XiaoMi-AI文件搜索系统
World File Search System测试时间
通过深度学习技术检测蛮力攻击的强大框架
摘要：在网络环境中对蛮力威胁的精确识别引起了相当大的关注。它强调了新方法的需求，因为现有方法通常会导致许多错误的警报，并在实时威胁检测中延迟。为了解决这些问题，本研究提出了一个新颖的入侵检测框架，该框架利用深度学习模型，以更准确，有效地检测蛮力攻击。该框架的结构包括使用CSE-CICIDS2018数据集在研究开始时执行的数据收集和预处理组件。设计体系结构包括数据收集和预处理步骤。采用特征提取和选择技术来优化模型培训的数据。此外，在构建模型后，从功能选择中从数据中提取了各种属性，将在培训中使用。然后，建造深度学习算法的多个体系结构，其中包括人工神经网络（ANN），卷积神经网络（CNN），复发性神经网络（RNN）和长期记忆（LSTM）模型。评估结果表明，CNN和LSTM的精度分别达到99.995％和99.99％。它展示了其检测网络流量中复杂攻击模式的能力。表明CNN网络获得了最佳结果，测试时间为9.94秒。这将CNN作为一种有效的方法确定，可以迅速达到高精度。相比，我们在解决它们的弱点的同时超过了当前方法的准确性。这些发现与CNN在蛮力攻击检测框架中的有效性是一种更准确，更快的替代方案，从而提高了实时检测网络入侵的能力。
![arxiv：2501.04352v1 [cs.cv] 2025年1月8日](/simg/g:\will\search\icon\source\2\20b4b7601c5e5a91b018a205c40e7fc43aa3e198.webp)
arxiv：2501.04352v1 [cs.cv] 2025年1月8日
视觉模型（VLM）的在线测试时间适应（OTTA）最近引起了人们的注意，以利用沿流观察到的数据，以改善未来的预测。不幸的是，现有方法依赖于数据集特异性的超参数，从而大大限制了它们对看不见的任务的适应性。为了响应，我们提出了在线高斯适应（OGA），这是一种新颖的方法，该方法使用高斯分布来对视觉特征的可能性进行建模，并将零摄影先验纳入可启动的最大a后验（MAP）估计框架中，并与所有数据集中的固定超参数一起使用。我们证明，在大多数数据集和运行中，OGA优于最先进的方法。此外，我们表明，将OTTA与流行的几弹技术结合起来（一种实用但被忽视的先前研究环境）是非常有益的。此外，我们的实验研究表明，由于所有OTTA方法在运行中观察到的实质性可变性，常见的OTTA评估方案的平均性能在每个数据集中最多要超过三个。因此，我们主张更多的索式评估实践，包括增加运行的数量和考虑其他定量指标，例如我们提出的预期尾巴准确性（ETA），计算为最差10％的运行中的平均准确性。我们希望这些贡献将鼓励OTTA社区中更严格，更多样化的评估实践。代码可在https://github.com/cfuchs2023/oga上找到。
使用轻梯度提升机和类别增强模型的混合合奏学习方法，用于基于生活方式的II型糖尿病预测
解决分类和预测挑战，树木集成模型已获得了重要的重要性。促进集合技术是用于预测II型糖尿病的综合技术。光梯度提升机（LightGBM）是一种以其叶片生长策略，减少损失和增强的训练精度而闻名的算法。但是，LightGBM容易过度拟合。相比之下，Catboost使用了称为决策表的平衡基础预测值，该预测值可以减轻过度适应风险，并明显提高测试时间效率。catboost的算法结构抵消了梯度增强偏见，并结合了过度拟合的检测器以尽早停止训练。本研究的重点是开发一种混合模型，该模型结合了LightGBM和Catboost，以最大程度地减少过度拟合并通过降低方差改善效果。为了找到与基础学习者一起使用的最佳超级仪表，使用了贝叶斯超级参数操作方法。通过微调正则化参数阀，混合模型有效地降低了方差（过拟合）。针对LightGBM，Catboost，Xgboost，Deciest Crey，Random Forest，Adaboost和GBM算法的比较评估表明，混合模型具有最佳的F1得分（99.37％），召回率（99.25％）和准确性（99.37％）。因此，拟议中的框架对医疗保健行业的早期糖尿病有望有望，并显示出与糖尿病共享相似性的其他数据集的潜在适用性。
Allevyn◊Ag非粘合剂抗菌泡沫...
