XiaoMi-AI文件搜索系统
World File Search SystemSOCS
![arxiv：2401.16951v1 [cond-mat.mtrl-sci] 2024年1月30日](/simg/g:\will\search\icon\source\a\ac976b75fbfc6fb0537e43bd89309e7daeef3e75.webp)
arxiv：2401.16951v1 [cond-mat.mtrl-sci] 2024年1月30日
摘要 - LARGE语言模型（LLM）被认为具有自动化安全任务的有希望的潜力，例如在安全操作中心（SOCS）中发现的任务。作为评估这种感知潜力的第一步，我们调查了LLM在软件pentesting中的使用，其中主要任务是自动识别源代码中的软件安全漏洞。我们假设基于LLM的AI代理可以随着时间的推移而改进，因为人类操作员与之互动，可以为特定的安全任务进行特定的安全任务。可以通过第一个步骤来通过工程提示根据产生的响应提示为LLM提供的第一个步骤，以包括相关的上下文和结构，以便模型提供更准确的结果。如果经过精心设计的提示在当前任务上产生更好的结果，也会为未来的未知任务产生更好的结果，则此类工程工作将变得可持续。为了审查这一假设，我们利用OWASP基准项目1.2，其中包含2,740个手工制作的源代码测试案例，其中包含各种类型的漏洞。我们将测试用例分为培训和测试数据，在该数据中，我们根据培训数据（仅）来设计提示，并在测试数据上评估最终系统。我们将AI代理在测试数据上的性能与没有及时工程的代理商的性能进行了比较。我们还将AI代理的结果与Sonarqube的结果进行了比较，Sonarqube是一种用于安全测试的静态代码分析器。结果表明，使用LLMS是一种可行的方法，用于构建用于填充软件的AI代理，可以通过重复使用和及时的工程来改进。我们使用不同的现成的LLMS（Google的Gemini-Pro）以及OpenAI的GPT-3.5-Turbo和GPT-4-Turbo（带有聊天完成和Assistant Apis）构建并测试了AI代理的多个版本。
COE838 片上系统设计
• 课程大纲 http://www.ee.ryerson.ca/undergraduate/dcd/coe838.html http://www.ee.ryerson.ca/~courses/coe838/ • 要获得的关键知识：片上系统 (SoC) 架构和 SoC IP 核（ARM Cortex、Nios-II 和其他核）、SoC 建模和硬件/软件协同规范、硬件软件协同综合和 SoC 的架构探索、片上网络和片上互连结构（如 AMBA、Avalon）、使用可编程芯片上的系统进行 SoC 原型设计、多核架构和嵌入式片上系统、真实 SoC 及其应用的案例研究。 • 需要掌握的关键技能基于 SystemC 的片上系统仿真和软硬件协同规范、片上系统原型设计的 CAD 工具、实验室和课程项目均采用 Quartus-II 和 SOPC（可编程芯片系统）构建工具。 • 潜在职业 ASIC 设计师、嵌入式系统设计工程师、计算机系统工程师、系统集成工程师、SoC 设计工程师、嵌入式系统测试工程师…… • 潜在雇主 Advanced Micro Devices、DALSA、加拿大原子能公司（AECL）、PMC-Sierra、Research-in-Motion、ST Microelectronics、IBM Canada…… • 研究生学习瑞尔森大学、多伦多大学、滑铁卢大学、UBC、麦吉尔大学、卡尔加里大学、艾伯塔大学等拥有强大的 SoC 设计、嵌入式系统、微系统和先进计算机架构研究生课程。
使用 RISC-V SoC 上的开放软件开发 AI IoT 应用程序
摘要 —RISC-V 是一种新兴架构，在低功耗物联网应用中逐渐强大。架构扩展的稳定和基于 RISC-V 的 SOC（如 Kendryte K210）的商业化的开始，引发了一个问题：这个开放标准是否会促进特定市场应用程序的开发。在本文中，我们评估了与 Sipeed MAIX Go 开发板相关的开发环境、工具链、调试过程，以及 Kendryte K210 的独立 SDK 和 Micropython 端口。还研究了内置卷积神经网络加速器的训练管道，支持 Tiny YOLO v2。为了深入评估上述所有方面，我们开发了两种基于 AI 的低成本、低功耗物联网边缘应用程序。第一个应用程序能够识别房屋内的移动，并自主识别移动是由人还是由家养宠物（例如狗或猫）引起的。在当前 COVID-19 疫情的背景下，第二个应用程序能够标记行人是否戴着口罩，以平均 13 FPS 的速度进行实时物体识别。在整个过程中，我们可以得出结论，尽管硬件具有潜力且具有出色的性能/成本比，但开发人员的文档很少，开发环境的成熟度较低，有时甚至没有调试过程。索引术语 —RISC-V、物联网、人工智能、AIoT、Kendrite K210、Sipeed MAIX、CNN 硬件加速器。
