XiaoMi-AI文件搜索系统
World File Search System同态
改进了基于yolov2和卷积神经网络MRI的脑肿瘤分析的改进框架
抽象脑肿瘤是一组异常细胞。大脑被封闭在更刚性的头骨中。异常细胞生长并开始肿瘤。检测肿瘤是由于不规则的肿瘤形状而成为复杂的任务。所提出的技术包含四个阶段，这些阶段是病变增强，特征提取和用于分类，定位和分割的选择。磁共振成像（MRI）图像由于某些因素（例如摄取图像和磁场线圈波动）而嘈杂。因此，使用同态小波档案进行降噪。后来，使用非主导的排序遗传算法（NSGA）选择了InceptionV3预训练模型中提取的特征和信息特征。将优化的特征转发用于分类，然后将肿瘤切片传递给Yolov2-InceptionV3模型，设计用于肿瘤区域的定位，从而从深度偶联（混合-4）层的IntectionV3模型中提取特征并提供给Yolov2。将局部图像传递给麦卡洛克的卡普尔熵方法，以分割实际的肿瘤区域。最后，在三个基准数据库2018，Brats 2019和Brats 2020中验证了所提出的技术以进行肿瘤检测。所提出的方法在脑病变的定位，分割和分类中获得的预测得分大于0.90。此外，与现有方法相比，分类和分割结果优越。
高效按键切换，实现字型FHE和GPU加速
摘要 — 速度效率、内存优化和量子抗性对于保障云计算环境的性能和安全性至关重要。全同态加密 (FHE) 通过在无需解密的情况下对加密数据进行计算来满足这一需求，从而保护数据隐私。此外，基于格的 FHE 是量子安全的，可以防御潜在的量子计算机攻击。然而，当前 FHE 方案的性能仍然不令人满意，主要是因为操作数的长度和与几个资源密集型操作相关的计算成本。在这些操作中，密钥切换是最苛刻的过程之一，因为它涉及在更大的循环环中进行计算所需的复杂算术运算。在这项研究中，我们介绍了一种新算法，该算法在密钥切换的数论变换 (NTT) 中实现了线性复杂度。该算法提供了与最先进算法相当的效率，同时显著简单且消耗更少的 GPU 内存。值得注意的是，它将空间消耗减少了高达 95%，对 GPU 内存非常友好。通过优化 GPU 性能，我们的实现与基线方法和当前最先进的方法相比实现了高达 2.0 倍的加速。该算法有效地平衡了简单性和性能，从而增强了现代硬件平台上的加密计算，并为云计算环境中更实用、更高效的 FHE 实现铺平了道路。
人工智能对企业领导力的影响
人工智能 (AI) 正在改变组织动态，并彻底改变企业领导实践。本研究论文深入探讨了人工智能如何影响企业领导力的问题，并分析了其优缺点。人工智能的积极影响体现在组织内的沟通、反馈系统、跟踪机制和决策过程中。以 Slack 为例的人工智能通信工具促进了无缝协作，打破了地理障碍。反馈系统（如 Adobe 的绩效管理系统）采用人工智能算法提供个性化的发展机会，促进员工成长。基于人工智能的跟踪系统优化了资源分配，例如“基于人工智能的跟踪系统：提高效率和问责制”等研究。此外，在 COVID-19 疫情期间展示的人工智能决策支持展示了应对复杂挑战和保持韧性的能力。然而，人工智能的采用给人力资源带来了挑战，可能导致工作流失并需要提高技能。管理人工智能错误变得至关重要，亚马逊的偏见招聘工具等例子就说明了这一点。数据隐私问题也随之出现，强调需要采取强有力的安全措施。提出的解决方案建议利用本地机器学习模型 (LLM) 来解决数据隐私问题。联邦学习、设备上学习、差异隐私和同态加密等方法提供了有希望的策略。通过探索人工智能和领导力的不断发展的动态，这项研究倡导负责任地采用人工智能，并提出 LLM 作为一种潜在的解决方案，促进人工智能优势的平衡整合，同时减轻企业环境中的相关风险。
应用程序意识近似同质加密
完全同态加密（FHE）是在加密数据上执行计算的强大工具。Cheon-Kim-Kim-Song（CKKS）方案是近似FHE的实例化，对于具有真实和复数的机器学习应用程序特别有效。al-尽管CKK具有明确的效率优势，但混乱始终围绕着准确描述图书馆中的应用，并安全地实例化了这些问题的计划，尤其是在Li和Micciancio（Eurocrypt'21）的关键恢复攻击之后，用于IND-CPA D设置。目前在IND-CPA D的应用程序不合时宜的，通用的定义以及软件库中CKK的高效，特定于应用程序的实例之间存在差距，这导致了Guo等人的最新攻击。（USENIX SECurity'24）。要缩小此差距，我们介绍了应用程序意识到的同构加密（AAHE）的概念，并设计了相关的安全性定义。该模型更紧密地与实践中的方案实施和使用的方式更加紧密，同时还可以识别和解决流行库中潜在的漏洞。然后，我们提供了一种应用程序规范语言（ASL），并制定指南，以实现AAHE模型，以实现CKKS实际应用的IND-CPA D安全性。我们在OpenFhe库中提出了ASL的概念证明实现，以显示Guo等人的攻击方式。可以反驳。更重要的是，我们表明我们的新模型和ASL可用于确切方案的安全有效实例化，并应对Cheon等人最近的IND-CPA D攻击。（CCS'24）和Checri等。（加密24）。
