XiaoMi-AI文件搜索系统
World File Search Systemtraf
从单架飞机到社区：对空中的中立解释...
目前的空中交通复杂性指标是根据 ATM 不同管理层的利益来定义的。这些层级有不同的目标，实际上它们会竞争以最大化自己的目标，从而导致决策分散。这种分散性以及相互竞争的 KPA 需要透明和中立的空中交通信息来为可解释的行动铺平道路。在本文中，我们引入了单架飞机复杂性的概念，以确定每架飞机对空中交通整体复杂性的贡献。此外，我们描述了一种扩展此概念的方法，以定义复杂社区，即在特定空域中贡献大部分复杂性的相互依赖的飞机群。为了展示该方法，开发了一种可视化算法不同输出的工具。通过基于合成和真实历史流量的用例，我们首先表明该算法可用于形式化控制器决策以及指导控制器做出更好的决策。此外，我们研究如何使用所提供的信息来提高决策者对不同空域用户的透明度，这也有助于提高公平性和公正性。最后，进行敏感性分析，以系统地分析每个输入如何影响方法。
AI 扬声器生态系统中基于证书注入的加密流量取证
AI 扬声器是典型的基于云的物联网 (IoT) 设备，可在云上存储有关用户的各种信息。虽然从基于云的 IoT 取证的角度来看，分析这些设备与云之间的加密流量以及存储在那里的工件是一个重要的研究课题，但直接分析 AI 扬声器与云之间的加密流量的研究仍然不足。在本研究中，我们提出了一种取证模型，可以基于证书注入收集和分析 AI 扬声器与云之间的加密流量。提出的模型包括在 Android 设备上移植 AI 扬声器映像、使用 QEMU（Quick EMUlator）移植 AI 扬声器映像、使用 AI 扬声器应用程序漏洞运行漏洞利用、使用 H/W 接口重写闪存以及重新制作和更新闪存。这五种取证方法用于将证书注入 AI 扬声器。提出的模型表明，我们可以分析针对各种 AI 扬声器（例如 Amazon Echo Dot、Naver Clova、SKT NUGU Candle、SKT NUGU 和 KT GiGA Genie）的加密流量，并获取存储在云上的工件。此外，我们还开发了一个验证工具，用于收集存储在 KT GiGA Genie 云上的工件。© 2020 作者。由 Elsevier Ltd 代表 DFRWS 发布。保留所有权利。这是一个开放的
基于脑电图的心理负荷神经测量法评估真实驾驶环境中不同交通和道路状况的影响
汽车驾驶被认为是一项非常复杂的活动，由不同的伴随任务和子任务组成，因此了解不同因素（例如道路复杂性、交通、仪表盘设备和外部事件）对驾驶员行为和表现的影响至关重要。因此，在特定情况下，驾驶员的认知需求可能非常高，导致过度的心理负荷，从而增加犯错概率。在这方面，已经证明人为错误是 57% 道路事故的主要原因，也是大多数事故的促成因素。在这项研究中，20 名年轻受试者参与了一项真实驾驶实验，该实验在不同的交通条件下（高峰时段和非高峰时段）和不同的道路类型（主干道和次要街道）进行。此外，在驾驶任务期间，还发生了不同的特定事件，特别是行人过马路和汽车在实验对象前方进入交通流。已采用基于驾驶员脑电图 (EEG)（即大脑活动）的工作负荷指数来调查不同因素对驾驶员工作负荷的影响。还采用了眼动追踪 (ET) 技术和主观测量，以便全面了解驾驶员感知的工作负荷，并调查从所采用的方法中获得的不同见解。
通过深度强化学习和行为博弈论进行驾驶员建模
