XiaoMi-AI文件搜索系统
World File Search SystemHeterogeneous
在异构互联网中有效的入侵检测...
摘要 - 在低成本消费电子和云计算的快速开发中，广泛采用了智能城市和工业控制系统等下一代分布式系统的广泛采用。IoT设备通常由于其开放部署环境和严格的安全控制功能而容易受到网络攻击的影响。因此，入侵检测系统（ID）已成为通过监测和检测异常活动来保护IoT网络的有效方法之一。但是，现有的ID方法依靠集中式服务器来生成行为概况并检测异常，从而导致高响应时间和由于通信开销而引起的大量运营成本。此外，在开放和分配的物联网网络环境中共享行为数据可能违反了设备的隐私要求。此外，各种物联网设备倾向于捕获异质数据，这使行为模型的训练变得复杂。在本文中，我们介绍联合学习（FL），以协作训练一个分散的ID模型，而无需向他人展示培训数据。此外，我们提出了一种有效的方法，称为联合学习集合知识蒸馏（FLEKD）来减轻各种客户的异质性问题。FLEKD比常规模型融合技术实现了更灵活的聚集方法。最后，我们在三种潜在的现实情况下评估了我们提出的框架的性能，并显示Flekd在实验结果中具有明显的优势。公共数据集CICIDS2019上的经验结果表明，所提出的方法在速度和性能方面都优于本地培训和传统的FL，并且显着提高了系统检测未知攻击的能力。索引术语 - 关闭检测系统，联合学习，物品互联网，知识蒸馏，数据杂基
使用MediaPipe和...
1副教授，2,3 BCA学生摘要：云存储是云计算最重要的服务之一，可以帮助云用户打破限制资源的瓶颈，并在不升级设备的情况下扩展其存储空间。为了保证云用户的安全性和隐私，数据总是以加密形式外包。但是，加密的数据可能会浪费云存储，并使授权用户之间的数据共享复杂化。我们仍在使用重复数据删除的数据存储和管理面临挑战。传统的重复数据删除方案始终专注于特定的应用程序方案，其中重复数据删除由数据所有者或云服务器完全控制。他们无法根据数据敏感性的水平灵活满足数据所有者的各种需求。在本文中，我们提出了一种异质数据存储管理方案，该方案在多个云服务提供商（CSP）的同时灵活地提供了重复数据删除管理和访问控制。我们通过安全分析，比较和实施来评估其性能。结果表明其对潜在实际用法的安全性，有效性和效率。索引项 - DATA重复数据删除，云计算，访问控制，存储管理
异质上下文的新型机器人系统
关于护理机器人系统的论述正在转移。辩论集中在机器人系统中的不同程度上，以及护理人员的工作是否可以用机器人代替（道尔顿 - 布朗，2020年），但重点现在是在护理机器人系统的实际实现上（Mahmoudi Asl Asl et al。，2022222）。担心因替代而导致的失业的担忧已经减少，而欧洲的人口趋势导致了员工短缺，预计越来越多的人需要护理的人受到强调（欧洲委员会，2023年）。将来，重点将更多地放在如何在护理部门建立足够的人类技术互动，以及从人类中心的角度从护理人员和其他利益相关者拨款（Paluch等，2022）。拨款是一个过程，其中使用技术文物并将其集成到用户的特定上下文和实践中，使它们适应了他们的需求，并在最初的设计意图之外重新解释了其目的。此外，拨款是一个创造性且动态的过程，是由上下文介导的，并与他人合作出现。目标不是决定技术解决方案，而是要吸引积极使用该技术的用户，以促进相互学习用户如何适应技术并塑造其设计的有意义且与他们的需求相关的用户。重点是长期使用以及对技术的创造性和嬉戏拨款。因此，这个过程是关于民主探讨该技术如何最适合背景的。这应该在人们的生活中创造锚点，以实现有意义的拨款（Stevens and Pipek，2018）。关于护理环境的机器人，社会信息学的观点特别有趣，因为它提供了敏感的概念，可以在不同的实践环境中调查此类问题（Wulf等，2015； Stevens等，2018）。但是，仍然有必要阐明使用机器人以及不同护理环境中的人们的实用性
异构集成的最新进展和趋势
引言 多芯片模块 (MCM)、系统级封装 (SiP) 和异构集成使用封装技术将来自不同无晶圆厂、代工厂、晶圆尺寸和特征尺寸的不同芯片、光学设备和/或具有不同材料和功能的封装芯片集成到不同基板上的系统或子系统中或独立运行。 MCM、SiP 和异构集成有什么区别？传统的 MCM 主要是二维集成。SiP 也可以是三维集成，或称为垂直 MCM 或 3D-MCM。异构集成与 SiP 非常相似，只是异构集成适用于更小间距、更多输入/输出 (I/O)、更高密度和更高性能的应用。实际上，SiP 可以看作是异构集成的一个大子集 [1-99]。本文将介绍异构集成的最新进展和趋势。首先简单提一下MCM和SiP。
在许多...