![arxiv：2502.11110V1 [CS.CR] 2025年2月16日](/simg/c\c8ed3f17197796789e20c76f9924d994671e5f1e.webp)
arxiv：2502.11110V1 [CS.CR] 2025年2月16日
同态加密（HE）是隐私机器学习（PPML）中的核心建筑块，但他也被广泛称为其效率瓶颈。因此，已经提出了许多GPU加速的加密方案来提高HE的性能。但是，这些方法通常需要针对特定算法量身定制的复合修改，并与特定的GPU和操作系统紧密耦合。询问如何通常提供更实用的GPU加速算法的信息很有趣。鉴于大语言模型（LLMS）的强大代码通用功能，我们旨在探索它们的潜力，即使用CPU友好型代码自动生成实用的GPU友好算法代码。在本文中，我们关注数字理论转移（NTT） - HE的核心机制。我们首先开发并优化了对GPU友好的NTT（GNTT）家族，该家族利用了Pytorch的快速计算和预录，并实现了大约62倍的加速，这是一个大约62倍的加速，这是一个明显的增长。然后，我们使用各种LLM，包括DeepSeek-R1，Ope-Nai O1和O3-Mini探索GPU友好的代码生成。在整个过程中，我们发现了许多涉及的发现。例如，有些令人惊讶的是，我们的经验表明，DeepSeek-R1的表现明显优于OpenAi O3-Mini和O1，但仍然无法击败我们优化的协议。这些发现为ppml的PPML提供了宝贵的见解，并增强了LLMS的代码生成能力。代码可在以下网址提供：https：//github.com/lmpc-lab/ gengpucrypto。
一个具有高通量
我们提出了一个用基于晶格的加密性加固的量子后区块链。使用的数字签名算法可确保对量子计算带来的安装威胁的安全性。其加密算法是为整个网络构建完全同态加密（FHE）计算的构建。该授权区块链节点以其加密形式正确处理交易，而在不了解其明文内容的情况下，仅保留独家的解密特权，仅保留给单个资产持有人，以明文授予他们访问其交易详细信息。我们还提出了一项优化的拜占庭式容忍度consus协议，展示了该系统实现每秒30,000笔交易的潜力。我们还提出了一个本机虚拟麦酸（VM），旨在支持诸如加法，减法，比较和密钥切换之类的主要操作。此内在功能使用户有能力开发任意计算逻辑，从而促进了对加密数据的执行。此VM不仅促进了交易的合成性，而且还坚持区块链生态系统内的机密性，中央集权和反审查措施的基本宗旨。我们的合规方法是双重的：单个资产持有人可能会在明文中对其交易历史进行潜在的审查，同时在网络层面上，管理实体保留了整体交易历史记录的加密存储库。管理实体具有解密密钥，可以根据需要揭幕交易详细信息。这种双层分层可确保对我们系统内的合规措施的细微差别遵守。
通过高级加密技术增强数据安全
DOI: https://doi.org/10.47760/ijcsmc.2024.v13i01.007 ABSTRACT: In a time when digital technology is everywhere, it is essential to have strong data security, This study addresses data security, focusing on advanced encryption methods, A secure connection, or encryption, protects private data from tampering and unauthorized access, The research explores modern cryptographic这些不断发展的方法，包括基于区块链的解决方案，量子抗量算法和同态密码学，这些不断发展的方法为抵抗不断变化的网络威胁提供了更多的防御，研究了理论基础，现实世界中的应用以及对行业范围范围数据安全的潜在影响。本文将首先对现在使用的加密技术进行全面分析，然后重点介绍对数据安全的新兴和当代风险，接下来，您将重点关注当代加密技术的基础，强调它们的重要性和潜在用途。来自医疗保健，金融和物联网（IoT）的案例研究证明了如何在现实世界中使用高级加密及其对数据安全的影响如何，案例研究突出了新的和创新的技术需要在运动中，在运动中，休息和处理过程中保护数据（在所有情况下）。在本文中，将涵盖一种严格的方法来评估尖端加密算法的安全性和可用性，通过提供实验结果和全面的数据分析来突出显示这些技术在增强数据安全方面的实用性。本文通过强调实施高级加密方法来解决当今数据安全问题的结论是多么重要，它突出了密码学在保护机密信息方面发挥的关键作用，并为即将到来的数据安全领域的调查和发展奠定了坚实的基础。
一个新的基于CRT的完全同型加密
