XiaoMi-AI文件搜索系统
World File Search SystemSoftware
使用认知在日常软件开发任务中通过生理活动捕获开发人员的认知负荷
摘要 - 集成的开发环境（IDE）在各种任务中为开发人员提供支持。在执行不同的编程任务时毫不客气地捕获开发人员的认知负载，可以帮助优化开发人员的工作经验，提高其生产率并积极影响代码质量。在本文中，我们提出了一项研究，其中基于Intellij的IDE插件Cognitide用于在处理各种软件开发任务时收集，映射和可视化软件开发人员的生理活动数据。在一项可行性研究中，参与者根据Java开源代码在IDE中完成了四个模拟软件开发人员的日常工作任务 - 编码，调试，代码文档和电子邮件写作，同时记录了他们的生理活动。 在任务之间，评估了参与者的感知工作量。 可行性测试表明，可以成功地将认知剂用于一小时的数据收集会话，这是测试最长的持续时间，并且对使用它的人非常感知。 此外，与基线记录相比，记录的生理活性表明在工作任务期间的认知负荷更高。 这表明可以评估认知负载，映射到代码位置，可视化和讨论在一项可行性研究中，参与者根据Java开源代码在IDE中完成了四个模拟软件开发人员的日常工作任务 - 编码，调试，代码文档和电子邮件写作，同时记录了他们的生理活动。在任务之间，评估了参与者的感知工作量。可行性测试表明，可以成功地将认知剂用于一小时的数据收集会话，这是测试最长的持续时间，并且对使用它的人非常感知。此外，与基线记录相比，记录的生理活性表明在工作任务期间的认知负荷更高。这表明可以评估认知负载，映射到代码位置，可视化和讨论
Intel®快速攻击技术（Intel®QAT）软件...
4.1我有一个名为XYZ的应用程序，目的是使用系统中两个芯片组（PCH）设备的每个加密实例（总共四个实例）。配置文件会是什么样？............................................................................................................................................................................................................................................................ 21 4.2 cy name参数是否应在每个配置文件中使用唯一值？................................................................................................................................................................... 21 4.3 The firmware does not load.我该如何解决？...................................................................................................................................................................................................................................... 21 4.4当我尝试启动驱动程序时，我会看到与内存分配有关的错误（包括内核消息）。我该怎么做才能避免这种情况？....................................................... 21 4.5 When loading the package modules, I see kernel log warnings related to the signing of the modules.我需要做什么？.................................................................................................. 22 4.6 Why does Intel® QAT performance drop around buffer/packet sizes of 2kB?............... 22 4.7 I am receiving failures or hangs when sending perform requests to the Intel® QAT API after a fresh boot or after hotplug events.如何解决这些问题？............................ 22 4.8 How do I get the Intel® QAT driver to automatically start in SUSE Linux*?........................................................ 22
Quantum-抗性软件在低...
摘要。随着物联网（IoT）今天推出，其寿命可能超过十年的设备，保守的威胁模型应考虑具有量子计算能力的对手。IETF指定的西装标准定义了用于物联网软件更新，标准化元数据和加密工具（数字签名和哈希功能）的安全体系结构，以确保更新合法的更新。西装性能已在量词前的文本中进行了评估，但尚未在量词后的情况下进行评估。以Riot中可用的诉讼的开源实施为案例研究，我们调查了量子后的注意事项，尤其是抗量子的数字签名，重点介绍了具有严格的内存，CPU和能量消耗限制的低功耗，基于微控制器的IoT设备。我们基准在一系列物联网硬件上进行一系列量子前和后量牌签名方案，包括ARM Cortex-M，RISC-V和Espressif（ESP32），这些方案构成了现代32位微控制器架构的大部分。在诉讼的背景下解释我们的基准，我们估计了从量词前签名到后签名过渡的现实影响。
自主驾驶系统中即时软件缺陷预测的多模式学习
摘要 - 近年来，自主驾驶技术的兴起强调了可靠软件在确保安全和性能方面的重要性。本文提出了一种使用多模式学习的自动驾驶软件系统中即时软件缺陷预测（JIT-SDP）的新方法。提出的模型利用了多模式变压器，其中预训练的变压器和组合模块与软件系统数据集的多个数据模式相结合，例如代码功能，更改指标和上下文信息。适应多模式学习的关键点是利用不同数据模式（例如文本，数值和分类）之间的注意机制。在组合模块中，在文本数据和包含分类数据和数值数据的表格数据和表格特征上的输出组合在一起，以使用完全连接的层产生预测。对从GitHub存储库（Apollo，Carla和Donkeycar）收集的三个开源自动驾驶系统软件项目进行的实验表明，拟议的方法显着超过了有关评估指标的最先进的深度学习和机器学习模型。我们的发现突出了多模式学习的潜力，以通过改进的缺陷预测来增强自主驾驶软件的可靠性和安全性。