I. 引言人们对自动驾驶汽车 (AV) 的安全问题仍然存在，需要解决这一问题才能成功融入日常交通 [1]。除了真实的交通测试外，计算机模拟的交通环境还可用于加速验证阶段并引入各种各样的交通场景，这些场景可能需要几个小时的驾驶才能遇到 [2]–[4]。为了获得可靠的模拟结果，人类驾驶员模型应以合理的精度展示类似人类的驾驶行为。文献中提出了几种对人类驾驶员进行建模的方法。[5]–[7] 中的马尔可夫模型和 [8] 和 [9] 中的支持向量机用于预测驾驶员行为。[10]–[12] 中也将神经网络用于此目的。用于对驾驶员行为进行建模的其他工具包括动态贝叶斯网络 [13]、高斯过程 [14]、[15] 和逆强化学习 (RL) [16]、[17]。还提出了博弈论驾驶员模型。例如，在 [18] 中，Stackelberg 游戏用于对高速公路驾驶进行建模，但没有考虑由多个动作组成的动态场景。Stackelberg 游戏也用于 [19]，它考虑了多动作场景。但是，一旦玩家数量增加到 2 以上，计算就会变得非常复杂。[20] 提出了一种博弈论逆 RL 方法，用于预测两个驾驶员之间的相互作用，同时假设周围车辆的预定义策略。这种方法对于
针对内吞吸收和循环途径的小分子
在过去的几年中，越来越多的研究强调了细胞内运输在细胞生理学中的关键作用。在连接内吞系统的不同运输路线中，内化（胞吞作用）和循环（胞吞循环）途径被发现是确保组织特定环境中的细胞感知、细胞间通讯、细胞分裂和集体细胞迁移的基础。内吞运输途径的失调始终与多种人类疾病有关，包括癌症和神经退行性疾病。为了抑制与疾病发生和进展有关的特定细胞内运输途径，人们付出了巨大的努力来寻找具有适合体内给药的药理特性的小分子抑制剂。在这里，我们回顾了最常用的药物和最近发现的能够阻断内吞作用和内吞循环途径的小分子。我们通过强调此类药理抑制剂的靶标特异性、分子亲和力、生物活性和在体外和体内实验模型中的功效来表征它们。
Prisma一眼访问
Prisma Access connects remote networks over a standard IPsec connection—using any existing router, software-defined wide area networking (SD-WAN) edge device, or firewall that supports IPsec—to secure traffic, protect confidential information, and address data privacy needs.Prisma Access使用Palo Alto Networks Prisma SD-WAN，下一代防火墙（NGFWS）和第三方供应商产品支持SD-WAN选项。Prisma SD-WAN可用的Prisma访问的ADEM附加组件将路径和性能可见性扩展到所有用户的所有分支位置，而无需其他代理。解决方案监视影响Prisma SD-WAN站点体验的条件，包括分支应用程序，设备和用户交通，并根据需要执行自动补救。
航点 - L3Harris
L3Harris 看到了空中交通技术的新前景，即使在不确定的时期，我们也将发挥重要作用。我们继续通过数据通信、监视和信息管理方面的多个 NAS 关键基础设施计划为联邦航空管理局 (FAA) 提供支持。我们还通过投资新技术和解决方案，参与全球最大、最安全的空中交通电信网络（称为 FAA 电信基础设施 (FTI)）的持续技术发展，这些技术和解决方案将继续在所有这些功能中实现无缝的运营洞察力和卓越性。
通过稳健的登机口分配进行出发管理
摘要 —机场协同决策 (A-CDM) 概念为机场提供了切实可行的解决方案，可提高交通准时性和可预测性，并可能减少延误、噪音和污染。A-CDM 的一个主要特点是离港管理 (DMAN)：可以预测跑道起飞顺序，从而可以在登机口关闭发动机的情况下将很大一部分延误转移，而不会影响剩余的交通。在此过程中，延误起飞的登机口占用率不可避免地会增加，因此机场布局必须提供足够的登机口，并且登机口的分配必须足够稳健，以应对起飞延误。在本文中，我们介绍了一种估算由于 DMAN 起飞前调度而导致的登机口延误的方法，然后我们提出了一种稳健的登机口分配算法，并评估了该算法在巴黎戴高乐国际机场当前和增加的交通量下的性能。结果表明，与当前做法相比，这种稳健的登机口分配方式显著减少了登机口冲突的数量。索引术语 — 出发管理、登机口分配、稳健性