XiaoMi-AI文件搜索系统
World File Search System检测系统
一种可解释的基于人工智能的 DNS over HTTPS (DoH) 攻击入侵检测系统
摘要 — 在过去的几年中，域名服务 (DNS) 一直是黑客的主要目标，因为它使他们能够首先进入网络并获取数据以进行窃取。尽管 DNS over HTTPS (DoH) 协议具有隐私和安全等互联网用户所希望的特性，但它也导致了一个问题，即网络管理员无法检测到恶意软件和恶意工具生成的可疑网络流量。为了支持他们维护安全网络的努力，在本文中，我们使用一种新颖的机器学习框架实现了可解释的 AI 解决方案。我们使用公开的 CIRA-CIC-DoHBrw-2020 数据集来开发一种准确的解决方案来检测和分类 DNS over HTTPS 攻击。我们提出的平衡和堆叠随机森林在手头的分类任务中实现了非常高的精度 (99.91%)、召回率 (99.92%) 和 F1 分数 (99.91%)。使用可解释的 AI 方法，我们还强调了底层特征贡献，以期从模型中提供透明且可解释的结果。
执法应用商业爆炸物检测系统选择指南，NIJ 指南 100-99
执法和惩戒标准与测试计划由美国司法部国家司法研究所 (NIJ) 科学技术办公室赞助。该计划响应了 1979 年《司法系统改进法案》的规定，该法案成立了 NIJ，并指示其鼓励研究和开发以改进刑事司法系统，并将结果传播给联邦、州和地方机构。执法和惩戒标准与测试计划是一项应用研究工作，旨在确定司法系统机构的技术需求，为特定设备设定最低性能标准，根据这些标准测试市售设备，并将标准和测试结果传播给国内外刑事司法机构。该计划通过以下机构运作：执法和惩戒技术咨询委员会 (LECTAC)，由来自联邦、州和地方机构的全国知名刑事司法从业人员组成，负责评估技术需求并确定要评估和测试的研究计划和项目的优先级。美国国家标准与技术研究所的执法标准办公室 (OLES) 制定了自愿的国家合规性测试性能标准，以确保单个设备适合刑事司法机构使用。这些标准基于实验室测试
利用 CRISPR-Cas 技术开发多病原体检测系统，用于快速现场诊断
快速准确地检测多种病原体对于有效的疾病管理非常重要，特别是在现场环境中，及时诊断可以显著影响公共卫生结果。传统的诊断方法虽然有效，但往往面临与敏感性、特异性和同时检测多种病原体的能力相关的挑战。CRISPR-Cas（成簇的规律间隔短回文重复序列）技术的最新进展为开发强大的诊断系统提供了新的可能性，CRISPR-Cas 是一种创新的基因工程工具。CRISPR-Cas 系统以其精确的基因编辑而闻名，可以用于分子诊断，以识别与各种病原体相关的特定核酸序列。这种方法有可能创建一个多病原体检测系统，能够在不同的现场条件下提供快速准确的结果。本研究探讨了这种系统的开发，重点是整合 CRISPR-Cas 技术以增强实时诊断多种病原体的能力。
基于机器学习的网络入侵检测...
2 duhok Polytechnic University，Duhok，Kurdistan地区，伊拉克电子邮件：1 aqeel.hanash@auas.edu.edu.krd，2 adnan.mohsin@dpu.edu.edu.kr.kr.kr.kr--摘要 - 全球互联网继续传播，呈现出众多升级危险，具有巨大的潜在危险。现有的静态检测系统需要经常更新基于签名的数据库，并仅检测已知的恶意威胁。目前正在努力开发可以利用机器学习技术准确检测和分类危险内容的网络入侵检测系统。这将导致所需的整体工作量减少。网络入侵检测系统是通过各种机器学习算法创建的。审查的目的是为现有的基于机器学习的侵入检测系统提供全面的概述，目的是协助参与网络入侵检测系统的人。关键字：入侵检测系统，机器学习，SVM，随机森林。
激光超声检测系统对球栅阵列封装焊球的测量能力评估
摘要 — 激光超声检测是一种新颖的、非接触的、非破坏性的技术，用于评估微电子封装中焊料互连的质量。在该技术中，通过比较已知良好参考样本和被测样本的平面外位移信号（该信号由超声波传播产生）来识别焊料互连中的缺陷或故障。实验室规模的双光纤阵列激光超声检测系统已成功证明可以识别先进微电子封装（如芯片级封装、塑料球栅阵列封装和倒装芯片球栅阵列封装）中焊料互连中的缺陷和故障。然而，任何计量系统的成功都依赖于精确的数据，以便在微电子行业中发挥作用。本文使用量具重复性和再现性分析证明了双光纤阵列激光超声检测系统的测量能力。工业倒装芯片球栅阵列封装已用于使用激光超声检测系统进行实验，检测数据用于进行重复性和再现性分析。量具重复性和再现性研究也已用于选择已知的良好参考样品来与受试样品进行比较。
