XiaoMi-AI文件搜索系统
World File Search System第二层
混合攻击检测的安全警报
大型和中型组织采用各种安全系统来保护其资产。这些系统通常由不同的供应商开发，专注于不同的威胁，通常是独立工作的。他们产生了单独的和庞大的警报，这些警报必须由经常负担负担的安全分析师对其进行监控和分析。先前的工作试图通过更好地关联和优先考虑警报来支持分析师。在这项工作中，我们建议使用集成层（IL）结合单个安全系统的智慧。，我们通过将IL部署在一个运行四个非常不同的选择检测系统的大型全球组织（50,000多名员工）中来验证了我们的想法。我们通过使用端到端的红线练习来生成真实的攻击数据。进行培训，我们将数据集标记为直接来自事件响应团队的评估，而不是使用先前的工作中的第一/第二层分析中心（SOC）分析师的升级决策。我们表明，我们的方法大大减少了进行调查的警报的数量，同时保持了多步攻击检测的高性能 - Matthews相关系数（MCC）达到0。998。模型对从不同安全系统得出的特征的实质性依赖性支持了我们集成方法的可行性。在我们的系统中添加的解释性层使分析师洞悉为什么特定情况被标记为攻击或非攻击。基于测试结果，我们的方法已添加到生产设置中。
O'Ahu总体计划
檀香山市和县的一般计划是一项全面的目标和政策声明，阐明了O'Ahu居民的长期愿望以及实现这些目标的策略。这是第一个层面，并为全面的计划过程奠定了基础，该过程解决了影响檀香山市和县的物理，社会，文化，经济和环境问题。这一计划过程是市政府为O'Ahu预计的人口提供指导的协调手段。该市的计划过程由三个不同的层。作为第一个计划的第一层，一般计划为整个O'Au制定了政策指南，随后的所有社区发展计划，政策计划以及檀香山市和县的法规都必须与一般计划一致。第二层由八个区域发展计划（DPS）和可持续社区计划（SCP）组成。这些计划与该岛的特定区域有关，并且（1）从概念上描述该地区所需的土地使用模式，（2）为功能基础设施规划提供指导，（3）确定可能从更详细的计划中受益的DP/SCP边界内的领域。第三层由实施两个较高级别的计划层次结构的特定机制组成。其中包括实施条例和法规（即土地使用条例和分区地图，细分规则和法规以及该市的资本改进计划），公共设施和基础设施和基础设施功能计划，以及为DP或SCP区域特定部分提供特定指南的特殊领域计划。
图纸清单 - 护舷结构
附图清单编号图纸名称 项目方向 G-001 标题页 G-002 无障碍设施详情 G-101 一楼安全规划图 G-102 二楼安全规划图 土木工程 C-1 封面页 C-2 现有地形/拆除规划图 C-3 场地/公用设施规划图 C-4 坡度/侵蚀控制规划图 C-5 场地详情 AS-101 建筑场地规划图 AS-102 场地物流规划图 AS-103 场地详情 L-101 景观规划图 建筑 D-101 演示规划图 A-101 一楼规划图 A-102 二楼规划图 A-103 放大 RR细节 A-104 楼梯和电梯细节 A-105 放大的剧院细节 A-106 放大的剧院细节 A-107 放大的平面细节 A-111 完成平面图 A-121 一楼反射天花板平面图 A-122 二楼反射天花板平面图 A-131 屋顶平面图 A-201 外部立面图 A-202 外部立面图 A-204 玻璃立面图 A-301 建筑剖面图 A-311 墙壁剖面图 A-321 外部细节 A-401 内部立面图 A-402 内部立面图 A-403 内部立面图 A-404 室内立面图 A-405 室内立面图 A-421 室内细节 A-422 室内细节 A-423 室内细节 A-424 室内细节 A-425 室内细节 A-601 进度表和细节 A-602 完成进度表 A-603 门进度表和细节 A-604 门细节 A-605 墙壁细节 A-901 建筑规格 A-902 建筑规格 A-903 建筑规格 A-904 建筑规格 A-905 建筑规格 A-906 建筑规格 A-907 建筑规格 A-908 建筑规格 结构 S-101 基础平面图 S-201 座位框架平面图 S-202 二楼框架平面图 S-203 屋顶框架平面图 S-301 基础剖面 S-401 框架剖面 S-402 屋顶框架剖面 S-501 一般说明和规格 S-502 一般说明和规格 舞台照明 TL-1 舞台照明系统 TL-2 物料清单 AV AV-101 AV 设计 