kyber Kem，NIST选择的公共密钥加密和密钥封装机制（KEMS）的PQC标准已通过NIST PQC标准化过程进行了多种侧道攻击。但是，所有针对Kyber Kem划分程序的攻击要么需要了解密文的知识，要么需要控制密文的值以进行密钥恢复。但是，在盲目的环境中没有已知的攻击，攻击者无法访问密文。虽然盲目的侧通道攻击以对称的密钥加密方案而闻名，但我们不知道Kyber Kem的这种攻击。在本文中，我们提出对Kyber Kem的第一次盲侧通道攻击来填补这一空白。我们针对解密过程中点乘法操作的泄漏，以执行实用的盲侧通道攻击，从而实现完整的密钥恢复。，我们使用来自PQM4库的Kyber Kem的参考实现的功率侧渠道对攻击进行了实际验证，该kem在ARM Cortex-M4 MicroController上实现。我们的实验清楚地表明，在有适当准确的锤击重量（HW）分类器的情况下，我们提议的攻击仅在几百到几千个痕迹中恢复了全部钥匙的可行性。索引术语 - POST-QUANTUM密码学；盲侧通道攻击；凯伯；基于晶格的密码学；基于功率的侧通道攻击
单个痕量侧通道攻击在头脑中的MPC框架
摘要。在本文中，我们提出了第一个基于阈值秘密共享（也称为阈值计算）的单个痕量侧渠道攻击，该攻击以其原始版本为单位（TCITH）。这个MPCITH框架可以在美国国家标准技术研究所（NIST）呼吁数字签名的最近第二轮中的14个数字签名计划中的5个中找到。在这项工作中，我们首先要突出显示TCITH框架的侧向通道漏洞，并在SDITH算法上显示它的剥削，这是该NIST调用的一部分。具体来说，我们利用了Galois字段中乘法函数的泄漏来对中间值进行预测，并使用算法的结构有效地组合了信息。这使我们能够建立攻击，这既是针对MPCITH框架的第一个软分析侧通道攻击（SASCA），也是对SDITH的第一次攻击。更具体地说，我们使用阈值变体结构来重建秘密密钥，基于信念传播（BP）来建立一个基于信念传播（BP）的SASCA。我们在锤量重量（HW）泄漏模型下进行模拟攻击，以评估该方案对SASCA的阻力。然后，我们在实际情况下，更具体地说是在STM32F407上执行攻击，并为所有安全级别恢复秘密键。我们通过讨论我们可以用来减轻攻击的各种改组对策来结束本文。
人工智能与机器学习 IV 年级课程大纲
神经网络与深度学习 B.Tech. IV 第一年 学期 LTPC 3 0 0 3 课程目标： 介绍人工神经网络的基础知识 获取有关深度学习概念的知识 学习各种类型的人工神经网络 获取应用优化策略的知识 课程成果： 能够理解神经网络的概念 能够选择学习网络来建模现实世界系统 能够使用有效的深度模型算法 能够将优化策略应用于大规模应用 UNIT-I 人工神经网络简介、ANN 的基本模型、重要术语、监督学习网络、感知器网络、自适应线性神经元、反向传播网络。联想记忆网络。模式关联的训练算法、BAM 和 Hopfield 网络。 UNIT-II 无监督学习网络-简介，固定权重竞争网络，Maxnet，Hamming 网络，Kohonen 自组织特征映射，学习矢量量化，反向传播网络，自适应共振理论网络。特殊网络-各种网络的介绍。 UNIT - III 深度学习简介、深度学习的历史趋势、深度前馈网络、基于梯度的学习、隐藏单元、架构设计、反向传播和其他微分算法 UNIT - IV 深度学习的正则化：参数范数惩罚、范数惩罚作为约束优化、正则化和欠约束问题、数据集增强、噪声鲁棒性、半监督学习、多任务学习、早期停止、参数类型化和参数共享、稀疏表示、Bagging 和其他集成方法、Dropout、对抗性训练、切线距离、切线 Prop 和流形、切线分类器 UNIT - V 训练深度模型的优化：神经网络优化中的挑战、基本算法、参数初始化策略、具有自适应学习率的算法、近似二阶方法、优化策略和元算法应用：大规模深度学习、计算机视觉、语音识别、自然语言处理教科书：1. 深度学习：麻省理工学院出版社出版的书籍，作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 2. 神经网络和学习机器，Simon Haykin，第 3 版，Pearson Prentice Hall。
后量子密码算法的侧通道分析