混合深度学习网络入侵检测系统基于卷积神经网络和双向长期记忆
摘要 - 在信息和数据是有价值的资产的时代，网络安全已变得至关重要。需要有效的网络入侵检测系统（NID）来保护敏感的数据和信息从网络攻击中。许多研究使用机器学习算法和网络数据集创建了NID，这些数据集无法准确反映实际的网络数据流。增加硬件功能和处理大数据的能力使深度学习成为开发NID的首选方法。这项研究使用两种深度学习算法开发了一个NIDS模型：卷积神经网络（CNN）和双向长期术语记忆（BILSTM）。cnn提取了提出的模型中的空间特征，而Bilstm提取了时间特征。使用两个公开可用的基准数据集CICIDS2017和UNSW-NB15，用于评估模型。所提出的模型在准确性方面超过了先前的方法，在CICIDS2017数据集中，二进制和多类分类的二进制和多类分类达到了99.83％和99.81％。在UNSW-NB15数据集上，该模型分别为二进制和多类分类的精度分别达到94.22％和82.91％。还使用主组件分析（PCA）用于功能工程，以提高模型训练的速度并将现有功能降低到十个维度，而不会显着影响模型的性能。关键字 - 双向长期记忆，卷积神经网络，深度学习，网络入侵检测系统，主成分分析
Adazd-Net：使用 EEG 信号的自动自适应和可解释的阿尔茨海默病检测系统
背景：阿尔茨海默病 (AZD) 是一种退行性神经系统疾病，会导致痴呆并导致大脑萎缩。虽然 AZD 无法治愈，但早期发现和及时治疗可以减缓其进展。AZD 可以通过脑电图 (EEG) 信号有效识别。但是，分析 EEG 信号具有挑战性，因为它们会快速自发地变化。此外，由于机器学习或深度学习模型的预测缺乏可解释性，临床医生对现有模型的信任度很低。方法：本文提出了一种新颖的 Adazd-Net，这是一种使用 EEG 信号自动识别 AZD 的自适应和解释性框架。我们提出了自适应灵活分析小波变换，它可以自动适应 EEG 的变化。这项工作还探索了有效系统性能所需的最佳特征数量，以及最具判别性的通道的发现。本文还介绍了可用于解释分类器模型提供的个体和整体预测的技术。结果：我们通过十倍交叉验证策略在检测 AZD EEG 信号时获得了 99.85% 的准确率。结论：我们提出了一种精确且可解释的 AZD 检测技术。研究人员和临床医生可以使用我们提出的模型来调查有关 AZD 期间大脑变化的隐藏信息。我们开发的 Adazd-Net 模型可用于医院场景中检测 AZD，因为它准确且稳健。© 2023 作者。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
优化用于云计算的深层生成入侵检测系统：改进的挑战和范围
大量数据及其指数增加导致安全问题，随后会损害云计算及其环境。入侵检测系统（IDS）是监视和分析云环境中恶意攻击数据的系统之一。云计算中网络流量的大量，高冗余和高维度使得很难通过当代技术检测攻击。需要解决以提高IDS功能的性能和数据不平衡问题。本文包括在不同类型的基于云的数据集中对基于ML技术和IDS性能的基于云ID的技术和调查。它还分析了差距和范围，以增强ID的评估参数。它提供了基于云的IDS系统，与其他当代系统相比，它将产生良好的性能结果。此外，本文提供了有关基于云的ID，数据不平衡技术，数据集和提议的云IDS系统体系结构的当前概述。
在日常临床实践中成功实施基于人工智能的胸部X光计算机辅助检测系统
因其成本低、扫描时间短、适应症广泛等优势，已成为一种诊断工具 [1]。在日常实践中，胸部 X 光片通常用于健康检查、术前风险评估、住院前的常规筛查以及对有症状的心肺疾病患者的评估 [2]。由于胸部 X 光片通常不包含明显的异常，但其分析需要仔细检查复杂的结构，因此读者忽视异常的风险很大 [1,3]。大量检查带来的繁重工作量给放射科医生带来了进一步的困难。因此，基于人工智能的计算机辅助诊断 (AI-CAD) 可以作为第二意见，提高放射科医生诊断的效率和准确性 [1,4,5]。此外，人工智能还可以在日常实践中帮助转诊临床医生进行胸部 X 光检查 [6,7]。当临床医生观察胸部X光片时，可能无法获得官方放射学报告。在这种情况下，使用X光片做出的医疗决定是基于转诊临床医生而不是放射科医生的解读，这种情况可能尤其发生在门诊或急诊室。根据经验水平，转诊临床医生有时可能对自己对胸部X光片的解释缺乏信心，并且可能无意中没有咨询肺病学或胸外科专家[8]。此外，他们可能会因为担心忽视患者的问题而要求进行不必要的CT扫描或后续影像检查。目前，对AI的期望越来越高，转诊临床医生意识到AI可能能够支持他们的决策过程[9,10]。许多