XiaoMi-AI文件搜索系统
World File Search System不变式
ScienceDirect
为了克服这个问题，在（Prajna and Rantzer，2005年）中建立了正向不变性和安全性之间的联系。正向不变性是一种系统集合的属性，可以保证进入集合的轨迹无法逃脱它（Blanchini，1999）。通过找到安全区域的不变子集，可以确保系统安全。为了识别候选不变式集合，在（Prajna等，2007）中提出了将不变式设置作为证书的低零级集的屏障证书方法（Prajna和Jadbabaie，2004年）。尽管已经证明了有或没有随机性的自主系统的该框架的属性，但对于存在控制输入的情况，没有系统的表述。为了解决这个问题，（Ames等，2016）提出了所谓的控制屏障功能（CBF）方法。
Ashutosh Gupta - CSE IITB - 印度孟买理工学院
研究兴趣 形式化方法与人工智能：安全关键型学习系统 验证：顺序和并发软件的形式化验证、不变式生成 综合：程序代码的自动生成 约束求解：约束逻辑编程、决策程序、自动定理证明 建模：生物系统建模，例如基因调控
揭开确保智能合约的不变有效性
与安全攻击相关的智能合约交易通常与攻击事件前的历史良性交易相比，通常会表现出不同的行为模式。已经提出了许多运行时监测和守卫机制来验证不变性并停止异常交易，但使用不变的经验有效性仍然在很大程度上没有探索。在本文中，我们研究了23个流行的8个类别的普遍不变式，它们要么以引人注目的协议部署，要么由领先的审计公司和安全专家认可。使用这些完善的不变性作为模板，我们开发了一个工具Trace2Inv，该工具根据其历史交易数据动态生成针对给定合同定制的新不变性。我们评估了42份智能合约的Trace2Inv，这是以太坊区块链上27个不同漏洞的受害者。我们的发现表明，仅凭最有效的不变后卫就可以成功地阻止27个确定的漏气量，而气体开销最少。我们的分析还表明，即使经验丰富的攻击者试图绕开它们，大多数不变性也仍然有效。此外，我们研究了组合多个不变后卫的可能性，从而阻止了27个基准漏洞中的23个，并达到了低至0的假阳性率。28％。Trace2Inv显着胜过最先进的智能合同不变式采矿和交易攻击检测。trace2inv还出人意料地发现了两项先前未报告的利用交易。
如何思考算法
使用这本修订的学生友好的教科书了解算法及其设计。与其他算法书籍不同，这本书很容易，其解释的方法很简单，并且提供的见解是许多且有价值的。在不通过大量正式证明的情况下进行研磨，学生将从分步方法中受益，以开发算法，有关常见陷阱的专家指南以及对更大局面的欣赏。修订和更新，第二版包括有关机器学习算法的新章节，并在每个部分的末尾简明了关键概念摘要，以供快速参考。此版本的新练习还包括150多个新练习：包括选定的解决方案，以便让学生查看他们的进度，而完整的解决方案手册则可以在线提供教师。没有其他文本清楚地解释了复杂的主题，例如循环不变式，帮助学生抽象思考并为创建自己的创新方法来解决问题做准备。
网络安全策略验证
摘要。我们提出了一个统一的理论，用于验证网络安全策略。作为指示图表示安全策略。要检查高级安全目标，表达了对策略的安全不变性。我们涵盖单调安全不变式，即禁止更多的人不会损害安全性。我们为安全不变理论提供以下贡献。（i）安全的方案特定知识的自动完成，这可以简化可用性。（ii）可以通过紧缩拒绝所有政策的安全不变性的保险来修复安全性。（iii）计算安全策略的算法。（iv）网络安全机制中状态连接语义的形式化。（v）一种算法来计算策略的安全状态实施。（vi）所有理论的可执行实现。（vii）示例，从飞机机舱数据网络到分析大型现实世界壁炉的分析。有关详细说明，请参见[2，3，1]。