参考文献1。Smith+Nephew2007。对广泛的微生物的非粘附性敷料的抗菌活性。内部报告。DOF 0703006。2。Smith+Nephew2007。对Allevyn Ag的非粘性敷料样品的细菌屏障测试（湿润），针对Marcescens的测试时间为7天。内部报告。DOF 070304。3。Smith+Nephew2007。对Allevyn Ag的非粘性敷料样品的细菌屏障测试（湿润），对MRSA的测试时间为7天。内部报告。DOF 070305。4。Smith＆Nephew2006。对过程变化对Allevyn非粘性伤口敷料的制造的前瞻性用户评估内部报告/CE/022/ANA。5。Smith+Nephew2009。Allevyn Ag非粘附性敷料物理特性。内部报告。DS/09/013/R8。6。Smith+Nephew2008。对Allevyn Ag敷料的多中心市场评估。内部报告。sr/cime/009。7。Smith+Nephew2019。使用水分蒸气PEMEABISIO（MVP）和水分蒸气传输速率（MVTR）数据来支持涉及潮湿伤口愈合的产品索赔。内部语句。eo.awm.pcsgen.001.v2。8。养育AVM，Greenhill MT，Edmonds Me。比较治疗糖尿病足溃疡的两种敷料。伤口护理杂志。1994; 3（5）：224-228。 9。1994; 3（5）：224-228。9。Smith+Nephew2015。切割Allevyn变体。内部报告DS/14/318/r。10。Kurring PA，Roberts CD，QuinlanD。对社区渗出伤口的管理中的氢化细胞敷料的评估。英国护理杂志1994; 3（20）：1049-1050，1052-1043。11。Leonard S，McCluskey P，Long S等。 评估Allevyn粘合剂和非粘合剂泡沫调味料。 伤口英国。 2009; 5（1）：17-28。 12。 Smith+Nephew2018。 Project Etidot Testing -Allevyn非粘合剂敷料。 内部报告。 DS/18/264/r。 13。 Franks PJ，Moody M，Moffatt CJ等。 在慢性静脉溃疡管理中，两种泡沫敷料的随机试验。 伤口修复。 2007; 15（2）：197-202。Leonard S，McCluskey P，Long S等。评估Allevyn粘合剂和非粘合剂泡沫调味料。伤口英国。 2009; 5（1）：17-28。 12。 Smith+Nephew2018。 Project Etidot Testing -Allevyn非粘合剂敷料。 内部报告。 DS/18/264/r。 13。 Franks PJ，Moody M，Moffatt CJ等。 在慢性静脉溃疡管理中，两种泡沫敷料的随机试验。 伤口修复。 2007; 15（2）：197-202。伤口英国。2009; 5（1）：17-28。 12。 Smith+Nephew2018。 Project Etidot Testing -Allevyn非粘合剂敷料。 内部报告。 DS/18/264/r。 13。 Franks PJ，Moody M，Moffatt CJ等。 在慢性静脉溃疡管理中，两种泡沫敷料的随机试验。 伤口修复。 2007; 15（2）：197-202。2009; 5（1）：17-28。12。Smith+Nephew2018。Project Etidot Testing -Allevyn非粘合剂敷料。内部报告。DS/18/264/r。13。Franks PJ，Moody M，Moffatt CJ等。在慢性静脉溃疡管理中，两种泡沫敷料的随机试验。伤口修复。2007; 15（2）：197-202。2007; 15（2）：197-202。
