XiaoMi-AI文件搜索系统
World File Search System安全漏洞
安全漏洞报告 - 您信任谁？
• ADP - 授权数据发布者。ADP 角色使合格且获得授权的组织能够通过其他相关信息（例如风险评分、参考资料、漏洞特征、翻译等）丰富 CVE 编号机构 (CNA) 发布的 CVE 记录的内容。请参阅 https://www.cve.org/ProgramOrganization/ADPs 。6
DNB的网络安全漏洞零公差导致Menlo Security
Malaysia的5G网络提供商数字Nasional Berhad（DNB），通过Menlo Security的安全企业浏览器解决方案为数百名分布式用户增强端点安全性。Menlo Secure Cloud浏览器与其现有安全堆栈无缝集成，从而在端点安全中缩小了空白。
增强移动生物识别身份验证：用于解决面部ID技术中安全漏洞的新模型
抽象 - 面部ID技术已成为移动生物识别验证的基石，提供便利性和增强的用户体验。然而，其越来越多的采用也强调了关键的安全漏洞，例如欺骗攻击，深击剥削以及与环境适应性有关的问题。本研究提出了一种新型模型，旨在解决这些脆弱性，以增强面部ID技术的可靠性和安全性。所提出的模型将高级机器学习算法与多因素生物识别验证相结合，以增强面部识别系统的鲁棒性。关键特征包括实时livese检测，反欺骗措施以及适应性识别能力，可提高各种环境和人口统计学的准确性。该模型采用混合方法，将传统的面部识别方法与补充生物识别指标（例如眼动模式和热成像）相结合，以减轻潜在的攻击量。本研究采用混合方法方法，包括模拟攻击方案，用户试验和算法性能评估。结果表明，新模型大大降低了欺骗尝试和深层违规的成功率，同时保持高认证速度和用户便利性。该研究还强调了该模型对低光和高动作条件的适应性，从而解决了当前面部ID系统中长期存在的局限性。此外，该模型为移动身份验证的未来创新铺平了道路，促进更安全，更具包容性的数字生态系统。调查结果强调了将多层安全机制合并到生物识别验证技术中，以平衡用户体验与稳健的安全性。政策含义包括
AudioCodes安全漏洞处理
AudioCodes作为常规维护软件更新的一部分提供了所有必要的操作系统补丁程序，从而消除了单独的操作系统修补程序的需求。此外，没有可能在SBC设备上安装任何第三方应用程序。根据我们的漏洞处理程序，有声码编码提供了任何安全漏洞的补丁程序。
光子综合电路（图片）是否安全？一眼图片中的安全漏洞
硅光子学（SIPH）正在驱动几个应用领域，从而使高性能计算系统中的超快速芯片尺度通信到人工智能（AI）硬件加速器中的能效计算[1]。一个集成SIPH的系统需要采用光子和电子子系统之间的接口，这可能导致几乎没有探索的新的和不可避免的安全漏洞。已经提出了一些方法，以通过采用安全性增强技术[2]，[3]来解决光电系统中的潜在安全漏洞，或者通过提供专门的硬件块来创建加密种子[4]。但是，它们缺乏光电系统中的弹性和易于部署。本文提出了一个框架，以增强光电系统中的硬件安全性。我们的解决方案利用光刻过程的独特特征来从SIPH子系统中创建独特的加密密钥，而无需专用的SIPH块（即使用架构中的SIPH节点）。此外，我们提供了一个在线入侵检测系统（IDS）以进行攻击检测。在不同的攻击场景下获得的仿真结果，并靶向光电结构（例如，光子AI加速器）显示了100％检测到的测试用例。增强的节点调整提高了光学信号完整性。
调查IoT线程网络中的安全漏洞
●2014年7月，线程组的启动仅考虑了一个目的：提供最佳的方法来连接和控制房屋和建筑物中的小工具。●线程是由行业领先的技术公司开发的基于IPv6的网状网络协议，用于将房屋周围和建筑物彼此之间的产品连接到互联网和云。●线程堆栈是一个开放标准，它是建立在现有电气和电子工程师研究所（IEEE）和互联网工程工作组（IETF）标准的基础上的，而不是全新的标准。●线程网络易于安装，高度安全，可扩展到数百个设备，并开发用于在低功率IEEE 802.15.4芯片组上运行。
llms无法可靠地识别和理由有关安全漏洞的理由（目前？）：全面的评估，框架和基准测试
