XiaoMi-AI文件搜索系统
World File Search SystemStealth
MIT Biotech启动在隐形模式下
1。定义，探索和地图潜在市场2。确定每个市场中的潜在客户和重要利益相关者3。让客户详细了解和绘制其优先级，流程，需求和痛苦4。通过基于数据驱动的假设方法捕获关键的假设并验证您的见解5。根据我们的技术为不同的客户和市场创建潜在的价值主张
评估隐形游戏中的玩家经验：动态后卫巡逻行为研究
在隐形游戏中，后卫巡逻行为构成了玩家遇到的主要挑战之一。大多数隐形游戏都采用了硬编码的后卫行为，但对于程序生成的环境来说，相同的AP可以是可行的。先前的研究引入了各种动态后卫巡逻行为；但是，需要进行更多的游戏测试，以定量测量其对玩家的影响。本研究论文介绍了一项用户研究，以评估游戏玩家在隐身游戏原型中对抗几种动态巡逻行为时的享受和困难方面的经历。这项研究旨在确定比赛是否可以区分不同的后卫行为并评估其对球员体验的影响。我们发现，玩家通常能够在与他们竞争时以难度和享受来区分各种动态的后卫巡逻行为。这项研究阐明了玩家感知和具有不同后卫行为的经验的细微差别，为寻求创造能力和具有挑战性的隐身游戏玩法的游戏开发人员提供了宝贵的见解。
保护儿童免受数字媒体隐形广告的侵害
尽管我们 2022 年 10 月的活动以及下面的员工观点和建议专门关注数字媒体中针对儿童的模糊广告，但我们必须认识到这一问题出现的更广泛背景。网上有许多针对儿童的新兴趋势，其中许多趋势导致或加剧了模糊广告带来的危害。我们现在生活在一个数字世界中，孩子们将相当一部分空闲时间（和上学时间）花在网上。他们发现自己处于游戏平台、虚拟现实和社交媒体等沉浸式环境中，其中许多环境使用技术让他们比以往任何时候都更长时间、更频繁地参与其中；他们与有影响力的人、化身和新兴的人工智能形式互动，形成模糊朋友和陌生人、人与计算机之间界限的准社会关系；他们是侵入性数据收集的对象，通常被用来向他们推销营销或内容；他们每天都会收到数百条广告，随着孩子们上网时间的增加，这个数字还在增加；他们被引诱进行购买或通过使用暗黑模式交出数据；他们特别容易受到这些数字环境中普遍存在的欺诈行为的侵害。此外，正如美国卫生局局长最近指出的那样，人们越来越担心屏幕成瘾和因屏幕时间增加而导致的心理健康问题。
RansomAI：基于人工智能的隐秘加密勒索软件
摘要 — 网络安全解决方案在检测使用固定算法和加密率的勒索软件样本时表现出色。然而，由于目前人工智能 (AI) 的爆炸式增长，勒索软件（以及一般的恶意软件）很快就会采用人工智能技术，智能、动态地调整其加密行为，以使其不被发现。这可能会导致网络安全解决方案无效和过时，但文献中缺乏人工智能驱动的勒索软件来验证它。因此，这项工作提出了 RansomAI，这是一个基于强化学习的框架，可以集成到现有的勒索软件样本中，以调整其加密行为并在加密文件时保持隐秘。RansomAI 提出了一个代理，它可以学习最佳的加密算法、速率和持续时间，以最大限度地减少其检测（使用奖励机制和指纹智能检测系统），同时最大限度地提高其损害功能。所提出的框架在勒索软件 Ransomware-PoC 中得到了验证，该软件感染了 Raspberry Pi 4，充当众包传感器。深度 Q 学习和隔离森林（分别部署在代理和检测系统上）的一系列实验表明，RansomAI 可以在几分钟内以超过 90% 的准确率逃避对影响 Raspberry Pi 4 的勒索软件 PoC 的检测。索引术语 — 勒索软件、强化学习、人工智能、恶意软件、逃避
隐秘类星体进化引领 RAT 竞赛 - SEC-1275-1
与该活动相关的样本（MD5：03b88fd80414edeabaaa6bb55d1d09fc）由 Netz .NET Framework 打包程序打包（图 2）。打包程序解压资源并利用反射加载程序集、找到其入口点并调用它（图 3）。因此，使用反射代码加载，服务器加载客户端的程序集以查找函数和密码（图 4、5）。
隐形脂质体在人类福祉中的应用
脂质体是人工制备的具有脂质双层的囊泡，可用作治疗各种癌症和其他疾病的药物载体分子。传统脂质体由于被网状内皮系统快速摄取而半衰期较短，这导致脂质体浓度和药效降低。脂质体被聚乙二醇包裹后，巨噬细胞对脂质体的摄取减少。这被称为隐形效应，可延长脂质体在循环中的半衰期，从而提高药效。被聚乙二醇包裹的脂质体也称为空间稳定脂质体或隐形脂质体。本综述重点介绍隐形脂质体的特点、制备方法、应用、优点和局限性。
用于隐秘欺骗的图上的超级博弈
摘要 — 随着对网络物理系统的攻击日益复杂，欺骗已成为一种有效的工具，通过混淆攻击者的感知来提高系统安全性。在本文中，我们提出了一种欺骗性博弈的解决方案，其中控制代理要在对手存在的情况下满足由共同安全时间逻辑公式指定的布尔目标。代理故意引入不对称信息来创建收益误解，表现为对博弈模型中标记函数的误解。因此，对手无法准确确定博弈的给定结果满足哪个逻辑公式。我们在图上引入了一个称为超博弈的模型来捕捉具有单边收益误解的不对称信息。基于该模型，我们给出了这种超博弈的解决方案，并使用该解决方案来合成隐秘的欺骗策略。具体来说，通过将超博弈简化为具有可达性目标的双人博弈和单人随机博弈，可以开发出欺骗性必胜和欺骗性几乎必胜策略。引入一个运行示例来演示博弈模型和用于策略综合的解决方案概念。索引术语——基于形式化方法的控制；线性时间逻辑；图上博弈；超博弈论。
关于人工智能中的对抗性示例和隐形攻击......
摘要 — 在本文中，我们提出了一个正式的理论框架，用于评估和分析针对通用人工智能 (AI) 系统的两类恶意行为。我们的结果适用于从输入空间映射到决策空间的通用多类分类器，包括深度学习应用中使用的人工神经网络。考虑两类攻击。第一类涉及对抗性示例，涉及引入导致错误分类的输入数据的小扰动。第二类是首次引入的，称为隐形攻击，涉及对 AI 系统本身的小扰动。在这里，受扰动的系统会在特定的小数据集（甚至可能是单个输入）上产生攻击者想要的任何输出，但在验证集（攻击者不知道）上表现正常。我们表明，在两种情况下，即在基于对抗性示例的攻击和隐形攻击的情况下，人工智能决策空间的维数是人工智能易受攻击的主要原因。对于基于对抗性示例的攻击，第二个关键参数是数据概率分布中不存在局部集中，这一属性称为“弥散绝对连续性”。根据我们的研究结果，对抗性示例的鲁棒性要求 (a) 人工智能特征空间中的数据分布具有集中的概率密度函数，或 (b) 人工智能决策变量的维数足够小。我们还展示了如何构建对高维人工智能系统的隐形攻击，除非验证集呈指数级增长，否则很难发现这些攻击。索引术语 — 对抗性示例、对抗性攻击、随机分离定理、人工智能、机器学习
