XiaoMi-AI文件搜索系统
World File Search System灰螟
灰熊的栖息地选择和预测的运动......
在过去两个世纪中，迫害和栖息地丧失导致灰熊（Ursus arctos）的数量从大约 50,000 只减少到美国大陆仅有的 4 个分散种群。近几十年来，由于《濒危物种法》下的合作保护努力和保护，这些种群的数量和范围都有所增加和扩大。今天，北部大陆分水岭生态系统 (NCDE) 和大黄石生态系统 (GYE) 中的种群估计都超过 1000 只。塞尔柯克生态系统 (SE) 有大约 50 只灰熊，而 Cabinet-Yaak 生态系统 (CYE) 的扩建帮助将种群数量增加到估计的 50 – 60 只。到目前为止，比特鲁特 (BE) 和北喀斯喀特生态系统 (NCE) 没有任何已知的永久居民。
问问专家灰评论：老年血液学
• Retrospective cohort study, single-institution • Treatment: Teclistimab, talquetamab or investigational • N= 99 • Age range 65-89 years • 71% frail at the time of BsAb treatment • Frailty measure used: Simplified (IFM) fraily score (=age, ECOG PS, Charlson comorbidity Index)
灰松鼠控制的改变游戏规则的技术
基因驱动器是使用遗传工程工具来通过增加特征将特征转移到子孙后代的可能性来“驱动”所需的遗传特征（图1）。目前正在开发用于昆虫的开发，Roslin Institute提出，该技术可以量身定制以引起女性不育症，并用于控制我们的树林和森林中的灰松鼠数量。通常，继承的情况是，女性和男性都带有同一基因的两个副本（这些副本称为“等位基因”），但是每个父母只将基因的一个副本传递给了春季。除非给定等位基因有选择压力，否则后代的第一代的一半将带有远处的基因，则一半不会通过一半（图1，左侧）。基因驱动改变了感兴趣的基因的这种遗传模式，其目的从理论上讲，在某个时候100％的人群将携带该基因。基因驱动技术涉及使用“转基因”添加，删除，破坏或修饰基因。用于工作基因驱动器，将转基因插入
多目标定向灰盒模糊测试
摘要 — 定向灰盒模糊测试 (DGF) 可以通过寻求到达程序位置或按顺序探索某些位置来快速发现或重现程序中的错误。然而，由于其静态阶段划分和粗粒度的能量调度，以前的 DGF 工具在面对多个目标位置（简称目标）时表现不佳。在本文中，我们提出了多目标定向灰盒模糊测试，旨在在模糊测试活动中到达多个程序位置。具体而言，我们提出了一种新颖的策略来自适应地协调探索和利用阶段，以及一种新颖的能量调度策略，通过考虑种子和目标位置之间的更多关系。我们在一个名为 LeoFuzz 的工具中实现了我们的方法，并在崩溃重现、真正验证和实际程序中的漏洞暴露方面对其进行了评估。实验结果表明，LeoFuzz 在有效性和效率方面优于六种最先进的模糊测试器，即 QYSM、AFLGo、Lolly、Berry、Beacon 和 WindRanger。此外，LeoFuzz 在实际程序中检测到 23 个新漏洞，其中 11 个已分配 CVE ID。
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
2025 年可能影响市场的六只“灰天鹅”
然而，正是因为欧洲已经跌至谷底，且不受投资者青睐，才有可能实现强劲复苏。在“灰天鹅”情景下，特朗普政府在贸易、能源和国防方面对欧洲施压，但成功缓和了乌克兰战争，并有助于进一步平息中东战争。这引发了整个欧洲大陆的情绪转变以及全球投资者的风险认知。此外，2 月底举行的德国全国大选产生了一个新政府，授权改革“债务刹车”（限制德国债务水平的规则）并促进增长。这也许不是一场全面的凯恩斯主义革命，但德国令人惊讶地实现了占 GDP 近 2% 的财政刺激，同时还实施了供给侧增长改革。但德国只是这一转机故事的一部分。更高的增长还与整个欧洲大陆国防开支的增长有关，由于大部分生产链都是区域性的，国防开支的财政乘数特别高。这也意味着美国武器进口量增加，但除了承诺长期大规模购买美国能源外，这也有助于欧洲避免与美国发生长期贸易战。虽然价格结构可能高于之前的俄罗斯天然气供应，但它保留了许多欧洲行业的竞争力——尤其是在其他贸易国家仍受到美国贸易紧张局势影响的情况下。
使用灰水平共同出现矩阵（GLCM）方法
摘要：目的：研究的目的是定量评估微针中疗法在减少皮肤变色方面的有效性。使用灰级共同出现矩阵（GLCM）方法分析结果。材料和方法：研究了12至68岁的12名女性前臂（7×7厘米）的皮肤。使用含有12％抗坏血酸的制剂的皮肤化剂进行微针中疗。每位志愿者都接受了一系列四个微针中疗治疗。使用图像分析和处理方法对治疗的有效性进行了量化。在一系列化妆程序之前和之后，以交叉极光拍摄了一系列临床图像。然后，通过确定灰级共发生矩阵（GLCM）算法的参数来分析处理的区域：对比度和同质性。结果：在图像预处理期间，将志愿者的临床图像分为红色（R），绿色（G）和蓝色（B）通道。与手术前拍摄的照片相比，手术后拍摄的照片显示出皮肤亮度的增加。治疗后皮肤亮度的平均增加为10.6％，GLCM对比度的平均下降为10.7％，平均同质性增加了14.5％。基于分析，在RGB量表的B通道中进行的测试中观察到GLCM对比度的最大差异。随着GLCM对比的减少，术后同质性的增加为0.1，为14.5％。