XiaoMi-AI文件搜索系统
World File Search SystemIDSS
检查点要求和规划指南 (CRPG)
5 2024 年 8 月 1 日 2024 年版本更新 更新免责声明，指出指南可能会在 CRPG 版本之间发生变化，以及与 Dale Mason 或 TSA 项目经理核实最新指南的重要性；更新术语表以添加 CBP（海关和边境保护）、FAT（工厂验收测试）、PSC（旅客安检犬）、RSSP（可报销安检服务计划）、安全飞行（SF）、安检合作伙伴计划（SPP）、TIS（非接触式身份解决方案）、TVS（旅行验证服务）、VAP（自愿遗弃财产），并编辑 BLS（从“瓶装液体扫描仪”更改为“瓶装液体扫描仪”）并删除 EDCT（爆炸物探测犬队）；添加了提醒，以查阅国际项目所在地建筑规范；将 IDSS 更新为 SureScan；更新了第 2 至第 10 节和附录 A、B 和 C（参见每个部分的更改说明）
打击虚假信息：智能决策支持系统最新基于人工智能的协作人机交互概述
摘要：近年来，自动虚假信息检测方法备受关注，因为虚假信息会对社会凝聚力产生严重影响。虚假信息会影响选举结果、疾病传播（阻止采取适当的对策）和盟友的形成，正如俄罗斯入侵乌克兰所表明的那样。因此，不仅要考虑文本作为媒介，还要考虑录音、视频内容和图像以打击虚假新闻。然而，自动事实核查工具无法同时处理所有模态，并且在嵌入信息背景、讽刺、反讽以及没有明确真值的情况下面临困难。最近的研究表明，协作的人机系统比单独的人类或机器学习方法更能成功地识别虚假信息。因此，在本文中，我们简要而全面地介绍了当前针对文本、音频、视频、图像、多模态组合的自动虚假信息检测方法，它们在智能决策支持系统 (IDSS) 中的扩展以及人类协作的形式和角色。在现实生活中，此类系统越来越多地被记者应用，根据两种最突出的用例类型，即每日新闻档案和调查性新闻，为人类角色设定规范。
可解释人工智能 (XAI) 在智能网联汽车入侵检测与缓解中的应用：综述
摘要：物联网 (IoT) 和人工智能 (AI) 的发展为智能交通系统 (ITS) 带来了潜力，从而产生了物联网和 ITS 的集成，即车联网 (IoV)。为了实现自动驾驶和高效出行的目标，车联网现在与现代通信技术（如 5G）相结合，实现智能网联汽车 (ICV)。然而，车联网在以下五 (5) 个领域面临安全风险：ICV 安全、智能设备安全、服务平台安全、V2X 通信安全和数据安全。人们已经开发了许多 AI 模型来减轻入侵威胁对 ICV 的影响。另一方面，可解释人工智能（XAI）的兴起源于需要为人工智能的开发注入信心、透明度和可重复性，以确保智能网联汽车的安全并提供安全的智能交通系统。因此，本综述的范围涵盖了智能网联汽车入侵检测系统（IDS）中使用的 XAI 模型、它们的分类法和未解决的研究问题。研究结果表明，尽管 XAI 在智能网联汽车中的应用尚处于起步阶段，但它是提高智能网联汽车网络效率的一个有前途的研究方向。本文进一步表明，XAI 透明度的提高将提高其在汽车行业的接受度。
纽约
国家气象局（NWS）天气预报办公室（WFO）的人员配备24/7/365，并向纽约居民提供天气，水和气候预测和警告。全国有122个WFO，其中四个在纽约。训练有素的预报员向公众，媒体，紧急情况管理和执法官员，航空和海洋社区，农业利益，商业和其他事件发出警告和事件的预测，包括严重的雷暴，龙卷风，飓风，冬季风暴，洪水和热浪。信息通过多种方式传播，包括无线紧急警报，社交媒体，Weather.gov和NOAA Weather Radio所有危害。每个WFO都有一个警告协调气象学家，他积极开展外展和教育计划，以加强与紧急管理，政府，媒体和学术社区的当地合作伙伴的工作关系。预报员在野火，洪水和化学溢出物等关键紧急情况下提供了基于影响的决策支持服务（IDSS），以及现场的现场。为了收集数据以进行预测和其他目的，NWS WFO员工监控，维护和使用自动化的地表观测站和多普勒天气雷达。除了WFO外，NWS还经营着全美的专业国家预测中心和区域总部，总共有168个运营单位。NWS劳动力的85％以上是在现场。对于当前的纽约天气，请访问www.weather.gov，并在国家地图上单击相关县或地区。