BS软件工程
1另外4个单位的CPE/CSC技术选修课可以代替CSC/CPE 123，尽管强烈鼓励新学生参加CSC/CPE123。2在选择技术选修课之前，建议与顾问进行咨询；请记住，您的选择可能会影响追求后掌龙的研究和/或目标。 3如果不服用CSC/CPE 123，则需要另外4个CPE/CSC技术选修课。 4在专业或支持中需要；还满足一般教育（GE）的要求。 5如果使用通识教育（GE）课程来满足主要或支持要求，则可能需要其他免费选修单位来完成学位所需的总单位。2在选择技术选修课之前，建议与顾问进行咨询；请记住，您的选择可能会影响追求后掌龙的研究和/或目标。3如果不服用CSC/CPE 123，则需要另外4个CPE/CSC技术选修课。4在专业或支持中需要；还满足一般教育（GE）的要求。5如果使用通识教育（GE）课程来满足主要或支持要求，则可能需要其他免费选修单位来完成学位所需的总单位。
模块指南汽车软件工程
- Introduction: applications, computational models for vision, perception and prior knowledge, levels of vision, how humans see - Pixels and filters: digital cameras, image representations, noise, filters, edge detection - Regions of images and segmentation: segmentation, perceptual grouping, Gestalt theory, segmentation approaches, image compression - Feature detection: RANSAC, Hough transform, Harris corner detector - Object recognition: challenges, template matching, histograms, machine learning - Convolutional neural networks: neural networks, loss functions and optimization, backpropagation, convolutions and pooling, hyperparameters, AutoML, efficient training, selected architectures - Image sequence processing: motion, tracking image sequences, Kalman filter, correspondence problem, optical flow
Cisco Catalyst 9800系列无线控制器软件配置指南，Cisco IOS XE 17.15.x
思科和思科徽标是Cisco和/或其在美国和其他国家的商标和/或其分支机构的商标或注册商标。要查看Cisco商标列表，请转到此URL：https：//www.cisco.com/c/en/us/about/legal/legal/trademarks.html。提到的第三方商标是其各自所有者的财产。使用该词合作伙伴一词并不意味着思科与任何其他公司之间的伙伴关系。（1721r）
用机器学习授权软件开发
机器学习（ML）是人工智能（AI）的一个子集，该子集的重点是算法和统计模型的开发，使计算机能够在没有明确指令，依靠模式和推理的情况下执行特定任务[1] [2] [2] [3]。在过去的几十年中，ML显着发展，从计算能力，数据可用性和算法创新的进步中受益。今天，ML正在彻底改变从医疗保健和金融到营销和物流的广泛行业。 ML应用最有影响力的领域之一是软件开发，它正在改变传统的方法和实践[4] [5] [6]。 软件开发领域始终是由于需要提高效率，提高质量以及管理增强复杂性的能力而驱动的。 传统的软件开发方法，例如瀑布，敏捷和DevOps，为管理SDLC提供结构化框架。 但是，在应对对快速开发周期，高质量标准以及处理大规模和复杂数据集的能力不断增长的需求时，这些方法通常会面临局限性[7] [8]。 _________________________________________________________er：mahi9vkb@gmail.com今天，ML正在彻底改变从医疗保健和金融到营销和物流的广泛行业。ML应用最有影响力的领域之一是软件开发，它正在改变传统的方法和实践[4] [5] [6]。软件开发领域始终是由于需要提高效率，提高质量以及管理增强复杂性的能力而驱动的。传统的软件开发方法，例如瀑布，敏捷和DevOps，为管理SDLC提供结构化框架。但是，在应对对快速开发周期，高质量标准以及处理大规模和复杂数据集的能力不断增长的需求时，这些方法通常会面临局限性[7] [8]。_________________________________________________________er：mahi9vkb@gmail.com
Silent Sentinel 工具实现软件风险分析自动化
无声前哨使用基于Linux的，基于容器的沙盒环境来对以任何语言编写的假定可信赖的应用程序进行一系列测试。用户为部署条件（例如系统调用，内存使用情况和网络配置）配置测试。该工具的报告可以对应用程序将如何影响计算环境进行现实评估。通过自动化风险分析，Silent Sentinel创建了一组统一的基线数据，团队可以反复参考，更新和使用以评估提议的更改。
llms软件安全性：脆弱性检测技术和见解的调查
大型语言模型（LLMS）正在作为用于软件漏洞检测的变革性工具。传统方法，包括静态和动态分析，效率的面部限制，假阳性率以及可扩展性，具有现代软件复杂性。通过代码结构分析，模式识别和修复建议生成，LLMS展示了一种新颖的减轻脆弱性方法。本调查研究了漏洞检测，分析问题制定，模型选择，应用方法，数据集和评估指标的LLM。我们研究当前的研究挑战，强调跨语言检测，多模式整合和存储库级分析。根据我们的发现，我们提出了解决数据集可伸缩性，模型解释性和低资源场景的解决方案。我们的贡献包括：（1）对漏洞检测中LLM应用的系统分析； （2）一个统一的框架研究了研究的模式和变化； （3）确定关键挑战和研究方向。这项工作提高了对基于LLM的漏洞检测的理解。最新发现在https://github.com/owensanzas/llm-for-vulnerability-detection