XiaoMi-AI文件搜索系统
World File Search System变灰
变分量子脉冲学习
摘要 — 量子计算是解决传统硬件上难以计算的问题的最有前途的新兴技术之一。现有的大量研究集中在使用门级变分量子算法进行机器学习任务，例如变分量子电路 (VQC)。然而，由于参数数量有限，VQC 的灵活性和表达能力有限，例如，在一个旋转门中只能训练一个参数。另一方面，我们观察到量子脉冲在量子计算堆栈中低于量子门，并提供更多控制参数。受 VQC 良好性能的启发，本文提出了变分量子脉冲 (VQP)，这是一种直接训练量子脉冲以完成学习任务的新范式。所提出的方法通过在优化框架中拉动和推动脉冲幅度来操纵变分量子脉冲。与变分量子算法类似，我们训练脉冲的框架在嘈杂的中型量子 (NISQ) 计算机上保持了对噪声的鲁棒性。在二分类示例任务中，与 qiskit 脉冲模拟器（使用来自真实机器的系统模型）和 ibmq-jarkata 上的 VQC 学习相比，VQP 学习分别实现了高达 11% 和 9% 的准确率，证明了其有效性和可行性。在存在噪声的情况下，VQP 获得可靠结果的稳定性也得到了验证。索引术语 — 变分量子电路、量子计算、量子机器学习、变分量子脉冲、量子最优控制
RLTG：多目标定向灰盒模糊测试
定向灰盒模糊测试可以引导模糊器探索特定的目标代码区域，在补丁测试等场景中取得了良好的效果。然而，如果有多个目标代码需要探索，现有的定向灰盒模糊测试器（如AFLGo和Hawkeye）往往会忽略一些目标，因为它们使用距离的调和平均值，倾向于测试可达路径较短的目标。此外，现有的定向灰盒模糊测试器由于程序中存在间接调用，无法计算出准确的距离。此外，现有的定向灰盒模糊测试器无法解决探索和利用问题，种子调度效率低下。针对这些问题，我们提出了一种动态种子距离计算方案，当可达路径遇到间接调用时，动态增加种子距离。此外，种子距离计算可以处理多目标场景下的偏差问题。利用种子距离计算方法，我们提出了一种基于置信上限算法的种子调度算法，以解决定向灰盒模糊测试中的探索和利用问题。我们实现了一个原型 RLTG，并在实际程序上对其进行了评估。原型评估表明，我们的方法优于最先进的定向模糊器 AFLGo。在多目标基准测试 Magma 上，RLTG 以 6.9 倍的速度重现错误，并且比 AFLGo 多发现 66.7% 的错误。
DeepGo：预测定向灰盒模糊测试
在本文中，我们提出了一个预测定向灰盒模糊测试器 DeepGo，它可以结合历史和预测信息来引导 DGF 通过最佳路径到达目标站点。我们首先提出路径转换模型，该模型将 DGF 建模为通过特定路径转换序列到达目标站点的过程。突变产生的新种子将导致路径转换，而高奖励路径转换序列对应的路径表示通过它到达目标站点的可能性很高。然后，为了预测路径转换和相应的奖励，我们使用深度神经网络构建虚拟集成环境 (VEE)，它逐渐模仿路径转换模型并预测尚未采取的路径转换的奖励。为了确定最佳路径，我们开发了一个强化学习模糊测试 (RLF) 模型来生成具有最高序列奖励的转换序列。RLF 模型可以结合历史和预测的路径转换来生成最佳路径转换序列，以及指导模糊测试突变策略的策略。最后，为了练习高奖励路径转换序列，我们提出了行动组的概念，全面优化模糊测试的关键步骤，实现高效到达目标的最优路径。我们在 2 个基准测试套件（共 25 个程序，100 个目标站点）上对 DeepGo 进行了测试。实验结果表明，与 AFLGo、BEACON、WindRanger 和 ParmeSan 相比，DeepGo 在到达目标站点方面分别实现了 3.23 倍、1.72 倍、1.81 倍和 4.83 倍的加速比，在暴露已知漏洞方面分别实现了 2.61 倍、3.32 倍、2.43 倍和 2.53 倍的加速比。
关键代码引导的灰盒模糊测试
新提交的提交容易将漏洞引入程序。作为一种有前途的对策，可以使用定向灰盒模糊测试器通过将提交更改位置指定为目标来测试提交更改。但是，现有的定向模糊测试器主要侧重于达到单个目标，而忽略了对其他受影响代码的多样化探索。因此，它们可能会忽略在远离更改位置的位置崩溃的错误，并且在多目标场景中缺乏直接性，这在提交测试的背景下都很常见。在本文中，我们提出了一种直接灰盒模糊测试器 WAFLG O ，以有效发现提交引入的漏洞。WAFLGO 采用一种新颖的关键代码引导输入生成策略来彻底探索受影响的代码。具体而言，我们确定了两种类型的关键代码：路径前缀代码和数据后缀代码。关键代码首先引导输入生成逐渐、增量地到达更改位置。然后，在保持关键代码可达性的同时，输入生成策略进一步鼓励在探索受影响代码时生成输入的多样性。此外，WAFLGO 引入了一种轻量级多目标距离度量，用于直接和彻底检查所有更改点。我们实现了 WAFLG O，并使用提交引入的 30 个真实错误对其进行了评估。与 8 种最先进的工具相比，WAFLGO 实现了平均 10.3 × 的加速。此外，WAFLGO 在测试最近 50 次提交的真实软件（包括 libtiff、fig2dev 和 libming 等）时发现了 7 个新漏洞，其中包括 4 个 CVE。
灰龙：评估中国高级军事领导层
图 1.改革后的解放军结构 ......................................................................................................................9 2.解放军高级军官，按级别划分（2015 年和 2021 年） ........................................................................10 3.解放军高级军官，按军种划分（2015 年和 2021 年）（%） .............................................................................12 4.陆军关键联合作战岗位军官（2015-2021 年）（%） .............................................................................12 5.