AV-102 AV 设计AV-201 AV 设计部分 AV-401 板详细信息 AV-402 AV 设备清单 AV-403 AV 规格 电气 E-0.0 一般电气 E-1.1 电源图 - 主楼层 E-1.2 电源图 - 第二楼层 E-2.1 照明图 - 主楼层 E-2.2 照明图 - 第二楼层 E-3.1 舞台照明图 E-3.2 电气详细信息 E-4.1 电气计划和详细信息 E-4.2 面板计划 E-5.1 现场电气 E-5.2 面板计划 E-5.3 面板计划 E-5.4 面板计划机械 M-0.0 一般机械 M-0.1 一般机械 M-1.1 机械平面图 - 主层 M-1.2 机械平面图 - 第二层 M-1.3 机械平面图 - 屋顶层 M-4.1 机械时间表 M-4.2 机械细节 M-5.1 HVAC 控制 M-5.2 HVAC 控制 管道 P-0.0 一般管道 P-0.1 一般管道 P-1.0 管道平面图 - 地下 P-1.1 管道平面图 - 主层 P-1.2 管道平面图 - 第二层 P-1.3 管道平面图 - 屋顶层 P-3.1 管道平面图 - 管道等距图P-3.2 管道等距图 P-4.1 管道平面图 - 管道时间表和细节 P-4.2 管道细节
数字经济和减少污染
数字经济和生态环境是与高质量经济发展有关的两个主要问题。学者尚未就数字经济与污染排放之间的联系以及前一个对后者的影响机制得出统一的结论。使用从2010年到2019年的278个中国城市的数据，这项研究采用耦合协调分析，固定效应分析和中介分析来检查数字经济扩展对城市污染从许多角度降低城市污染的异质影响机制。发现，首先，数字经济的增长减少了整体城市污染物的排放。第二，数字经济的影响机制是异质的。从区域的角度来看，工业结构上断在数字经济发展与减少东部地区和中央地区污染之间的关系中起着中介作用，但是西方和东北地区的中介作用并不重要。就城市发展层面而言，工业结构的超研究显着介导了数字经济的增长与第一和第二层城市污染的减少之间的关系，但是这种中介作用在第三层和其他城市并不重要。第三，在使用仪器变量估计，估算方法的替换以及替换解释变量进行鲁棒性测试之后，上述结论仍然有效。这项研究是对数字经济影响的研究以及影响减少污染的因素的有用贡献。结果推进了数字经济的研究，并且对改善中国的环境环境和促进高质量的经济增长具有实际意义。最后，我们为促进数字经济发展，工业结构超级研究和降低环境污染提供了政策建议。
平衡能源预算
1._____ 波长在 0.1 到 0.4 微米之间的短波电磁波；来自太阳，它被平流层的臭氧层大量吸收。它对植物和动物有害，包括人类。 2._____ 光进入介质后的方向改变；在大气中，太阳光线通过与空气、云和气溶胶粒子相互作用而改变方向。 3._____ 云和地球辐射能量系统是专为美国宇航局的地球观测系统 (EOS) 卫星开发的科学仪器之一。 4._____ 大气的第二层，其中包含地球大气中的大部分臭氧。 5._____ 大气的最低层，从地表延伸到 8 公里（在极地）和 14 公里（在热带地区）之间的高度；大多数天气都发生在这一层。 6._____ 由于地表变暖不均匀而引起的上升气流。 7._____ 功率的标准单位。 8._____ 由于温度（或电势）梯度，能量在介质中从一个分子转移到另一个分子。 9._____ 输出能量更多或输入能量更少：导致冷却。 10._____ 流体、粒子或能量在单位面积上的传输速率。在大气中，这可以是空气、特定污染物或气溶胶，也可以是光能或热能（单位为瓦特/平方米）。 11._____ 地球气候系统的任何变化都会影响进入或离开系统的能量，从而改变地球的辐射平衡，并导致温度上升或下降。http://earthobservatory.nasa.gov/Features/EnergyBalance/page7.php 12._____ 地球大气层的最外层。 13._____ 由 3 个氧原子组成的分子，主要存在于平流层。当它在对流层中产生时，它可能是一种有害的污染物。
能源报告