可持续硬件专业化
在暗硅时代，硬件专业化通常被视为扩展性能的一种方式，现代 SoC 具有数十个专用加速器。通过仅在需要时启动硬件电路，加速器从根本上以芯片面积换取功率效率。然而，暗硅也有一个严重的缺点，那就是它的环境足迹。虽然硬件专业化通常通过高能源效率来减少操作足迹，但是在芯片上集成额外加速器所产生的具体足迹会导致环境足迹的总体净增加，这导致先前的研究得出结论，暗硅不是一种可持续的设计范式。我们通过可重构逻辑探索可持续的硬件专业化，与大量加速器相比，它有可能通过在多个应用程序中摊销其具体足迹来大幅减少环境足迹。我们提出了一个抽象的分析模型，评估用可重构加速器替换专用加速器的可持续性影响。我们针对各种内核，推导出 ASIC 和 CGRA（一种代表性的可重构结构）的芯片面积和能量数字的硬件综合结果。我们将这些结果输入到分析模型中，并得出结论：可重构结构更具可持续性。我们发现，CGRA 可以取代少量到十几个加速器。此外，用 CGRA 取代大量加速器可以大大减少对环境的影响（减少 2.5 倍到 7.6 倍）。
探测器：探测目标的新实用方法
电磁侧通道分析是一种有力的方法，用于监测处理器活动并损害气动环境中的加密系统。随着分析方法和目标设备的发展，对于仅捕获具有高信噪比的所需信号，泄漏定位和探测目标的重要性变得越来越明显。尽管具有重要意义，但仍然非常依赖不可靠的启发式方法和效率低下的详尽搜索。此外，相关研究通常在可行性，实用性和表现方面缺乏，并且仅限于受控的DUT和低端MCU。为了解决以前的处理的局限性和效率低下，我们提出了一种新颖的方法（探针射击），以泄漏定位和探测目标。这种方法利用了对处理器中幅度模拟和间隔扭曲的空间特征的新见解。结果，探针弹药器在各种拟合中提供了实质性改进：1）它不仅适用于简单的MCU，而且适用于复杂的SOC，2）它有效地处理多核系统和动态频率缩放，3）它可用于不受控制的DUTS，可用于可约束的现实攻击，并与以前相比，它可用于约束现实攻击，并与以前的方法相比具有显着效果。为了证明这一点，我们在高端MCU（具有单臂皮质M7核心的NXP I.MX RT1061上）和复杂的SOC（Broadcom BCM2711配备了Raspberry Pi 4型号B，具有四ARM ARM Cortex-A72 Cores）。
2023 年 4 月 23 日至 26 日美国德克萨斯州圣安东尼奥 www.ieee-...
技术程序委员会 模拟电路和技术 主席：Antonio Liscidini，多伦多大学 联合主席：Edoardo Bonizzoni，帕维亚大学 委员会成员：Mark Oude Alink，特温特大学 Devrim Aksin，ADI Ping-Hsuan Hsieh，国立清华大学 Hiroki Ishikuro，庆应义塾大学 Mahdi Kashmiri，元数据转换器 主席：Seung-Tak Ryu，韩国科学技术研究院 联合主席：Lukas Kull，思科系统 委员会成员：Vanessa Chen，卡内基梅隆大学 Chia-Hung Chen，国立交通大学 Jin-Tae Kim，建国大学，韩国 Martin Kinyua，台积电 Shaolan Li，佐治亚理工学院 Qiang Li，电子科技大学 Yong Liu，博通 Zhichao Tan，浙江大学 Filip Tavernier，天主教鲁汶大学 Haiyang (Henry) Zhu，ADI 数字电路、SoC、和系统主席：Gregory Chen，英特尔公司联合主席：Saad Bin Nasir，高通委员会成员：Behnam Amelifard，高通Elnaz Ansari，谷歌Ningyuan Cao，圣母大学Jie Gu，西北大学Monodeep Kar，IBMWin-San (Vince) Khwa，台积电Bongjin Kim，加州大学圣巴巴拉分校Alicia Klinefelter，nVidiaYoonmyung Lee，成均馆大学Yingyan (Celine) Lin，佐治亚理工学院Yongpan Liu，清华大学Divya Prasad，AMDElkim Roa，格罗方德半导体Visvesh Sathe，佐治亚理工学院Shreyas Sen，普渡大学WeiWei Shan，东南大学，南京
结合电池退化模型的混合可再生能源和电池系统调度优化模型
