XiaoMi-AI文件搜索系统
World File Search System代理的
Fortisase SIA基于代理的部署指南Fortisase SIA基于代理的部署指南
SIA用于基于代理的远程用户是最典型的用例，它涉及在包括Windows，MacOS和Linux端点在内的支持端点上安装和配置ForticLient。Fortisase Administration指南称此用例基于ForticLient代理模式。在这种用例中，富特酶防火墙作为服务（FWAA）介于端点和互联网之间。因为ForticLient基本上建立了使用FWAAS的全隧道SSL VPN，因此基于代理的SIA可以使用VPN策略来确保所有互联网流量和协议。每个端点连接到安全性POP。您可以通过将身份验证源配置为Active Directory（AD）/LDAP，RADIUS或SAML身份提供商（SAML IDP）来实现基于代理的远程用户身份验证。
代理问：自主AI代理的高级推理和学习
大语言模型（LLM）在需要复杂推理的自然语言任务中表现出了显着的功能，但是它们在交互式环境中的代理，多步骤推理中的应用仍然是一个艰难的挑战。静态数据集上的传统监督预训练在实现在Web Navigation（例如Web Navigation）中执行复杂决策所需的自主代理能力时跌落。先前试图通过对精选的专家演示进行微调的微调来弥合这一差距 - 通常会遭受更复杂的错误和有限的勘探数据，从而导致了次优政策的结果。为了克服这些挑战，我们提出了一个框架，将带有指导的蒙特卡洛树搜索（MCTS）搜索与自我批评机制和使用直接优先优化（DPO）算法的非政策变体对代理相互作用进行迭代微调。我们的方法使LLM代理可以从成功和失败的轨迹中有效学习，从而改善其在复杂的多步推理任务中的概括。我们在网络商店环境（一个模拟的电子商务平台）中验证了我们的方法，在该平台上，它始终超过行为的克隆和加强基线，并在配备了进行在线搜索的能力时击败平均人类绩效。在实际预订方案中，我们的方法论将Llama-3 70B型号的零拍摄性能从18.6％升至81.7％的成功率（相对增长340％），经过一天的数据收集，并在线搜索中进一步增加到95.4％。我们认为，这代表了自主代理人能力的实质性飞跃，为在现实世界中更复杂和可靠的决策铺平了道路。
插入安全芯片：LLM驱动机器人代理的执行限制
摘要 - 大型语言模型（LLM）的最新进展已使新的研究领域LLM代理通过利用在预训练期间获得的LLM的世界知识和一般推理来解决机器人技术和计划任务。然而，尽管已经付出了巨大的努力来教机器人“ dos”，但“毫无疑问”受到了相对较少的关注。我们认为，对于任何实际用法，教机器人“不”：传达有关禁止行动的明确指示，评估机器人对这些限制的理解，最重要的是，最重要的是，确保合规性至关重要。此外，可以进行验证的安全操作对于满足全球标准（例如ISO 61508）的部署至关重要，这些标准是定义在全球工业工厂环境中安全部署机器人的标准。旨在在协作环境中部署LLM代理，我们提出了一个基于线性时间逻辑（LTL）的可查询安全约束模块，该模块同时使NAT-URAL语言（NL）可以进行时间约束，以编码，安全性侵犯推理和解释和解释以及不安全的动作。为了证明我们系统的有效性，我们在虚拟机环境和真实机器人中进行了实验。实验结果表明，我们的系统严格遵守安全限制，并具有复杂的安全限制，强调了其实用性的潜力。
大型语言模型作为培训强化学习代理的政策老师
最近的研究发现了大语模型（LLM）通过提供高级指令来解决复杂的顺序决策任务的潜力。但是，基于LLM的代理缺乏解决特定目标问题的专业知识，尤其是在实时动态环境中。此外，在实际情况下部署基于LLM的代理可能既昂贵又耗时。另一方面，信息系统学习（RL）的方法是训练专门从事目标任务但经常遭受抽样效率低下和高勘探成本的训练代理。在本文中，我们介绍了一项新颖的框架，该框架通过使用基于LLM的教师代理商的INSTUCTIONS培训较小的专业学生RL代理来解决这些挑战。通过纳入教师代理的指导，学生代理可以将LLM的先验知识提炼成自己的模型。因此，可以对学生代理人进行培训的数据较少。此外，通过对环境反馈的进一步培训，学生代理人超过了其完成目标任务的能力。我们进行了针对挑战的Minigrid和栖息地环境进行的实验，该实验专门为体现的AI研究而设计，以评估我们的框架的有效性。结果清楚地表明，与强基线方法相比，我们的方法取得了卓越的性能。我们的代码可在https://github.com/zjlab-mmi/llm4teach上找到。
基于多代理的增强学习网络入侵检测系统
摘要 - 入侵检测系统（IDS）在确保计算机网络的安全性方面起着至关重要的作用。机器学习已成为一种流行的入侵检测方法，因为它能够在大量数据中分析和检测模式。但是，当前基于ML的IDS解决方案通常很难与攻击模式的不断变化的性质和新攻击类型的出现保持同步。此外，这些解决方案面临与阶级失衡相关的挑战，其中属于不同类别（正常和入侵）的实例数量显着不平衡，这阻碍了它们有效检测次要类别的能力。在本文中，我们提出了一种新型的多代理增强学习（RL）体系结构，以实现自动，高效和健壮的网络入侵检测。为了增强所提出模型的功能，我们通过实施加权均方根损失函数并采用了成本敏感的学习技术来改善DQN算法。我们的解决方案引入了一种弹性体系结构，旨在适应新的攻击并有效地适应现有攻击模式的变化。使用CIC-IDS-2017数据集实现的实验结果，证明我们的方法可以有效地解决类不平衡问题，并以非常低的假阳性速率提供精细的攻击分类。与当前的最新作品相比，我们的解决方案在检测率和假阳性速率方面都具有显着优势。索引术语 - 入侵检测系统（IDS），多代理增强学习，深Q网络（DQN），类不平衡，CIC-IDS-2017
