总共将3,420个样品用于初始测试运行(“时间零”)。这包括指向PE文件的995个恶意链接,带有其他恶意内容(非PE)的其他文件的1275个链接以及指向网站网站的1,150个链接。对于1小时4小时后进行的重新测试,某些URL不再起作用,因为它们是离线的(例如,攻击者或互联网提供商)。在一小时的重新测试中,仅使用了3,278个测试用例,其中包括指向PE文件的980个链接,1,223个指向非PE文件的链接和1,075个网络钓鱼URL。在四个小时的重新测试中,仅使用了3,087个测试用例,包括指向PE文件的943个链接,1121个指向非PE文件的链接和1,023个网络钓鱼URL。
在自主系统[22,24](例如自动驾驶汽车(SDC))的背景下开发工具,由于研究人员和从业人员依赖昂贵的计算硬件和仿真软件,因此很耗时且昂贵。我们提出了Sensodat,这是一个由32,580个执行基于仿真的SDC测试用例的数据集,该测试案例用SDC的最新测试发电机生成。数据集由轨迹日志和来自SDC的各种传感器数据组成(例如,RPM,车轮速度,制动热,传输等)表示为时间序列。总共Sensodat提供了来自81个不同模拟传感器的数据。在使用Sensodat时,SDC领域的未来研究不一定取决于执行昂贵的测试用例。此外,有了大量和多种传感器数据,我们认为感觉模型可以为研究做出贡献,尤其是用于AI开发,用于基于模拟的SDC测试的回归测试技术,模拟中的片段等。链接到数据集:https://doi.org/10.5281/zenodo.10307479
人工智能技术越来越多地被应用于软件测试,以提高自动化程度和效率。Eggplant AI 和 Test.ai 等工具利用人工智能来执行传统上由人类测试人员完成的任务。这些工具使用人工智能算法来生成测试用例、执行测试和分析结果,从而大大减少了测试所需的时间和精力。人工智能可以自动执行重复和平凡的测试任务,让测试人员专注于软件更复杂和更关键的方面。此外,人工智能可以通过分析历史数据和识别模式来预测潜在的故障区域,从而提高测试的准确性和有效性 (Mulla and Jayakumar, 2021)。此外,自然语言处理 (NLP) 等人工智能技术可用于理解和生成用通俗易懂的语言编写的软件需求的测试用例。这使得测试生成更加直观和高效,减少了非技术利益相关者参与测试过程的障碍 (Amershi et al., 2019)。
在自主系统的背景下开发工具[22,24],例如自动驾驶汽车(SDC),这是耗时且昂贵的,因为研究人员和从业人员依靠昂贵的计算计算硬件和仿真软件。我们提出了Sensodat,这是一个由32,580个执行基于仿真的SDC测试用例的数据集,该测试案例用SDC的最新测试发电机生成。数据集由轨迹日志和来自SDC的各种传感器数据组成(例如,RPM,车轮速度,制动热,传输等)表示为时间序列。总共Sensodat提供了来自81个不同模拟传感器的数据。在使用Sensodat时,SDC领域的未来研究不一定取决于执行昂贵的测试用例。此外,使用传感器数据的量和变化,我们认为Sensodat可以有助于研究,特别是对于AI开发,用于基于模拟的SDC测试的回归测试技术,模拟中的片段等。链接到数据集:https://doi.org/10.5281/zenodo.10307479
本文档概述了作为受市场更新计划 (MRP) 影响的应用程序的连接测试阶段的一部分要执行的测试用例。在此测试阶段,主要目标是评估和验证系统的连接组件。综合功能测试阶段将安排在未来某个日期,不属于本次测试的范围。
● 指定客户利益相关者负责支持实施任务,包括:a) 如果需要,在准备区域组装系统组件;b) 如果需要,安装硬件和软件;c) 如果需要,完成布线和其他物理连接;d) 在思科工程师的协助下实施和配置详细设计;e) 在思科工程师的协助下执行实施计划测试用例;f) 在思科工程师的协助下根据验收标准评估测试结果。
船舶设计是一个复杂的设计过程,可能需要一组海军建筑师团队来完成。改善船舶设计过程可以节省大量成本,同时仍为客户提供高质量的设计。船体设计的新技术是扩散模型,一种生成人工智能。船体设计扩散模型的先前工作创建了高质量的船体,其阻力减少和较大的位移量。但是,工作无法产生符合特定设计约束的船体。本文提出了一个条件扩散模型,该模型在给定特定约束的情况下生成船体设计,例如船体所需的主维度。此外,此扩散模型利用总电阻回归模型的梯度来创建低电阻设计。五个设计测试用例将扩散模型与设计优化算法进行了比较,以创建低电阻的船体设计。在所有五个测试用例中,扩散模型均显示出具有总电阻小于优化船体的多种设计,其电阻降低了25%以上。扩散模型还生成了这些设计,而无需重新培训。这项工作可以通过创建以数据驱动的方法来满足用户需求的高质量船体来大大减少船舶的设计周期时间。
摘要 - 虽然粒子中的方法(PIC)方法是相当的,但对新开发的方法和单个代码的验证和验证主要集中在一些测试案例的特殊选择上。这些测试用例中的许多涉及一维模拟。这是由于(准)分析解决方案的可用性或历史原因。ad的测试通常集中于对特定物理问题(例如粒子排放或碰撞)的研究,并且不一定研究完整特色的PIC代码所需的算法套件的综合影响。由于三维(3D)代码成为标准,因此缺乏基准测试可以确定这些代码的有效性;现有论文要么不研究数值实验的细节,要么提供其他可测量的数字指标(例如噪声),这些指标是模拟的结果。本文旨在提供几种测试用例,可用于验证和基准在3D中的细胞代码中粒子标记。我们专注于无碰撞的示例,并且可以以合理的计算能力运行。四个测试案例以显着的细节呈现;其中包括基本的粒子运动,束扩展,血浆的绝热膨胀和两个流不稳定性。所有提出的案例均可根据现有的分析数据或其他代码进行比较。我们预计这些情况应该有助于解决基准标记和验证问题的空隙,并有助于在细胞代码中开发新粒子。
随着企业和组织越来越依赖于数据驱动的决策,对熟练数据专业人士的需求飙升。但是,只有数据科学专业知识还不够。现代组织希望比以往任何时候都更加数据驱动。为了从数据中挤出每一盎司的价值,趋势已经从仅仅实验或MVP测试用例转移到按大规模部署和商业化数据解决方案。此外,生成AI和其他自动化解决方案的出现还需要数据专业人员的新技能和能力。
下图 1 显示,当不使用地球方向参数 (EOP) 信息时,与巴黎天文台的一致性非常好 —— 均方根约为 26 微弧度,1 西格玛。为了获得这一结果,选择了 2009 年的数百个随机时期,并获取并比较了 USNO 和 PO 变换矩阵。我们在巴黎天文台的同事怀疑差异是由于 PO 使用的软件对进动率有不同的结果,而 PO 正计划更新其软件。一旦获得这些变化和其他可能的信息,将重新进行比较。