亚利桑那
国家气象局 (NWS) 天气预报办公室 (WFO) 全年无休，24 小时不间断地为亚利桑那州居民提供天气、水文和气候预报和警告。全国共有 122 个 WFO，其中 3 个位于亚利桑那州。训练有素的预报员向公众、媒体、应急管理和执法官员、航空和航海界、农业利益相关方、企业等发布天气事件的警告和预报，包括强雷暴、龙卷风、飓风、冬季风暴、洪水和热浪。信息通过多种方式传播，包括无线应急警报、社交媒体、weather.gov 和 NOAA 气象广播全灾种。每个 WFO 都有一名预警协调气象学家，他们积极开展外联和教育计划，加强与应急管理、政府、媒体和学术界的当地合作伙伴的工作关系。在发生重大紧急情况（例如野火、洪水、化学品泄漏和重大恢复工作）时，预报员可通过远程和现场方式提供基于影响的决策支持服务 (IDSS)。为了收集用于预报和其他目的的数据，NWS WFO 工作人员会监控、维护和使用自动地面观测站和多普勒气象雷达。除了 WFO 之外，NWS 还在美国各地运营专门的国家预报中心和地区总部，共有 168 个运营单位。NWS 超过 85% 的员工都在现场工作。如需了解亚利桑那州的当前天气情况，请访问 www.weather.gov，然后在国家地图上单击相关县或地区。
俄克拉荷马州
国家气象局（NWS）天气预报办公室（WFO）的人员配备24/7/365，并向俄克拉荷马州的居民提供天气，水和气候预报和警告。全国有122个WFO，其中两个在俄克拉荷马州。训练有素的预报员向公众，媒体，紧急情况管理和执法官员，航空和海洋社区，农业利益，商业人士等发出了警告和对天气事件的预测，包括严重的雷暴，龙卷风，飓风，冬季风暴，洪水和热浪。信息通过多种方式传播，包括无线紧急警报，社交媒体，Weather.gov和NOAA Weather Radio所有危害。每个WFO都有一个警告协调气象学家，他积极开展外展和教育计划，以加强与紧急管理，政府，媒体和学术社区的当地合作伙伴的工作关系。预报员在野火，洪水，化学溢出和重大恢复工作等关键紧急情况下提供基于影响的决策支持服务（IDSS）。为了收集数据以进行预测和其他目的，NWS WFO员工监控，维护和使用自动化的地表观测站和多普勒天气雷达。除了WFO外，NWS还经营着全美的专业国家预测中心和区域总部，总共有168个运营单位。NWS劳动力的85％以上是在现场。对于当前的俄克拉荷马州天气，请访问www.weather.gov，并在国家地图上单击相关的县或地区。
佐治亚州
国家气象局（NWS）天气预报办公室（WFO）的人员配备24/7/365，并向佐治亚州的居民提供天气，水和气候预报和警告。全国有122个WFO在佐治亚州。训练有素的预报员向公众，媒体，紧急情况管理和执法官员，航空和海洋社区，农业利益，商业人士等发出了警告和对天气事件的预测，包括严重的雷暴，龙卷风，飓风，冬季风暴，洪水和热浪。信息通过多种方式传播，包括无线紧急警报，社交媒体，Weather.gov和NOAA Weather Radio所有危害。每个WFO都有一个警告协调气象学家，他积极开展外展和教育计划，以加强与紧急管理，政府，媒体和学术社区的当地合作伙伴的工作关系。预报员在野火，洪水，化学溢出和重大恢复工作等关键紧急情况下提供基于影响的决策支持服务（IDSS）。为了收集数据以进行预测和其他目的，NWS WFO员工监控，维护和使用自动化的地表观测站和多普勒天气雷达。除了WFO外，NWS还经营着全美的专业国家预测中心和区域总部，总共有168个运营单位。NWS劳动力的85％以上是在现场。对于当前的佐治亚州天气，请访问www.weather.gov，并在国家地图上单击相关的县或地区。