当今使用的公钥加密方案依赖于某些数学问题的难解性，而这些问题已知可以通过大规模量子计算机有效解决。为了满足长期安全需求，NIST 于 2016 年启动了一个项目，旨在标准化后量子密码 (PQC) 原语，这些原语依赖于未知的量子计算机目标问题，例如格问题。然而，从传统密码分析的角度来看是安全的算法可能会受到旁道攻击。因此，NIST 重点评估候选算法对旁道攻击的抵抗力。本论文重点研究了两个 NIST PQC 候选方案 Saber 和 CRYSTALS-Kyber 密钥封装机制 (KEM) 对旁道攻击的敏感性。我们提供了九篇论文，其中八篇重点介绍 Saber 和 CRYSTALS-Kyber 的旁道分析，一篇演示了对 STM32 MCU 中集成的硬件随机数生成器 (RNG) 的被动旁道攻击。在前三篇论文中，我们演示了对 Saber 和 CRYSTALS-Kyber 的高阶掩码软件实现的攻击。主要贡献之一是单步深度学习消息恢复方法，该方法能够直接从掩码实现中恢复秘密，而无需明确提取随机掩码。另一个主要贡献是一种称为递归学习的新神经网络训练方法，该方法可以训练神经网络，该神经网络能够以高于 99% 的概率从高阶掩码实现中恢复消息位。在接下来的两篇论文中，我们表明，即使受一阶掩码和改组保护的 Saber 和 CRYSTALS-Kyber 软件实现也可能受到攻击。我们提出了两种消息恢复方法：基于 Hamming 权重和基于 Fisher-Yates (FY) 索引。这两种方法都可以成功恢复密钥，但后者使用的痕迹要少得多。此外，我们扩展了基于 ECC 的密钥
采用深度梯度卷积神经网络进行基于眼动追踪信号的情感分类
利用生物医学信号作为计算人类情感状态的基础是情感计算（AC）的重要问题。随着对情感信号研究的深入，多模型认知与生理指标的结合、动态完整数据库的建立以及高科技创新产品的加入成为AC的最新趋势。本研究旨在开发一种深度梯度卷积神经网络（DGCNN），用于利用眼动追踪信号进行情感分类。首先应用通用信号处理工具和预处理方法，例如卡尔曼滤波器、汉明窗、短时傅里叶变换（SIFT）和快速傅里叶变换（FTT）。其次，将眼动和追踪信号转换为图像。随后应用基于卷积神经网络的训练结构；实验数据集是通过眼动追踪设备通过分配16名参与者的四种情感刺激（紧张、平静、快乐和悲伤）获得的。最后，使用真阳性率 (TPR) 和假阴性率 (FPR) 指标将 DGCNN 与决策树 (DT)、贝叶斯高斯模型 (BGM) 和 k-最近邻 (KNN) 的性能进行比较。最后还部署了自定义小批量、损失、学习率和梯度定义以用于深度神经网络的训练结构。预测分类矩阵显示了所提出方法对眼动和跟踪信号的有效性，其准确率超过 87.2%。这项研究为通过眼动和跟踪信号寻找更自然的人机交互提供了一种可行的方法，并且在情感产品设计过程中具有潜在的应用价值。
量子码的局部概率解码
flip 是一种极其简单且最大程度局部化的经典译码器，在某些类的经典代码中得到了广泛应用。当应用于量子码时，存在无法由该译码器纠正的恒重误差（如稳定器的一半），因此先前的研究考虑了 flip 的修改版本，有时还与其他译码器结合使用。我们认为这可能并非总是必要的，并提供数值证据证明当将 flip 应用于立方格子上三维环面码的环状征象时，存在一个阈值。该结果可以归因于以下事实：对于该译码器，最低权重的无法纠正误差比其他无法纠正误差更接近（就汉明距离而言）可纠正误差，因此它们很可能在未来的代码周期中经过额外噪声变换后变得可纠正。在解码器中引入随机性可以使其以有限的概率纠正这些“不可纠正”的错误，对于使用信念传播和概率翻转相结合的解码策略，我们观察到现象噪声下的阈值为 ∼ 5.5%。这与该代码的最佳已知阈值（∼ 7.1%）相当，该阈值是使用信念传播和有序统计解码 [Higgott and Breuckmann, 2022] 实现的，该策略的运行时间为 O(n3)，而我们的本地解码器的运行时间为 O(n)（并行时为 O(1)）。我们预计该策略可以推广到其他低密度奇偶校验码中，并希望这些结果能够促使人们研究其他以前被忽视的解码器。
教育技术团队教学： -