fhe方案可以在加密数据上执行广泛的操作，包括算术（加法和乘法）和逻辑操作，使它们完成。这意味着从理论上讲，任何可计算的函数都可以在加密数据上评估，而无需揭示数据本身。范围的潜在应用是广泛的，包括安全的投票系统，保护隐私的数据分析以及加密的搜索功能等。FHE解决的关键挑战之一是需要保持数据隐私，同时实现现代数据分析和Ma-Chine学习的功能。传统的加密方案在静止和运输中安全数据，但需要解密以进行处理，将敏感信息暴露于电池漏洞中。fhe在整个处理生命周期中保持了加密数据，从而显着增强了安全性和隐私性。尽管具有有希望的功能，但实际上，FHE的实际部署受到了性能问题的阻碍，尤其是与同构操作相关的高计算间接费用。早期方案需要进行引导[8] [6] [12] - 一种刷新密文以管理计算过程中噪声增长的过程 - 这在计算上昂贵且对现实世界应用程序非常有效[1]。使用中国剩余定理（CRT）进行完全同构加密（FHE）方案的概念首先是由Rivest，Adleman和Dertouzos [13]引入了1978年的“隐私同态”。由Rivest，Adleman和Dertouzos设计的隐私同构同构如下：基本想法是定义一个加密功能，该功能允许在无需解密的无需解密的无需加密数据上组合。该方法始于启用基本的二进制操作（例如加法和乘法），而不是加密数据。由于任何函数都可以通过多项式添加和加密数据上的乘法来近似，这意味着有可能在数据上计算任何函数。
![课程ID和标题：[EE508，机器学习的硬件基础]单位：4项 - 天 - 时间：[春季2025] - [星期六12：30-4：10pm - discm](/simg/3\30f978e944de08c9e836a60e904c269b4a7032a6.webp)
课程ID和标题：[EE508，机器学习的硬件基础]单位：4项 - 天 - 时间：[春季2025] - [星期六12：30-4：10pm - discm
Course ID and Title: [EE508, Hardware Foundations of Machine Learning ] Units: 4 Term—Day—Time: [Spring 2025] — [Lecture Saturday 12:30-4:10pm – Discussion: TBD] Location: TBD Instructor: Arash Saifhashemi Office: TBD Office Hours: TBD Contact Info: saifhash@usc.edu Teaching Assistant: TBD Office: TBD Office Hours: TBD Contact信息：TBD目录描述ML内核：卷积，变压器，嵌入。加速器：GPU，输入/重量/输出固定加速器。分布式ML：数据，模型和混合动力并行。私人ML：同态加密和多方计算加速器。课程描述本课程为有兴趣建筑机器学习（ML）硬件和系统的ECE（电气和计算机工程）学生提供了独特的观点，例如图形处理单元（GPU）和加速器，以及设计可扩展的ML系统，例如基于云的ML ML培训和推动力。本课程向学生介绍了ML模型中通常看到的计算和内存访问内核，包括卷积，变形金刚和嵌入表。学生将学习如何将卷积转换为矩阵操作以及如何加速这些矩阵操作在硬件加速器上。它为ML加速器提供了3种不同的硬件设计范例：输入，输出和权重固定加速器。它对市场上ML硬件加速器（例如GPU和Tensor处理单元（TPU））提供了深入的了解。该课程还介绍了如何使用模型，数据和混合并行性等并行化方法扩展ML系统。该课程将使学生能够了解机器学习中的隐私基础知识，以及如何使用同型加密和多方计算来加速私人ML系统。
Robert 等人，《美索不达米亚医疗保健人工智能杂志》第 2024 卷，135–169
摘要 随着医疗保健越来越依赖医疗物联网 (IoMT) 基础设施，建立一个安全的系统来保证患者数据的机密性和隐私性至关重要。该系统还必须促进与医疗保健生态系统内的其他方安全共享医疗保健信息。然而，这种增强的连接性也引入了网络安全攻击和漏洞。这篇全面的评论探讨了 IoMT 的最新进展、IoMT 的安全要求、IoMT 中的加密技术、加密技术在保护 IoMT 中的应用、针对加密技术的安全攻击、缓解策略和未来的研究方向。该研究采用综合审查方法，综合了 2020 年至 2024 年期间出版的同行评审期刊、会议论文集、书籍章节、书籍和网站的研究结果，以评估它们与 IoMT 系统中加密应用的相关性。尽管取得了进展，但 IoMT 中的加密算法仍然容易受到安全攻击，例如中间人攻击、重放攻击、勒索软件攻击、密码分析攻击、密钥管理攻击、选择明文/选择密文攻击和旁道攻击。虽然同态加密等技术增强了安全性，但它们的高计算和功率需求对资源受限的 IoMT 设备构成了挑战。量子计算的兴起威胁着当前加密协议的有效性，凸显了研究抗量子密码学的必要性。该评论指出了现有密码学研究中的关键差距，并强调了未来的发展方向，包括轻量级密码学、抗量子方法和人工智能驱动的安全机制。这些创新对于满足 IoMT 系统日益增长的安全要求和防范日益复杂的威胁至关重要。