XiaoMi-AI文件搜索系统
World File Search System对手
2020 年通用登记文件 - CIC
* “发行人违约评级”稳定在 A+。 ** 交易对手评级代表以下机构的评级：标准普尔的解决交易对手评级、穆迪的交易对手风险评级和惠誉评级的衍生品交易对手评级。 *** 内在评级对应于标准普尔的独立信用状况 (SACP) 评级、穆迪的调整后基准信用评估 (Adj. BCA) 评级和惠誉评级的生存力评级。标准普尔：Crédit Mutuel 集团评级。穆迪：Crédit Mutuel Alliance Fédérale/BFCM 和 CIC 评级。惠誉评级：Crédit Mutuel Alliance Fédérale 评级。
第一章：人工智能时代的新兴威胁
美国政府尚未做好在即将到来的人工智能 (AI) 时代保卫美国的准备。人工智能应用正在改变现有的威胁，创造新的威胁类型，并进一步鼓励国家和非国家对手利用我们开放社会的漏洞。1 人工智能系统将扩大对手在美国境内的活动范围和范围，就像导弹时代和恐怖主义将威胁带到美国本土一样。由于人工智能的存在，对手将能够以微观精度、宏观规模和更快的速度采取行动。他们将利用人工智能加强网络攻击和数字虚假宣传活动，并以新的方式瞄准个人。人工智能还将帮助制造精确设计的生物制剂。对手将操纵我们所依赖的人工智能系统。
攻击性人工智能对组织的威胁
人工智能为我们提供了自动执行任务、从大量数据中提取信息以及合成与真实事物几乎无法区分的媒体的能力。然而，积极的工具也可以用于消极的目的。特别是，网络对手可以使用人工智能来增强他们的攻击并扩大他们的活动。虽然过去已经讨论过进攻性人工智能，但仍需要在组织的背景下分析和理解威胁。例如，具有人工智能能力的对手如何影响网络杀伤链？人工智能对攻击者的好处是否比防御者更多？当今组织面临的最重大的人工智能威胁是什么？它们将对未来产生什么影响？在本研究中，我们探讨了进攻性人工智能对组织的威胁。首先，我们介绍背景并讨论人工智能如何改变对手的方法、策略、目标和整体攻击模型。然后，通过文献综述，我们确定了 32 种进攻性人工智能能力，对手可以利用这些能力来增强他们的攻击。最后，通过涵盖工业界、政府和学术界的小组调查，我们对人工智能威胁进行排名并提供有关对手的见解。
攻击性人工智能对组织的威胁
人工智能为我们提供了自动执行任务、从大量数据中提取信息以及合成与真实事物几乎无法区分的媒体的能力。然而，积极的工具也可以用于消极的目的。特别是，网络对手可以使用人工智能来增强他们的攻击并扩大他们的活动。虽然过去已经讨论过进攻性人工智能，但仍需要在组织的背景下分析和理解威胁。例如，具有人工智能能力的对手如何影响网络杀伤链？人工智能对攻击者的好处是否比防御者更多？当今组织面临的最重大的人工智能威胁是什么？它们将对未来产生什么影响？在本次调查中，我们探讨了进攻性人工智能对组织的威胁。首先，我们介绍背景并讨论人工智能如何改变对手的方法、策略、目标和整体攻击模型。然后，通过文献综述，我们确定了 33 种进攻性人工智能能力，对手可以使用这些能力来增强他们的攻击。最后，通过跨越行业和学术界的用户研究，我们对人工智能威胁进行排名并提供有关对手的见解。
（U）俄罗斯军事战略：核心原则和作战概念
本文探讨了俄罗斯军事战略的核心原则和相关作战概念，并将其在俄罗斯军事安全知识体系中的作用定位。俄罗斯军事领导人将现行战略描述为“积极防御”，这一战略概念融合了先发制人的措施以预测和防止冲突，战时作战概念旨在阻止对手在战争初期取得决定性胜利，削弱和扰乱对手的努力，同时创造条件以在可接受的条件下结束战争。该战略强调防御和进攻行动的整合、机动防御、持续反击、扰乱对手的指挥和控制、在整个军事行动区（包括本土的基础设施）部署其部队。其胜利理论的前提是削弱对手的军事经济潜力，重点关注至关重要的目标，以影响对手维持战斗的能力和意志，而不是发动地面攻势夺取领土或关键地形。该研究还探讨了俄罗斯战略行动的内容、相关使命和任务、俄罗斯军事概念的梯队以及俄罗斯对现代战争理论和实践的看法。
2020 年技术挑战问题集
作为国家的网络战士，美国网络司令部每天都在网络空间与强大的对手作战，其中一些对手现在是该领域的近乎势均力敌的竞争对手。我们已经认识到，我们必须在攻击突破我们的网络防御或削弱我们的军事力量之前阻止它们；通过持续的综合行动，我们可以影响对手的行为，并给他们的计算带来不确定性。我们的部队必须灵活，我们的伙伴关系必须可操作，我们的行动必须持续。政策、理论和流程应跟上网络空间事件的速度，以保持决定性优势。卓越的战略效果取决于行动、能力和流程的协调，以及情报与行动的无缝集成。现在，我们必须应用这一经验，根据威胁的规模进行扩展，消除对我们的速度和敏捷性的限制，并机动以对抗对手并增强我们的国家安全。
美国网络司令部技术挑战问题...