如何伪造 DNA 亲子鉴定
当送交 DNA 测试进行分析时，大多数人都相信结果是准确的。然而，有时结果似乎不对劲，或者与你认为的真实情况不符。你可能想知道研究人员是否犯了错误或得到了假结果。幸运的是，有办法发现假 DNA 测试并避免因错误信息而产生的任何后果。DNA 测试帮助人们了解他们的健康状况、家族史和当前关系。获得虚假信息可能会导致混乱、家庭成员之间的感情受到伤害以及错误的医疗建议。确保测试的每个步骤都正确完成是获得准确结果的关键。在家进行 DNA 测试是新事物，但其背后的科学经过充分研究，如果操作正确，是可靠的。没有一种医学测试是 100% 完美的，人为错误也可能发生。DNA 测试结果可能出错的主要原因有两个：使用未经认证的实验室或受污染的样本。确保选择经国家适当认可的实验室，并仔细遵循所有说明以避免污染。在大多数情况下，在家测试需要提取您自己的 DNA 样本并将其送去进行分析。虽然可能会出错，但自己做的话，就没有作弊的机会。但是，如果其他人在收集样本或分发结果，那就另当别论了。DNA 测试可能被伪造的一些方式包括使用错误的 DNA、故意污染样本或在线订购假测试。如果有人控制您的 DNA 测试结果并向您提供虚假信息，他们可能是在说谎。请务必亲自查看实验室报告，并在必要时咨询您的医生。一项科学评论发现，全球范围内，0.8% 到 30% 的亲子鉴定是欺诈性的——不是因为污染或测试质量差，而是伪造的。那么，您如何发现假的 DNA 测试结果呢？首先，寻找危险信号，例如未经认证的实验室或受污染的样本。当其他人处理您的 DNA 时要小心，并且一定要亲自查看实验室报告。不要依赖他人为您解释——如果需要，请咨询医疗专业人员。通过意识到这些潜在问题，您可以确保您的 DNA 测试结果准确且值得信赖。在某些情况下，需要 99.9% 准确的 DNA 测试才能确认亲子关系。然而，不道德的卖家会出售假测试和报告，可能隐瞒真相或欺骗买家购买更便宜的替代品。为了避免这种情况，请遵循以下准则：联系实验室或公司核实测试结果的来源；检查是否获得 AABB 等组织的认证，以确保符合标准；并期待专业报告，其中包含正确的信息、易于阅读的格式和准确的数据。如果报告看起来是假的，请向信誉良好的公司申请新的测试，并在认证的实验室进行分析。对于亲子关系验证或医疗信息，准确性至关重要，因此购买 DNA 测试时要小心谨慎。关于亲子鉴定的热门问题是什么？它们的答案是什么？为了确保结果准确，我们的实验室包括牙釉质蛋白基因，以验证参与者的性别，包括疑似父亲、孩子和母亲。如果母亲提交自己的 DNA 作为父亲的 DNA，则会立即检测到并停止检测。有人可以在家庭测试期间将样本与他人的样本交换吗？是的，当疑似父亲提交他人的 DNA 时，可能会发生亲子鉴定欺诈。这会影响结果，如果实际父亲不是受检者，则显示亲子鉴定的概率为 0%。母亲也可以通过擦拭他人并将其冒充为孩子的样本来实施这种欺诈行为。如何防止家庭测试中的样本篡改？如果您不能相信参与者是诚实的，可以考虑让他们一起收集 DNA 样本，同时互相观察。如果这不可能，最好使用合法的亲子鉴定收集服务，所有参与者的 DNA 都由经批准的机构收集，并验证身份。在擦拭脸颊之前吃东西或喝水会改变 DNA 吗？不，试图通过进食改变某人的 DNA 来实施亲子鉴定欺诈是无效的。试剂盒说明书建议在测试前一小时内不要进食、饮水或吸烟，以确保结果准确。在某些情况下，DNA 样本可能会受到损害，影响测试结果的质量，通常是由于在采集过程中受到婴儿配方奶粉或食物残渣等物质的污染。这可能会导致测试暂停，直到客户提供新的样本。虽然这种不便会增加额外的测试时间，但不会影响最终结果的准确性。或在测试前一小时内吸烟以确保结果准确。有些情况下，DNA样本可能会受到损害，影响测试结果的质量，通常是由于采集过程中受到婴儿配方奶粉或食物残渣等物质的污染。这可能导致测试暂停，直到客户提供新的样本。虽然这种不便会增加额外的测试时间，但不会影响最终结果的准确性。或在测试前一小时内吸烟以确保结果准确。有些情况下，DNA样本可能会受到损害，影响测试结果的质量，通常是由于采集过程中受到婴儿配方奶粉或食物残渣等物质的污染。这可能导致测试暂停，直到客户提供新的样本。虽然这种不便会增加额外的测试时间，但不会影响最终结果的准确性。