一种训练智障自动化代理的实用方法
可以自主驱动应用程序用户界面完成用户任务的自动化系统非常有益，尤其是当用户在情境或永久性受损时。先前的自动化系统不会产生可概括的模型，而基于AI的自动化代理仅在模拟，手工制作的应用程序或累积高计算成本方面可靠地工作。我们提出了UINAV，这是一种基于示范的培训自动化代理的方法，可填充移动设备，但可以实现高成功率，并以适度的示威数量。为了减少示范开销，Uinav使用了裁判模型，该模型会立即对用户进行立即反馈代理失败的任务，并自动培养人类的示范来增加培训数据中的分歧。我们的评估表明，只有10个示威活动可以达到70％的精度，并且通过足够的演示，它可以超过90％的精度。
00 Seven - 重新实现虚拟机取证：使用特权IN-VM代理的内省机密VM
机密VM的安全保证（例如，AMD的SEV）是一把双刃剑：防止恶意或折衷的云操作员固有地使现有的VM Intropsection（VMI）服务对不需要的VM检查的保护。但是，考虑到这些VM尤其针对敏感的工作负载（例如财务），他们的客户需要安全的法医功能。在本文中，我们使VM所有者能够远程检查其机密VM，而不会削弱VMS的构图对云平台。与幼稚的VM内存组合工具相反，我们的方法（称为00seven）是从强大的VM攻击者中隔离的，从而抵抗了内核级攻击，并且提供了VMI的功能，可以通过内存访问。00 SEVEN利用AMD SEV-SNP（称为VMPLS）的最新Intra-VM特权域，并扩展了QEMU/KVM Hypervisor，以提供VMPL-Aware网络I/O和VMI-I-a和VMI-I-sassists HyperCalls。这样，我们可以使用受保护的IN-VM法医代理服务VM所有者。代理为VM所有者提供了证明的远程内存和VM注册内省，分析的安全暂停tar- get以及页面访问陷阱和功能陷阱，所有这些都与云平台隔离（含量Hypervisor）和IN-VM rootkit。
在供应链管理中释放生成AI和抹布代理的力量：未来派观点
摘要供应链管理（SCM）在当今复杂的商业环境中起着至关重要的作用，人工智能（AI）的进步有可能改变SCM实践。本研究文章探讨了SCM中生成的AI和抹布（检索功能的一代）代理的尚未开发的潜力，从而对其应用提出了未来派的观点。研究始于SCM的概述以及AI在转变供应链操作中的重要意义。然后，它介绍了生成AI和抹布代理的概念，突出了它们在SCM中的独特功能和潜在的好处。全面的文献综述研究了SCM中对AI的现有研究，并探讨了生成AI和抹布代理在其他领域中的应用。评论确定了专门在SCM中使用生成AI和破布剂的研究差距和机会。“方法论”部分概述了研究方法，包括数据收集方法以及生成AI和抹布代理的实施细节。评估指标被解释以评估SCM中这些技术的有效性和性能。本文在SCM中介绍了生成AI和RAG代理的实际应用，重点介绍其在需求预测，库存管理，供应链操作和实时决策中的角色。提供了案例研究和实验结果，以证明其对SCM效率和客户满意度的潜在影响。 它还确定了未来的研究方向和提供了案例研究和实验结果，以证明其对SCM效率和客户满意度的潜在影响。它还确定了未来的研究方向和结果和分析部分介绍了进行的实验的发现，分析了定量和定性方面。与SCM中现有方法的比较进一步强调了生成AI和RAG代理的独特优势。讨论部分解释了结果，讨论了对SCM的影响，并解决了与SCM中的生成AI和RAG代理相关的局限性和挑战。
精灵与Jarvis：车载智能代理的特征和设计注意事项
广泛的研究提出并研究了IVA。功能目标以及设计功能已被深入讨论。ivas可以支持驾驶和非驾驶相关的任务[3,8]，提供信息和协助任务以减少驾驶员的认知需求[9]，提供反馈以减轻驾驶员情感状况对驾驶安全的影响[4,14]，并促进驱动驾驶经验[10,11]。代理的形式，例如纯语音代理[11]，虚拟药物[3]和体现的代理[9,11]，是车载剂的广泛讨论的特征。其他设计特征，例如语音特征（例如语音性别[1]，语音年龄[6]），语音样式（例如，信息性与对话性[11]，自信与非信任[15]，简化与复杂命令[2]），
人工智能代理的可见性
越来越多地将商业、科学、政府和个人活动委托给人工智能代理（能够在有限监督下实现复杂目标的系统），可能会加剧现有的社会风险并引入新的风险。理解和减轻这些风险涉及严格评估现有的治理结构、在必要时修改和调整这些结构，以及确保关键利益相关者的责任。有关某些人工智能代理在何处、为何、如何以及由谁使用的信息（我们称之为可见性）对于这些目标至关重要。在本文中，我们评估了三类提高人工智能代理可见性的措施：代理标识符、实时监控和活动日志记录。对于每一种措施，我们都概述了在侵入性和信息量方面各不相同的潜在实现。我们分析了这些措施如何应用于从集中到分散的部署环境，并考虑到供应链中包括硬件和软件服务提供商在内的各种参与者。最后，我们讨论了我们的措施对隐私和权力集中的影响。进一步了解这些措施并减轻其负面影响有助于为人工智能代理的治理奠定基础。