CMS-A-CC-1-1-TH：数字逻辑核心课程1：理论：04学分：60小时集成电路：（5小时）双极逻辑系列：DTL，TTL Not Gate，TTL NAND NAND NAND GATE，TTL NAND NON GATE，TTL NON GATE，TTL NOR GATE，TTL NON GATE，OPEN COLLECTOR，FANOR，fan-in-fan-in，fan，Out; MOS Logic Families: NMOS, PMOS, CMOS, SSI, MSI, LSI and VLSI classification Number Systems : (5 hours) Weighted and Non-Weighted Codes, positional, Binary, Octal, Hexadecimal, Binary coded Decimal (BCD), Gray Codes, Alphanumeric codes, ASCII, EBCDIC, Conversion of bases, Parity bits, Single Error bit detection and校正代码：锤击代码，固定和浮点算术：加法，减法，乘法和除法。Boolean Algebra: (8 hours) Fundamentals of Boolean Expression: Definition of Switching Algebra, Basic properties of Switching Algebra, Huntington's Postulates, Basic logic gates (AND, OR, NOT), De- Morgan's Theorem, Universal Logic gates (NAND, NOR), Minterm, Maxterm, Minimization of Boolean Functions using K-Map up-to four variables, Two level and multilevel使用逻辑门实现，简化逻辑表达式。组合电路：（20小时）一半加法器，完整加法器（3位），半减法器，全部减法器（3位）以及使用基本逻辑大门（OR和，不是）和通用逻辑门（NAND＆NOR）（NAND＆NOR），Multibit Adder-ripple-ripp-ripp-cruction-nourter corral and and and and and bcd aDder，bcd adder a adder a adder a dractor bcd adder a adder a dracter，bcd adder a adder，1 and and and and and and and bcd adder a adder a adder a adder，1 1位，2位，3位和4位比较器使用基本逻辑门。数据选择器 - 多工器：扩展（级联），还原，功能实现，通用函数实现，多功能实现。
用于训练贝叶斯网络进行制造系统故障诊断的数字孪生
摘要：人们提倡智能制造系统利用技术进步，通过快速诊断提高故障抵御能力，从而保证性能。在本文中，我们提出了一种用于设计数字孪生（DT）的协同仿真方法，该方法用于训练贝叶斯网络（BN），以便在设备和工厂层面进行故障诊断。具体而言，协同仿真模型是使用由联网传感器、每台设备的高保真仿真模型和工厂的详细离散事件仿真（DES）模型组成的信息物理系统（CPS）设计的。所提出的 DT 方法能够在虚拟系统中注入故障，从而减轻了昂贵的工厂车间实验的需要。应该强调的是，这种注入故障的方法消除了获取包括故障和正常工厂操作的平衡数据的需要。我们在本文中提出了一种结构干预算法 (SIA)，首先检测所有可能的有向边，然后区分 BN 的父节点和祖先节点。我们在实验室中设计了一个 DT 研究测试台，由配置成装配单元的四个工业机器人组成，每个机器人都有一个可以监测双轴振动的工业物联网传感器。这些机器人的详细设备级模拟器与机器人装配单元的详细 DES 模型集成在一起。生成的 DT 用于进行干预，以学习用于故障诊断的 BN 模型结构。实验室实验通过准确学习 BN 结构验证了所提方法的有效性，并且在实验中，发现所提方法获得的准确性（使用结构汉明距离测量）明显优于传统方法。此外，发现的BN结构对参数的变化是可靠的，例如平均失败时间（MTTF）