摘要 - 随着多核加速器不断整合更多的处理单元，对于有效利用所有可用资源的并行应用，它变得越来越困难。改善硬件利用率的一种有效方法是通过多重计算和通信任务（一种称为异质流媒体流量）来利用异质处理单元的空间和时间共享。实现有效的异质流需要在任务之间仔细划分硬件，并将任务并行性的粒度与资源分区相匹配。但是，找到正确的资源分区和任务粒度是极具挑战性的，因为有大量可能的解决方案，并且最佳解决方案在程序和数据集之间各不相同。本文提出了一种自动方法，可以快速得出用于硬件资源分区和任务粒度的良好解决方案，用于基于任务的并行多核体系结构的并行应用程序。我们的方法采用绩效模型来估计给定资源分区和任务粒度配置下的目标应用的绩效。该模型被用作快速在运行时快速搜索良好配置的实用程序。我们不需要手工制作分析模型，该模型需要专家洞悉低级硬件细节，而是采用机器学习技术来自动学习。我们首先学习使用培训计划的通道预测模型来实现这一目标。然后可以使用学习的模型来预测运行时任何看不见程序的性能。我们将方法应用于39个代表性并行应用程序，并在两个代表性的异质多核平台上进行评估：CPU-Xeonphi平台和一个CPU-GPU平台。与单流版本相比，我们的方法平均在Xeonphi和GPU平台上分别达到1.6倍和1.1倍的速度。这些结果转化为理论上完美预测因子所提供的性能的93％以上。
异构芯片集成打造超级芯片
本文介绍了一种新型超大面积集成电路 (ELAIC) 解决方案（我们称之为“巨型芯片”），适用于将不同类型的多个芯片（例如，内存、专用集成电路 [ASIC]、中央处理器 [CPU]、图形处理单元 [GPU]、电源调节）组合到通用互连平台上的单个封装中。巨型芯片方法有助于重新构建异构芯片平铺，以开发具有所需电路密度和性能的高度复杂系统。本文重点介绍了最近关于大面积超导集成电路连接多个单独芯片的研究，特别关注了在单个芯片之间形成的高密度电互连的处理。我们重新制造了各种巨型芯片组件，并使用多种技术（例如扫描电子显微镜 (SEM)、光学显微镜、共聚焦显微镜、X 射线）对其进行了表征，以研究集成质量、最小特征尺寸、硅含量、芯片间间距和间隙填充。二氧化硅、苯并环丁烯 (BCB)、环氧树脂、聚酰亚胺和硅基电介质用于间隙填充、通孔形成和重分布层 (RDL)。对于巨型芯片方法，通过减少芯片间 (D2D) 间隙和增加硅含量来提高热稳定性，从而使组装人员能够缓解不同基板/模块集成方案的热膨胀系数 (CTE) 不匹配的问题，这对于实现从回流到室温甚至低温操作的宽温度范围稳定性非常重要。 Megachip 技术有助于实现更节省空间的设计，并可容纳大多数异构芯片，而不会影响稳定性或引入 CTE 不匹配或翘曲。各种异构芯片
异构芯片集成打造超级芯片
