XiaoMi-AI文件搜索系统
World File Search SystemSSL
发行说明-Fortios 7.2.4
Change Log 6 Introduction and supported models 9 Supported models 9 Special notices 10 IPsec phase 1 interface type cannot be changed after it is configured 10 IP pools and VIPs are not considered local addresses for certain FortiOS versions 10 Support for FortiGates with NP7 processors and hyperscale firewall features 10 Changes in CLI 11 Changes in GUI behavior 13 Changes in default behavior 14 Changes in default values 15 Changes in table size 16 New features or enhancements 17 Upgrade information 30 Fortinet Security Fabric upgrade 30 Downgrading to previous firmware versions 31 Firmware image checksums 32 Strong cryptographic cipher requirements for FortiAP 32 FortiGate VM VDOM licenses 32 VDOM link and policy configuration is lost after upgrading if VDOM and VDOM link have the same name 32 GUI firmware upgrade does not respect upgrade path 33 Product integration and support 34 Virtualization environments 35 Language support 35 SSL VPN支持36 SSL VPN Web模式36解决问题37反垃圾邮件37抗病毒37应用程序控制37数据泄漏预防38端点控制38显式代理38 FIREWALL 38 FORTIVIEW 40 GUI 40 HA 42 HYPERSCALE 42 HYPERSCALE 43 ICAP 44 ICAP 44
Cisco Catalyst 1200和1300系列开关的发行说明 - 固件版本4.1.6.53
在开关（HTTPS服务器）和浏览器（HTTPS客户端）之间的SSL/TLS握手期间，该交换机呈现其签名证书。在其受信任的商店中拥有CA证书的浏览器，使用CA的公钥来验证服务器证书上的签名。此过程确定了服务器身份的真实性。一旦验证，服务器和浏览器就可以交换加密参数，从而使数据之间的数据加密，从而确保通过HTTPS通过HTTPS进行数据传输的安全和身份验证的连接。
Thales Protecterver 3 PCIE HSM
可以使用广泛的应用程序编程接口（API）来帮助遵守加密应用程序对行业安全标准和平台环境的遵守。这包括市场上可用的PKCS＃11功能集，Java JCA/ JCE，JCPROV和Microsoft Cryptoapi/ CNG提供商实现，以及与Open SSL无缝集成。软件开发套件允许无与伦比的灵活性和可扩展性水平（提供生产自定义加密应用程序的能力（包括全新的算法），并可以在HSM的受保护范围内安全地下载和执行。
托管安全服务边缘（Palo Alto网络）
Telstra托管SSE（Palo Alto网络）提供AI驱动的云安全网络网关（SWG）功能，涵盖DNS安全性，高级URL过滤，预防高级恶意软件，威胁检测，SSL解密，数据损失预防（DLP），SAAS应用程序的应用程序等。这种下一代安全解决方案利用了完全由Palo Alto Networks管理的始终在云本地基础架构中，以实现当今动态业务需求的安全性。
Fortisase使用内联用户和...
当您使用深度检查时，Fortisase通过充当中介机构连接到SSL Server，用作中间机。它解密并检查内容以找到威胁并阻止它们。要解密流量，Fortisase充当CA，签署给收件人的真实服务器证书。Fortisase使用的CA证书将由Fortisase端点管理服务自动推送到端点的可信根CA证书存储。因此，ForticLient信任Fortisase使用的CA证书。因此，收件人在其浏览器上没有看到任何证书警告。
3D云通过地理空间意识到的蒙版自动编码器
swath（1.4 km）。此外，凭借其太阳同步轨道，Cloudsat在同一当地时间经过赤道，将观察结果限制为在一天中的特定时间内“快照”。相比之下，成像仪器在更广泛的视野和更高的时间分辨率上进行测量，但它们仅提供“自上而下”的视角，并且不会直接测量大气曲线。但是，将不同光谱通道中的图像与大气轮廓重叠的测量结合在一起，可以推断雷达轨道以外的垂直轮廓。Barker等。[3，4]通过强度像素匹配，开发了一种将地球保健曲线扩展到3D的算法。最近的工作[5，6，7]使用了基于ML的方法（例如U-NET，CGAN，线性回归，随机森林，XGBoost），以从“自上而下”的测量中估算垂直云信息。特别是Brüning等人。[5]从MeteoSat第二代（MSG）旋转增强的可见和红外成像仪（Seviri）的卫星图像进行了训练，并具有Cloudsat Cloud Cloud Radar（CPR）反射率，重建3D云结构。