清理地点表（2024 年 6 月 28 日）
清算财务：需要休假表和命令 1. 虚拟清算：将包含命令和休假表的加密电子邮件发送至：usarmy.cavazos.fin-mgt-cmd.mbx.ampo-iop-travel-section@army.mil 2. 亲自清算：您可以在科普兰大厦 18010 号 3 楼科普兰中心房间 B306C 清算。陆军军饷办公室::美国陆军卡瓦佐斯堡行为健康服务：周一至周五 0730 - 1630 553-3623/553-3624 午餐时间 1200 - 1300 中央兵营管理大楼 49017（圣达菲街）周一至周五 0800 - 1530 286-7705 / 287-6512 午餐时间 1130 - 1230 中央发行设施大楼 89010 周一至周五 0800 - 1200（仅上交）287-1060 儿童与青少年服务 Shoemaker 中心大楼 36000 周一至周五 0730 - 1630 288-7946 COVID 测试（仅限 OCONUS）测试时间少于 72 小时 旧呼吸道免下车诊所 周日 - 周五 08:00 - 13:00 N/A 国防旅行系统 BDE S-3 牙科设施 士兵牙科诊所 DES / PMO 大厦 23020 RM 102 周一 - 周五 09:00-15:00 287-8046 教育中心大厦 33009，2 楼 强制性 ETS/退休简报 周一 1330（1300 签到）；周二、周三、周五，0930（0900 签到）。分会必须与辅导员单独会面。分会咨询以随到随访的方式提供，时间为周一、周二、周三、周五，09:00-16:00 和周四 12:00-16:00。分会咨询的最后入场时间为每天 15:30。
基于人工智能的软件缺陷预测器：案例研究中的应用和优势
Ayse Tosun 1、Ayse Bener 2、Resat Kale 3 1,2 博阿齐奇大学计算机工程系软件研究实验室（SoftLab），邮编 34342，伊斯坦布尔，土耳其 3 Turkcell 技术公司，盖布泽，伊斯坦布尔，土耳其 1 ayse.tosun@boun.edu.tr，2 bener@boun.edu.tr，3 resat.kale@turkcellteknoloji.com.tr 摘要 软件缺陷预测旨在通过引导测试人员完成软件系统中易出现缺陷的部分来减少软件测试工作量。缺陷预测器被广泛用于组织中以预测缺陷，从而节省时间和精力，作为手动代码审查等其他技术的替代方案。在现实环境中应用缺陷预测模型很困难，因为它需要来自过去项目的软件度量和缺陷数据来预测新项目的缺陷倾向。另一方面，它非常实用，因为它易于应用，可以用更少的时间检测出缺陷并减少测试工作量。我们在一年的时间内为一家电信公司建立了一个基于学习的缺陷预测模型。在这项研究中，我们简要解释了我们的模型，展示了它的收益并描述了我们如何在公司中实施该模型。此外，我们将我们的模型的性能与试点项目中应用的另一种测试策略的性能进行了比较，该项目实施了一种名为团队软件流程 (TSP) 的新流程。我们的结果表明，缺陷预测器可用作新流程实施过程中的支持工具，预测 75% 的代码缺陷，并减少测试时间，而通过代码审查和正式检查表等更耗费劳动力的策略检测到的代码缺陷率为 25%。