D 集成是先进封装和异构集成中的关键技术——它有助于系统级性能扩展。虽然封装的发展引入了 3D 集成，从封装系统发展到堆叠集成电路 (IC) 和 3D 片上系统，但该行业目前正在见证另一个重要转折点：背面供电网络 (BSPDN)。在传统的扩展方法中，信号和供电共存于晶圆的正面。然而，对电力（尤其是供电）日益增长的需求，越来越限制了实现可扩展解决方案的能力。高效的晶体管扩展对于实现更高的晶体管密度至关重要，这需要按比例扩展供电网络。然而，这遇到了巨大的 IR 压降挑战，导致晶体管性能受损。此外，信号和电源的互连设计变得高度相互依赖，构成了供电布线过程的很大一部分（至少 20%）。此外，随着扩展到下一个节点，功率密度会迅速增加。行业共识是通过实施 BSPDN 来分离信号和电源。这涉及隔离晶圆正面的信号网络，并利用晶圆对晶圆键合来高效地访问晶体管背面以进行电源分配和管理。主要优势包括更宽的电源线和更低的 IR 压降、更均匀的电压分布，以及最重要的，更多的设计空间，从而进一步缩小标准单元高度。BSPDN 消除了在晶圆正面共享信号和电源线之间互连资源的需要。顾名思义，背面供电将电源重新定位到背面
异构多静态声纳的应用 - ISIMA
在已发表的文献中，据我们所知，浮标放置问题（Tx、Rx、TxRx）从未得到直接解决。事实上，人们经常会进行简化，只考虑源和接收器。同样，也没有人研究过不同类型的传感器的异构情况，这会带来一系列问题，特别是由于不同声纳系统的性能差异以及传感器间可能存在的不兼容性（例如高频传感器和低频传感器之间）。最后但并非最不重要的是，海岸线的情况也从未得到明确解决。有关此主题的最新研究，请参阅 [3]、[4]、[5]、[6]。
异质上下文的新型机器人系统
关于护理机器人系统的论述正在转移。辩论集中在机器人系统中的不同程度上，以及护理人员的工作是否可以用机器人代替（道尔顿 - 布朗，2020年），但重点现在是在护理机器人系统的实际实现上（Mahmoudi Asl Asl et al。，2022222）。担心因替代而导致的失业的担忧已经减少，而欧洲的人口趋势导致了员工短缺，预计越来越多的人需要护理的人受到强调（欧洲委员会，2023年）。将来，重点将更多地放在如何在护理部门建立足够的人类技术互动，以及从人类中心的角度从护理人员和其他利益相关者拨款（Paluch等，2022）。拨款是一个过程，其中使用技术文物并将其集成到用户的特定上下文和实践中，使它们适应了他们的需求，并在最初的设计意图之外重新解释了其目的。此外，拨款是一个创造性且动态的过程，是由上下文介导的，并与他人合作出现。目标不是决定技术解决方案，而是要吸引积极使用该技术的用户，以促进相互学习用户如何适应技术并塑造其设计的有意义且与他们的需求相关的用户。重点是长期使用以及对技术的创造性和嬉戏拨款。因此，这个过程是关于民主探讨该技术如何最适合背景的。这应该在人们的生活中创造锚点，以实现有意义的拨款（Stevens and Pipek，2018）。关于护理环境的机器人，社会信息学的观点特别有趣，因为它提供了敏感的概念，可以在不同的实践环境中调查此类问题（Wulf等，2015； Stevens等，2018）。但是，仍然有必要阐明使用机器人以及不同护理环境中的人们的实用性