对于所有方法，模型训练需要数据源之间的精确空间和时间对齐。由于雷达卫星的立交桥有限（图1b），轮廓测量值少于可用的图像（为了进行比较，MSG/Seviri每年产生40 TB的图像数据，而CPR每年产生150 GB）。然后，我们使用匹配的图像profile对进行了3D云重建任务的预训练模型。自我监督学习（SSL）的最新进展（SSL）在大型未标记数据集的训练前模型中表现出了希望，但它们在云研究中的应用仍然不足。在这项工作中，我们将SSL方法（MAE，MAE，[8]）和GeoSpatemance Authewawe AutoCododers（基于Satmae，[9]）应用于2010年的多光谱MSG/SEVIRI数据。我们的结果表明，预训练始终提高此任务的性能，尤其是在热带对流带等复杂地区。具有地理空间意识的预训练模型（即时间和坐标编码），尤其是胜过随机初始化的网络和更简单的U-NET体系结构，从而改善了重建结果。该代码将在接受后提供。
通过自监督学习和领域自适应实现雷达信号识别
摘要 — 自动雷达信号识别 (RSR) 在电子战 (EW) 中起着关键作用，因为准确分类雷达信号对于为决策过程提供信息至关重要。深度学习的最新进展显示出在具有大量注释数据的领域中提高 RSR 性能的巨大潜力。然而，这些方法在注释 RF 数据稀缺或难以获得的 EW 场景中就显得不足了。为了应对这些挑战，我们引入了一种自监督学习 (SSL) 方法，该方法利用掩蔽信号建模和 RF 域自适应来增强 RF 样本和标签有限的环境中的 RSR 性能。具体而言，我们研究了对来自不同 RF 域的基带同相和正交 (I/Q) 信号进行预训练掩蔽自动编码器 (MAE)，然后将学习到的表示转移到注释数据有限的雷达域。实证结果表明，与不使用 SSL 的基线相比，我们的轻量级自监督 ResNet 模型在域内信号（即雷达信号）上进行预训练时，1 次分类准确率可提高 17.5%，在域外信号（即通信信号）上进行预训练时，1 次分类准确率可提高 16.31%。我们还为几种 MAE 设计和预训练策略提供了参考结果，为少样本雷达信号分类建立了新的基准。索引术语 — 少样本、雷达信号识别、域自适应、自监督学习、掩蔽自动编码器
马来西亚近海二氧化碳封存地质力学可行性分析 A. Haghi 1 , S. Otto 1 , R. Porjesz 1 , J. Formento 1 , J. Park 2 , H. Gu 2 ,
马来西亚近海二氧化碳封存的地质力学可行性分析 A. Haghi 1、S. Otto 1、R. Porjesz 1、J. Formento 1、J. Park 2、H. Gu 2、K. Bt Mohamad 3 1 CGG；2 SKEO；3 PETRONAS 摘要 对深层地质构造中潜在的二氧化碳封存地点进行地质力学筛选是一项巨大的挑战，特别是在沙捞越近海等构造活跃区。在本研究中，我们收集现有日志和井下应力和压力测量值，为该油田三个战略位置的井构建一维力学地球模型。我们绘制了剪应力水平 (SSL) 和压力室 (PR)，以评估由于注气引起的断层重新激活或压裂导致二氧化碳通过盖层泄漏的风险。研究区域目前的应力状态以走滑状态为特征，与附近西巴兰线观测到的运动一致。利用世界应力图数据库，我们基于研究区域内11口海上钻井的142个井眼崩裂数据，确定了平均SH方向为N112°（±19°），这与东南东向巽他板块的绝对运动方向一致。根据本研究中改进的评分方法，我们发现SSL和PR值处于可接受至非常好的范围内。然而，摩擦平衡失效分析得出了PR的下限。本文概述的新型地质力学筛选方法提供了一种快速有效的方法，可以在进行详细表征之前识别适合CCS的储层。
跳跃手术计算机视觉
摘要。研究人员和行业之间的共识指出，缺乏大型，代表性的注释数据集是手术数据科学领域进步的最大障碍。自我监督学习（SSL）的进步代表了一个解决方案，通过提供任务不合时宜的初始化来降低对大型标记数据集的依赖。然而，当前的自我监督学习方法对领域转移的鲁棒性尚不清楚，从而限制了我们对利用多种外科数据来源的效用的理解。将焦点从方法转移到数据，我们证明了基于SSL的初始化的下游值与预训练数据集的组成无关紧要。这些结果强调了一个重要的差距，当我们扩展自我监督的方法以构建通用的“ Foun-Dation模型”时，需要填补这一差距，该方法可以在手术领域内进行多种用例。通过受控实验的几个阶段，我们开发了预处理数据集组成的建议，这些数据集组成通过300多个实验，涵盖20个预训练数据集，9个手术程序，7个中心（医院），3个标签DATA设置，3个下游任务以及多次运行。使用此处描述的方法，我们在两个公共基准测试中均优胜于阶段识别的预先培训：cholec80上的2.2％，自动帕拉的培训最高为5.1％。
基于脑电图的睡眠分期的自监督对比学习
摘要 — 脑电信号通常易于获取但标记成本高昂。虽然监督学习已广泛应用于脑电信号分析领域，但其泛化性能受到注释数据量的限制。自监督学习（SSL）作为计算机视觉（CV）和自然语言处理（NLP）中的一种流行学习范式，可以使用未标记数据来弥补监督学习的数据短缺。在本文中，我们提出了一种用于睡眠阶段分类的脑电信号自监督对比学习方法。在训练过程中，我们为网络设置了一个借口任务，以便匹配从脑电信号生成的正确变换对。通过这种方式，网络通过学习脑电信号的一般特征来提高表示能力。网络在处理多样化数据方面的鲁棒性也得到了提高，即从变化的数据中提取恒定的特征。具体而言，网络的性能取决于自监督学习训练过程中使用的变换的选择和未标记数据的数量。在 Sleep-edf 数据集上进行的经验评估证明了我们的方法在睡眠分期方面的竞争性能（88.16% 的准确率和 81.96% 的 F1 分数），并验证了 SSL 策略在有限标记数据方案中对 EEG 信号分析的有效性。所有代码均在线公开提供。1