作为国家的网络战士，美国网络司令部每天都在网络空间与强大的对手作战，其中一些对手现在是该领域的近乎势均力敌的竞争对手。我们已经认识到，我们必须在攻击突破我们的网络防御或削弱我们的军事力量之前阻止它们；通过持续的综合行动，我们可以影响对手的行为，并给他们的计算带来不确定性。我们的部队必须灵活，我们的伙伴关系必须可操作，我们的行动必须持续。政策、理论和流程应跟上网络空间事件的速度，以保持决定性优势。卓越的战略效果取决于行动、能力和流程的协调，以及情报与行动的无缝集成。现在，我们必须应用这一经验，根据威胁的规模进行扩展，消除对我们的速度和敏捷性的限制，并机动以对抗对手并增强我们的国家安全。
深度受限量子密码学及其在一次性记忆等领域的应用
借助量子信息的力量，我们可以实现令人兴奋且在经典上不可能实现的密码原语。然而，几乎所有的量子密码学在近期的中型量子技术（NISQ 技术）中都面临着极大的困难；即量子态的寿命短和有限的顺序计算。同时，仅考虑有限的量子对手仍可能使我们实现以前不可能完成的任务。在这项工作中，我们考虑了针对有限量子对手（深度受限对手）的量子密码原语。我们引入了一个（深度受限）NISQ 计算机模型，它们是与浅量子电路交错的经典电路。然后，我们证明了可以针对工作中引入的任何深度受限的量子对手实现一次性记忆，其深度是任何预先固定的多项式。因此，我们获得了一次性程序和一次性证明等应用。最后，我们证明了我们的一次性记忆即使针对恒定速率错误也具有正确性。
反太空作战 - 空军条令
在所有领域部署军事力量，增加对美国及其盟军和国家利益的威胁。即使没有本土太空资产的对手也可能通过美国、盟国、商业或财团提供的太空服务来开发太空。这些服务包括精确定位、导航和授时 (PNT)；情报、监视和侦察；环境监测；导弹预警；卫星通信。随着对手越来越依赖太空能力，反太空行动有更大的机会削弱对手有效发动战争的能力和意愿。削弱对手的太空能力可能会妨碍他们有效组织、协调和策划军事行动的能力。例如，多域进攻性反太空作战可用于攻击敌人的卫星通信能力，结合对敌人地面通信网络的攻击（例如，电子攻击、空袭、远程炮火与进攻性网络空间作战相结合），可以协同减少或消除与敌方野战部队的通信和 C2。
采样的对抗性鲁棒性
随机抽样是现代算法，统计和Ma-Chine学习中的基本原始性，用作获取数据的较小但“代表性”子集的通用方法。在这项工作中，我们研究了在流式设置中对自适应对手攻击的鲁棒性：对手将宇宙U的一系列元素传递到采样算法（例如Bernoulli采样或储层采样），并以“构成非常无用的”效果'nesprestation's repressented'nesperate'nesprestanter''对手是完全自适应的，因为它知道沿流的任何给定点的样本的确切内容，并且可以以在线方式选择下一个相应地发送的元素。静态设置中的众所周知的结果表明，如果提前选择完整的流（非适应性），则大小ω（d /ε2）的随机样本是具有良好概率的完整数据的εApproximation，其中D是d是基础设置系统的VC-dimension（u，r）。此样本量屈服于适应性对手的鲁棒性？简单的答案是负面的：我们演示了一个设定的系统，其中恒定样本大小（对应于1个的VC维度为1）在静态设置中，但是自适应对手可以使用简单的和易于实现的攻击。但是，此攻击是“仅理论上的”，要求设定的系统大小至（本质上）在流长中指数。这几乎与攻击施加的约束相匹配。这不是一个巧合：我们表明，为了使采样算法与自适应对手进行鲁棒性，所需的修改仅是在样本大小中替换VC差异项D中的VC差异项D，并用基数期限log | r |替换。 。也就是说，具有样本尺寸ω（log | r | /ε2）的Bernoulli和储层采样算法，即使在存在自适应对手的情况下，也有良好的可能性输出流的代表性样本。