摘要 - LARGE语言模型（LLMS）已被用来用于自动化漏洞维修中，但是台上标记表明它们可以始终如一地识别与安全性相关的错误。因此，我们开发了Secllmholmes，这是一个完全拟定的评估框架，该框架迄今为止对LLMS是否可以可靠地识别和有关安全相关的错误进行了最详细的调查。我们构建了一组228个代码方案，并使用我们的框架分析了八个不同调查维度的八个最有能力的LLM。我们的评估表明LLM提供了非确定性的反应，不正确且不忠的推理，并且在现实世界中的表现不佳。最重要的是，我们的发现在最先进的模型（例如“ Palm2”和“ GPT-4”（GPT-4'）中揭示了明显的非舒适性：仅通过更改函数或可变名称，或通过在源代码中添加库函数，这些模型分别在26％和17％的情况下可以产生错误的答案。这些发现表明，在将LLMs用作通用安全助理之前，需要进一步的LLM前进。
神经网络修复安全漏洞的有效性
安全漏洞维修是一项艰巨的任务，迫切需要自动化。两组技术已显示出希望：（1）已在诸如代码完成诸如诸如代码完成之类的任务的源代码上预先培训的大型代码语言模型（LLMS），以及（2）使用深度学习（DL）模型自动修复软件错误的自动化程序修复（APR）技术。本文是第一个研究和比较LLMS和基于DL的APR模型的Java漏洞的修复功能。的贡献包括我们（1）应用和评估五个LLM（Codex，Codegen，Codet5，Plbart和Incoder），四个微调LLM和四个基于DL的APR技术，对两个现实World Java脆弱性基准（VUL4J和VJBENCE）（vul4j和vjbench），（2）设计代码（2）设计了一定的批准（2），（2）设计了一定范围，（2）设计了一定范围，（2）设计了一定的量码（2），（2）设计了一定范围（2），（2）设计了一定范围（2）设计（2），（2）设计了一定的划分（2），（3脆弱性维修台上VJBENCH及其转换版本VJBENCH-TRANS，以更好地评估LLM和APR技术，以及（4）评估VJBENCH-TRANS转换漏洞的LLMS和APR技术。我们的发现包括（1）现有的LLM和APR模型修复了很少的Java漏洞。Codex修复了10.2（20.4％），最多的漏洞。许多生成的补丁都是不可编译的补丁。（2）一般APR数据的微调改善了LLMS的漏洞固定功能。（3）我们的新VJBENCH表明，LLMS和APR模型无法修复许多常见的弱点（CWE）类型，例如CWE-325缺少加密步骤和CWE-444 HTTP请求走私。（4）Codex仍然修复了8.7转换的漏洞，表现优于所有其他LLMS
云计算中的突出安全漏洞
摘要 - 本研究研究了云计算中的重大漏洞和威胁，分析其对企业的潜在后果，并提出了效率解决方案，以减轻这些脆弱性。本文讨论了以快速数据扩展和技术进步为特征的时间，云安全的意义增加。本文研究了云计算中普遍的漏洞，包括云错误配置，数据泄漏，共享技术威胁和内部威胁。它强调采用积极而全面的方法来确保云安全性。该报告非常重视共同责任范式，遵守行业法律以及网络安全威胁的动态性质。情况是，研究人员，网络安全专业人员和企业的合作需要主动解决这些困难。该合作伙伴关系旨在为旨在加强其云安全性措施并保护不断发展的数字景观的有价值数据的组织提供详尽的手册。
Quantum中安全漏洞的部署...
抽象 - 安全的通信一直是两个当事方之间共享信息的关键问题。传统和轻巧的加密原始图和协议对量子攻击是不安全的。密码学的目的是确保双方之间的机密性，完整性，身份验证和非拒绝。Quantum密钥分布是一种安全而合理的方法，用于在两方之间进行交流以共享其信息。然而，具有应用限制的早期应用导致了开放的歧义，从而允许窃听器违反量子加密系统的安全性。本研究提出了使用B92协议的量子密钥分布的框架。B92协议允许两个不同的用户A以高安全性共享其两极分化的光子，并且不会中断Eavesdropper。虽然B92协议生成了一个秘密密钥，这是发件人和接收器所知的。使用QUVIS框架可以提供此安全的通信，并将光子牢固地转移到Bob，而无需任何窃听器。