在扭曲的双层石墨烯中拓扑保护转运的数学模型
扭曲的双层石墨烯产生了大型Moiré模式，在机械放松时形成三角网络。如果包括门控，每个三角形区域的电子狄拉克点会弥补，这些零点的角度表现为散装拓扑绝缘子，其拓扑指数取决于山谷指数和堆叠的类型。由于每个三角形都有两个相对充满电的山谷，因此它们在拓扑上仍然很琐碎。在这项工作中，我们通过分析和计算Continuum PDE模型来解决与该系统边缘电流有关的几个问题。首先，我们得出与单个山谷相对应的散装不变式，然后应用散装的交接对应关系以量化沿着界面的不对称传输。其次，我们引入了一个山谷耦合的连续体模型，以显示在使用多尺度扩展的小扰动的情况下，如何将山谷分离，以及如何用于较大缺陷的Valleys夫妇。第三，我们提出了一种证明大型连续体（伪 - ）不同模型的方法，即通过诸如三角形网络顶点等连接来保留量化的不对称电流。我们使用光谱方法来支持所有这些参数，以计算相关电流和波袋传播。
为具有未知动态的系统提供安全保证
摘要 - 随着自主系统在我们的社会中变得越来越综合和积分，需要准确建模并安全地控制这些系统的需求已大大增加。在过去的十年中，使用深度学习技术来建模和控制系统很难使用第一原理建模。但是，为此类系统提供安全保证仍然很困难，部分原因是学习模型的不确定性。在这项工作中，我们旨在为不容易从第一原则衍生而来的系统提供安全保证，因此，使用深度学习技巧更加有助于学习。鉴于感兴趣的系统和安全限制系统，我们从数据中学习了系统动态的集合模型。利用集合不确定性作为学习动力学模型中不确定性的量度，我们计算了最大的鲁棒控制不变式集合，从该集合开始，该系统从该集合开始，从而确保系统满足实现模型不确定性的条件下的安全性约束，这些模型不确定性包含在预定的可允许模型集合中。我们证明了使用倒置的模拟案例研究的方法的有效性，并与Turtlebot进行了硬件实验。实验表明，我们的方法可鲁棒化系统对模型不确定性的控制作用，并在不过分限制的情况下产生安全行为。可以在项目网站1上找到代码和随附的视频。
先天T细胞的靶向肿瘤微环境
免疫抑制性肿瘤微环境（TME）仍然是阻碍对固态癌症实施有效免疫疗法的最优秀障碍之一。非常由免疫抑制肿瘤相关的巨噬细胞（TAM）和髓样衍生的抑制细胞（MDSC）组成，TME减弱了免疫检查点阻断和收养细胞疗法的影响，并授权了一种具有TME补救疗法的新型治疗。在这篇综述中，我们探讨了三个先天性T细胞子集的潜力，即不变的天然杀伤剂（INKT），与粘膜相关的不变式T（MAIT）细胞和Gamma delta t（GD T）细胞，它们显示出固有的抗TAM/MDSC能力。具有先天和适应性的特性，先天性的T细胞类型表达了一个子集特异性TCR，具有独特的重组，形态和靶细胞识别，进一步补充了各种NK激活受体。NK激活受体和TCR激活都会导致针对靶向免疫抑制细胞进行TME修复的作用细胞毒性。此外，先天的T细胞展示了中等水平的肿瘤细胞杀死，提供了双重抗肿瘤和抗TAM/MDSC功能。可以通过嵌合抗原受体（CAR）工程进一步加强这种潜在的抗肿瘤能力，以识别肿瘤特异性抗原，以增强抗肿瘤靶向。与既定的CAR-T细胞疗法相反，这些先天的细胞类型的采用提供了增强的安全性，而没有嫁接与宿主疾病（GVHD）的风险，因为它们对不匹配的主要组织相兼容性（MHC）分子的不匹配，以使其可用地访问，以替代，抗逆转状态。