太阳能材料与太阳能电池
本文介绍了一种用于太空太阳能电池的温度加速寿命试验 (ALT)。该试验在黑暗条件下进行，以避免照明 ALT 固有的问题。该 ALT 是我们之前在黑暗条件下仅使用正向偏置的 ALT 的演变。现在，通过正向/反向偏置模拟太阳能电池的工作条件。正向偏置模拟照明下的电气性能，而反向偏置模拟日食期间或任何其他阴影事件（例如天线也可能投射阴影）的阴影。正向与反向时间比为 4:1。此外，当前 ALT 中使用的高温（190、210 和 230 ◦ C）可大大缩短测试时间。此次 ALT 在商用 GaInP/Ga(In)As/Ge 三结太阳能电池上获得的结果表明，退化模式与并联电阻的降低有关，即 GaInP 顶部子电池中发生分流引起的初始退化，随后 Ga(In)As 中间子电池中的并联电阻降低。当前 ALT 中的活化能 (1.06 eV) 高于之前的活化能 (0.88 eV)。反向偏置会促进与正向偏置类似的退化，但更强烈，即在更短的时间内。因此，反向偏置产生的可靠性明显低于之前没有反向偏置的 ALT。尽管可靠性有所降低，但在标称温度 80 ◦ C（许多 GEO 任务的典型温度）下，90% 可靠性的时间为 32 年连续运行。因此，这些太阳能电池似乎非常坚固，并且对于许多太空应用具有很高的可靠性。应该注意的是，这些数字仅与高温引起的退化有关，这里不考虑辐射等其他压力源。
阿托伐他汀的溶出度曲线比较评估...
阿托伐他汀是一种用于治疗高脂血症的一线药物，该专利于2011年用完。目前，在印尼流通的阿托伐他汀片剂有原创药、多个品牌药和仿制药。本研究通过性能测试、重量均匀度、硬度、易碎性、崩解时间、使用紫外可见分光光度计测定含量和溶出度试验等物理质量测试来确定印尼流通的阿托伐他汀制剂的质量。溶出度试验使用 pH 值为 1.2、4.5 和 6.8 的 aquades 介质和缓冲溶液，体积为 900 ml，搅拌速度为 100 rpm，温度为 37°C ± 0.5，测试时间为 45 分钟。对三个样品进行了测试，即原创药、品牌药和仿制药阿托伐他汀片剂样品。三个药片样品均符合所有物理标准，包括重量均匀性、硬度、易碎性和崩解时间。原研药、品牌药和仿制药的阿托伐他汀含量测定结果均符合含量要求，即不低于标签标示量的 90.0%，不超过标签标示量的 110.0%。品牌药阿托伐他汀片的溶出曲线与原研药相似，而仿制药阿托伐他汀片的溶出曲线与原研药不同。关键词：阿托伐他汀，物理质量测试，溶出曲线
通过强化学习培训语言模型
自我纠正是大语言模型（LLM）的高度理想能力，但一直发现它在现代LLM中基本上是无效的。当前的训练自我纠正方法通常取决于多个模型，更高级的模型或其他形式的监督。为了解决这些缺点，我们开发了一种多转弯的在线增强学习方法（RL）方法，该方法得分可显着提高LLM使用完全自我生成的数据的自我纠正能力。为了建立分数，我们首先表明，在离线模型生成的校正轨迹上，有监督的微调（SFT）的变体通常不足以灌输自我纠正行为。尤其是，我们观察到，通过SFT训练捕食猎物是数据收集策略和模型自身反应或行为崩溃之间的分布不匹配的猎物，在这些错误中，学习隐含地仅优先于某种某种校正模式，而这种校正方式通常在测试问题上自我纠正无效。分数通过在模型自身分配自我生成的校正轨迹的分布下进行训练，并使用适当的正则化来解决学习过程，以学习在测试时间有效的自我纠正行为，而不是适合给定提示的高回应。此正则化过程包括基本模型上多转移RL的初始阶段，以生成不易崩溃的策略初始化，然后使用奖励奖金来扩大自我纠正。使用Gemini 1.0 Pro和1.5 Flash模型，我们发现得分可以实现最新的自我纠正性能，将基本模型的自我纠正分别提高了15.6％和9.1％，并在数学和人道主义方面提高了9.1％。