XiaoMi-AI文件搜索系统
World File Search System底灰
SNOVA签名方案的隐底分析
对于多元签名方案，公共密钥的大小主要取决于变量的数量，方程数和有限字段的大小。取决于不同的影响因素，有不同的研究方法来开发UOV变体。第一种方法不会改变UOV方案的原始设计，而只会改变关键生成的方式。Petzoldt等人开发的压缩技术[23]基于以下事实：公共密钥的一部分可以在生成秘密密钥之前任意选择。这意味着可以使用伪随机数生成器的种子来生成公共密钥的一部分，公共密钥的大小主要取决于油空间的尺寸，方程数和有限端的大小。请注意，该技术可以应用于各种UOV变体。第二种方法是使用在小型场上定义的多项式作为公钥，而在扩展字段上定义了签名和消息空间，请参见[5]中的luov。，但其几个参数被Ding等人打破了。[12]。第三种方法是降低密钥生成步骤中石油空间的尺寸。在符号步骤中，他们使用不同的方法从原始的油空间诱导新的油空间，以使新的油空间的尺寸更大或等于方程数，例如QR-UOV [15]，Mayo [3]，Snova [28]。QR-UOV [15]的作者在扩展场上构建了油空间，然后通过痕量函数或张量产品将其映射到基础字段上的矢量空间中，另请参见[18]。[16]。在基本场上定义了签名和消息空间。BAC-UOV [25]与QR-UOV相似，但Furue等人打破了。对于蛋黄酱[3]，它们通过搅动油和醋地图P：f n
i/ca in Epifaunal底栖有孔虫
美国纽约州锡拉丘兹大学的地球科学系B地球科学系，牛津大学，英国牛津大学，英国牛津大学，赫利奥特·瓦特大学，英国爱丁堡，英国爱丁堡，d地质科学系。英国埃格姆伦敦皇家霍洛威大学 - 海洋环境科学中心，不来梅大学，布雷门河，德国，H alfred Wegener研究所，Helmholtz Polar and Marine Research中心，德国I英国英国南极调查美国康涅狄格州纽黑文大学，美国康涅狄格州米德尔敦的地球与环境科学系，美国康涅狄格州米德尔敦美国纽约州锡拉丘兹大学的地球科学系B地球科学系，牛津大学，英国牛津大学，英国牛津大学，赫利奥特·瓦特大学，英国爱丁堡，英国爱丁堡，d地质科学系。英国埃格姆伦敦皇家霍洛威大学 - 海洋环境科学中心，不来梅大学，布雷门河，德国，H alfred Wegener研究所，Helmholtz Polar and Marine Research中心，德国I英国英国南极调查美国康涅狄格州纽黑文大学，美国康涅狄格州米德尔敦的地球与环境科学系，美国康涅狄格州米德尔敦
底切蚀刻 - 康奈尔纳米级设施
本文报告了基于氮化铝（ALSCN）的设计，制造和实验验证，基于下一代内在计算机中的多重元素（MAC）操作。女性乘数利用ALSCN中的铁电偏振开关改变了压电系数（D 31），促进了神经网络中的权重的非挥发性，模拟记忆存储。然后，使用膜的压电参数来更改电容差距进行读数。在100V V P（5MV/cm）的电压下，铁电薄膜可以部分极化，并达到216 µC/cm 2的峰值残余极化。对光学测量位移的实验结果证实了ALSCN Unimorph乘数的操作。最大共振模式位移线性取决于极化和输入电压。这项工作为在内存计算中利用ALSCN的利用提供了基本见解，开放了用于高速，低功率和高精度计算应用程序的新途径。
利润的道德困境：评估三重底......
为使企业利润与社会和环境责任保持一致，人们提出了三重底线框架 (TBL)，该框架已得到广泛采用和大量批评。该框架因采用综合可持续发展方法、考虑人、地球和利润而受到赞扬，但同时也受到批评，因为它只关注财务结果，而财务结果往往将社会、环境和其他问题置于次要地位。本文主张将其纳入一个强大的道德框架，其中最突出的是利益相关者理论和义务论伦理学。这表明了一种解决缺点的功利主义。这将 TBL 改革为更平衡、更有影响力的工具。这被应用于对遵循传统 TBL 实践并在其模型中纳入道德框架的企业的比较分析。这项研究强调了改善长期社会、经济和环境影响的潜力。结果强调了道德考虑，这被视为企业决策不可或缺的外部因素。该研究最终呼吁其监管和政策层面的改革，以激励企业通过实现可持续发展的真正和可衡量的进展的目标来关注道德问题。
SNOVA签名方案的隐底分析
对于多元签名，公共密钥的大小主要取决于变量的数量，方程数和有限字段的大小。在不同的影响因素上进行，有不同的研究方法来开发UOV变体。第一种方法不会改变UOV方案的原始设计，而只会改变关键生成的方式。Petzoldt等人开发的压缩技术[20]基于以下事实：公共密钥的一部分可以在生成秘密密钥之前任意选择。这是指可以使用伪随机数生成器的种子来生成公共密钥的一部分，公共密钥的大小主要取决于油空间的尺寸，方程数和有限滤清器的大小。请注意，该技术可以应用于各种UOV变体。第二种方法是使用在小型场上定义的多项式作为公钥，而签名和消息空间则在扩展场上定义，请参见[4]中的luov。，但其几个参数被Ding等人打破了。[10]。第三种方法是降低密钥生成步骤中石油空间的尺寸。在符号步骤中，他们使用不同的方法从原始的油空间诱导新的油空间，以使新的油空间的尺寸更大或等于方程数，例如QR-UOV [13]，Mayo [3]，Snova [24]。QR-UOV [13]的作者在扩展场上构建了油空间，然后通过痕量函数或张量产品将其映射到基础字段上的矢量空间中，另请参见[17]。[14]。在基本场上定义了签名和消息空间。bac-uov [22]与QR-UOV相似，但Furue等人打破了它。对于蛋黄酱[3]，它们通过搅动油和醋来增加油空间的尺寸
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
尖端AI，彻底防御！深度学习防病毒软件
近年来，病毒感染到造成损害的时间间隔有变得越来越短的趋势。由于EDR产品仅处理事后的病毒感染，因此有时无法防止损害。 首先，将您的防病毒软件更新到最新版本。这是防止攻击的第一步。