近年来，现有电网中可再生能源系统的整合度不断提高，加上缺乏综合调度模型，导致了电力浪费。本文提出了一种混合可再生发电机加电池系统的混合整数非线性优化模型，目标是最大化长期利润。先前的研究表明，电池的高和低充电状态 (SOC) 都会损害其使用寿命，并会导致电池容量随时间降低。此外，增加充电和放电循环次数也会导致容量降低。本文对这两个因素进行了建模，并将容量损失与 SOC 和电池完成的循环次数联系起来。容量损失在优化模型的目标函数中受到惩罚，从而不鼓励高和低 SOC 以及频繁循环。滚动时间范围优化方法用于克服在长期时间范围内实现全局最优的计算困难。通过考虑电池退化，该模型能够最大限度地提高电力调度到电网的利润，同时最大限度地延长电池的使用寿命。本文使用考虑多种电池容量的光伏系统发电时间序列样本，在案例研究中运用了该模型。结果表明，与在调度决策中忽略电池退化的传统模型相比，最佳电池寿命有所延长。最后，我们分析了电池操作决策与由此产生的容量衰减之间的关系。[DOI：10.1115/1.4052983]
电池组中串行连接的锂离子电池的新型活动细胞平衡拓扑
在电池管理系统（BMS）中，细胞平衡在减轻电池堆栈中锂离子（Li-ion）细胞中电荷状态（SOC）的不一致方面起着至关重要的作用。如果单元格无法正确平衡，则最弱的锂离子电池将永远是限制电池组可用容量的一种。已经提出了不同的细胞平衡策略，以平衡连接串联的细胞中不均匀的细胞SOC。但是，平衡效率和缓慢的SOC融合仍然是细胞平衡方法的关键问题。为了减轻这些挑战，在本文中提出了一种混合占空比平衡（H-DCB）技术，该技术结合了占空比平衡（DCB）和细胞对包装（CTP）平衡方法。引入了H桥电路的整合，以绕过选定的细胞并增强控制和监测单个单元的监测。随后，DC – DC转换器用于在H-DCB拓扑中执行CTP平衡，从而有效地将能量从选定的单元转移到电池组中，从而减少了平衡时间。为了验证所提出的方法的有效性，在MATLAB/SIMULINK软件中设计了96个串联连接电池的电池组均匀分布在十个模块中，以用于充电和放电操作，结果表明，与传统的DCB方法相比，提出的H-DCB方法具有更快的6.0 h的速度6.0 H。此外，在放电操作过程中，在实验设置中使用了一包四个串联的锂离子细胞，用于验证所提出的H-DCB方法。硬件实验的结果表明，SOC收敛是在〜400 s处达到的。
用于 SoC 安全验证的模糊测试、渗透测试和 AI 测试
摘要 — 片上系统 (SoC) 的使用和应用日益广泛，导致这些架构发生了巨大的现代化。对于现代 SoC 设计，由于包含大量复杂且异构的知识产权 (IP) 及其隐私保护声明，因此存在各种高度敏感的资产。必须保护这些资产免受任何未经授权的访问和各种攻击。获取此类资产的攻击可以通过不同的来源完成，包括恶意 IP、恶意或易受攻击的固件/软件、不可靠和不安全的互连和通信协议以及通过功率/性能配置文件的侧信道漏洞。任何未经授权访问此类高度敏感的资产都可能导致原始设备制造商 (OEM) 的公司机密泄露或最终用户的身份被盗。与 SoC 架构的功能测试和验证的巨大进步不同，安全验证仍在兴起，学术界和工业界对此的努力很少。不幸的是，SoC 架构的现代化与其安全验证方法之间存在巨大差距。由于现代电子设计自动化 (EDA) 工具中缺乏自动化的 SoC 安全验证，本文全面概述了作为 SoC 安全验证过程基础必须实现的要求。通过回顾这些要求，包括创建统一的 SoC 安全验证语言、定义安全策略、制定安全验证等，我们提出了利用模糊测试、渗透和 AI 测试等自改进技术进行安全验证的实现。我们评估了所有挑战和解决可能性，并提供了通过这些自改进技术实现 SoC 安全验证的潜在方法。
使用Chatgpt
深度学习模型的出现彻底改变了人工智能的领域，这是克里兹赫夫斯基等人2012年的胜利。在Imagenet大规模视觉识别挑战（ILSVRC）中的模型[1] [2]。这一突破标志着深度学习在图像和语音识别以及自然语言处理等领域的主导地位。大型语言模型（LLMS）的发展，例如Chatgpt [3]，代表了自然语言处理的显着进步，到2023年，Chatgpt实现了超过1亿个全球用户群。在网络安全的动态场中，不断寻求创新的方法来增强网络防御。llms之类的Chatgpt在各种网络安全领域中发挥了作用，包括安全操作中心（SOC）和教育计划。socs在监视和应对网络事件中起着至关重要的作用，通过整合ChatGPT [4]，可以增强能力。同样，网络安全教育领域也从Chatgpt [5]促进的互动学习经验中得到了好处。但是，网络攻击中LLM的潜在滥用是人们日益关注的领域。LLM（例如ChatGpt）产生令人信服的句子，图像和程序源代码的能力为它们在信息攻击中的概述提供了途径，例如信息收集[6]，网络钓鱼[7]和恶意软件创建[8]。在对称键密码学领域中，LLM在生成密码AES，CHAM [9]和ASCON [10]的程序源代码方面表现出了希望。差异性隐式分析[11]和线性隐性分析[12]在分析对称键块密码方面一直是关键的。最近的研究利用了混合整数线性编程（MILP）和满足能力问题（SAT）来增强这些分析[13] [14] [15] [16] [17] [17] [18]。由于使用MILP或SAT的方法不仅需要密码分析的知识，而且还需要高度编程技能，因此初学者有障碍可以克服。从讨论的观点来看，很明显，Chatgpt-4有可能大大降低密码分析领域的初学者的障碍。通过简化学习曲线，