零-X：一个支持区块链的开放式联合学习框架，用于IOV中的零日攻击检测
摘要 - 车辆互联网（IOV）是智能运输系统（ITS）的至关重要技术，它将车辆与互联网和其他实体集成在一起。5G和即将到来的6G网络的出现具有巨大的潜力，可以通过启用超可靠，低延迟和高带宽通信来改变IOV。然而，随着连接性的扩大，网络安全威胁已成为一个重大问题。零日（0天）攻击的数量增加，该问题进一步加剧了问题，该攻击可以利用未知的漏洞并绕过现有的入侵检测系统（IDSS）。在本文中，我们提出了零X，这是一个创新的安全框架，可有效检测0天和N天攻击。该框架通过将深层神经网络与开放式识别（OSR）相结合来实现这一目标。我们的方法介绍了一种新颖的方案，该方案使用区块链技术来促进零X框架的可信赖和分散的联合学习（FL）。该计划还优先考虑隐私保护，使CAV和安全操作中心（SOC）在保护其敏感数据的隐私的同时贡献其独特的知识。据我们所知，这是第一项将OSR与隐私保护FL结合使用的工作，以在IOV领域识别0天和N天攻击。最近两个网络流量数据集的深入实验表明，所提出的框架达到了高检测率，同时最大程度地降低了误报率。与相关工作的比较表明，零X框架的表现优于现有解决方案。
对混合能源存储系统中能源交换的研究以及不同系统的能力，寿命和成本的比较
现代车辆具有许多电子控制单元（ECU），这些单元（ECU）不断地通过受控区域网络（CAN）段组成的嵌入式车内网络（IVN）进行通信。CAN总线技术的简单性和尺寸约束的8字节有效载荷使整合基于真实性和完整性的保护机制是不可行的。因此，恶意组件将能够将恶意数据注入网络中，其检测风险很小。通过各种安全攻击（例如洪水，模糊和故障攻击）证明了这种漏洞。改善现代车辆安全性的实际方法是监视CAN巴士的流量以检测异常。但是，要使用一般方法管理这种入侵检测系统（IDS）面临一些挑战。首先，需要省略CAN数据字段的专有编码，因为它们是原始设备制造商（OEM）的知识产权，并且在车辆制造商及其型号之间有所不同。其次，这种一般和实用的ID方法在速度和准确性方面也必须在计算上有效。用于计算机网络的传统IDS通常使用基于规则或基于签名的方法。最近，使用机器学习（ML）具有有效特征表示的方法已显示出巨大的成功，因为检测速度更快，开发和维护成本较低。因此，提出了具有增强频率特征表示的有效数据聚合技术，以提高IVN的ML基ID的性能。使用汽车ID的生存分析数据集验证了性能增益。
在边缘网络中启用多播切片
摘要 — 电信网络正在经历一场颠覆性的转变，转向在用户附近具有虚拟化网络功能 (VNF)（例如防火墙、入侵检测系统 (IDS) 和转码器）的分布式移动边缘网络。这一转变将使网络服务（尤其是物联网应用）能够作为具有一系列 VNF 的网络切片进行配置，以保证其连续数据和控制流的性能和安全性。在本文中，我们研究了边缘网络中物联网应用多播流量的延迟感知网络切片问题。我们首先通过将问题转化为整数线性规划 (ILP) 来提出精确解。我们进一步设计了一种具有近似比的近似算法，用于单个多播切片的延迟感知网络切片问题，目标是在网络切片的延迟要求约束下最小化其实施成本。给定多个多播切片请求，我们还提出了一种有效的启发式算法，通过探索总计算资源需求和延迟要求之间的非平凡相互作用的影响，可以接纳尽可能多的用户请求。然后，我们研究了具有给定延迟保证级别的延迟导向网络切片问题，考虑到不同类型的物联网应用具有不同级别的延迟要求，我们提出了一种基于强化学习 (RL) 的有效启发式算法。最后，我们通过模拟和在实际测试平台上的实现来评估所提算法的性能。实验结果表明，所提出的算法很有前景。