解放军高级军官，按军种与军种人力份额划分（2022 年）（%） .............................................................................13 6.解放军高级军官，按类型划分（2015 年和 2021 年）（%） .............................................................................14 7.解放军高级军官年龄/经验年限，按职等划分（2021 年）................................................................................................................................17 8.过去 10 年的地理轮换（%）................................................................................................................19 9.过去 10 年的地理轮换，按职位类型划分（%）.............................................................................20 10.过去 10 年的跨职能轮换（%）.............................................................................................21 11.过去 10 年的职位类型轮换（%）.............................................................................................22 12.过去 10 年（2015 年和 2021 年）的联合任务（%）.............................................................23 13.过去 10 年的联合任务，按职等划分（%）.............................................................................23 14.过去三年的联合任务各职级，按职务划分（2016-2022 年）.....24 15.过去 10 年的联合任务，按部队划分（%）.............................................................25 16.战区指挥官的职业发展，2016-2021 年.........................................................................27 17.各部队指挥官的职业发展，2016-2021 年.........................................................................27 18.解放军高级军官，按军种/战区划分（2015 年 vs. 2021 年）.............................................31 19.各集团军的先前职务（2015 年 vs. 2021 年）.............................................................31 20.在中央党政机关任职的解放军高级军官（2021 年）.............................................................33 21.中共决策机关成员等级（2021年）......................................................34 22.第十三届全国人民代表大会代表（2021年）.......................................35
变幅疲劳、建模和测试
虽然使用寿命可以像沃勒图一样简单地描述，但是弯曲疲劳的微观损伤效应是由材料不同阶段发生的不同机制组成的？整个生命周期。在光的开始处发生了一种机制，即洒水。在第三阶段，载荷的变化将引起位错运动，最终导致裂纹的形成。这开始了疲劳寿命的第二阶段，即裂纹扩展。此时，成核裂纹将随着每个加载循环而增长，直到应力强度变得如此之大以至于出现残余桥。裂纹扩展阶段可分为两个不同的子阶段：“阶段 I”中裂纹在最大剪应力平面上扩展，“阶段 II”中裂纹在垂直于拉应力方向的平面上扩展。 “阶段 I” 阶段适用于几种晶粒尺寸的顺序（见图 3）。
组合逻辑上的单粒子瞬变
辐射引起的效应对现代 CMOS 技术的可靠性构成威胁。晶体管尺寸的缩小、电源电压的降低和工作频率的提高，已导致单粒子瞬变 (SET) 成为纳米 CMOS 晶体管的主要可靠性问题 [1–3]。质子、中子或重离子等高能粒子可以撞击芯片并产生电流放电。在组合逻辑中观察到的这种电流脉冲称为 SET。当此脉冲到达存储元件并改变其值时，会导致称为单粒子翻转 (SEU) 的错误。瞬变和存储翻转这两种效应在文献中被称为软错误 (SE)，因为它们不是破坏性效应。文献中介绍了几种用于评估数字电路对 SET 和 SEU 的鲁棒性的技术。基于模拟的方法允许在复杂电路的设计流程中进行早期评估，并采用缓解策略来实现应用约束。例如，可以进行 TCAD（技术计算机辅助设计）模拟，以模拟粒子与组成电子设备的材料之间的相互作用。尽管这种方法可以达到最高的精度，但它不是一种可扩展的方法，通常用于研究基本结构（如 pn 结或单个晶体管）中的基本机制。另一种计算成本较低的方法是 TCAD 混合模式方法，其中仅将打击晶体管建模为 TCAD 设备，而其余设备则使用 SPICE 建模进行模拟。在这种情况下，可以研究多个晶体管，从而模拟逻辑门和小电路块。为了提高可扩展性，SPICE 中基于电流的模型可以模拟