住宅需求响应是管理产消者负荷需求的关键支持技术之一。然而，由于涉及动态参数和可再生能源，负荷调度问题变得相当具有挑战性。为了解决这个问题，本研究提出了一种双层负荷调度机制，将动态电价与可再生能源和储能系统相结合。第一层涉及将负荷调度和优化问题制定为最佳停止问题，目标是最小化能源消耗和延迟成本。这个问题涉及实时电价信号、客户负荷调度优先级、基于机器学习 (ML) 的预测负荷需求以及可再生和储能单元配置文件，使用分支定界算法和分支定界算法的数学规划来解决。由于第一层优化问题被制定为停止问题，因此使用一步前瞻规则获得最佳时间段，以调度具有处理不确定性能力的负荷。第二层用于通过动态电价信号进一步建模负荷调度问题。然后使用遗传算法 (GA) 求解成本最小化目标函数，其中输入参数来自第一级优化解决方案。此外，还对时间因素和电价方面的负载优先级影响进行了建模，以允许最终用户控制其负载。使用太阳能家庭电力数据、Ausgrid、AUS 进行分析和模拟结果以验证所提出的模型。结果表明，所提出的模型可以处理负载调度过程中涉及的不确定性，并在成本和不适感降低方面提供具有成本效益的解决方案。此外，双层过程可确保成本最小化，同时使最终用户对动态电价信号感到满意。© 2022 阿尔卡拉大学。由 Elsevier Ltd. 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/）。
使用无监督的机器学习方法预防SQL注射攻击
gpadmapriyame@gmail.com，rajiv5757@yahoo.co.in摘要：现在，一天的在线Web应用程序或在线数据库应用程序越来越多地暴露于各种攻击中。这样的一种窃取数据的攻击称为SQL注入攻击，其中攻击者修改用户启动的SQL查询，并添加恶意代码以访问和操纵Web应用程序或数据库中的信息。防止此类攻击的一种方法是定期更新和测试Web应用程序防火墙（WAF）。由于技术的巨大增长，打算攻击应用程序的攻击者找到了许多进入系统的新方法。在本文中，我们将机器学习的概念与WAF结合起来，从而最大程度地提高了现有系统的有效性。本文采用的方法是无监督的机器学习技术，该技术使用K-均值聚类算法。建议的系统的流量可以给出：最终用户在Web应用程序中进行查询，并提取查询值并将其发送到SQL注入检测器，该检测器提供两层安全性。在第一层安全性中，使用无上下文语法（CFG）创建模式，以用于低级攻击。使用无监督的学习算法对高级攻击的第二层安全性进行了训练。关键字：机器学习，无监督学习，SQL注入，WAF，CFG 1。简介Web应用程序防火墙（WAF）从一系列应用程序层攻击（例如跨站点脚本（XSS），SQL注入和Cookie Disuning等）中，将Web应用程序或在线数据库应用程序中的应用。HTTP应用程序使用Web应用程序防火墙（WAF）作为应用程序防火墙。在HTTP对话中，它应用了一系列规则。通常，这些规则允许跨站点等常见攻击
城市扩展区次级规划指南
城市扩展区次级规划指南 目的：本文件解释了在汉密尔顿城市官方规划中被指定为“城市扩展区”的任何区域制定次级规划的指南。它旨在说明制定次级规划的过程应遵循的期望和标准。本文件适用于汉密尔顿市实施和/或领导的次级规划或私人发起的次级规划。如果次级规划是私人发起的，不遵守指南可能会导致最终的次级规划报告被视为不合格。 编制者：次级规划过程必须包括注册专业规划师 (RPP) 作为项目负责人，并且次级规划的最终报告必须由注册专业规划师 (RPP) 编制。 背景：次级规划是针对市政当局特定地理区域的土地使用规划，作为官方规划的修正案而制定。次级规划确定了更详细的土地用途、密度、设计要求和基础设施要求以及适合社区的其他实施行动。它们被视为城市范围官方计划的第二层，是对第 1 卷政策方向和指定的补充。二级规划是一种特殊的工具，其： 帮助了解机遇并解决某些特定地理区域内土地使用相关问题； 为城市中需要更详细指导的区域提供社区具体指导，这些指导超出了官方计划提供的一般框架； 指导如何发生增长和变化； 提供机会促进新兴/发展中的区域的一致性以及土地用途之间的兼容性； 协调当地发展与城市范围规划和基础设施战略，确保高效提供基础设施。在城市扩展区内，该市的城市汉密尔顿官方计划要求在任何开发开始之前完成二级规划。
神经网络
深度神经网络 (DNN) 已成为对大脑和行为进行建模的重要工具。一个关键的关注领域是将这些网络应用于对人类相似性判断进行建模。之前的一些研究使用了视觉 DNN 倒数第二层的嵌入，并表明对这些特征进行重新加权可以改善人类相似性判断与 DNN 之间的契合度。这些研究强调了这样一种观点，即这些嵌入形成了良好的基础集，但缺乏正确的显着性水平。在这里，我们重新审视了这一想法的依据，相反，我们假设这些嵌入除了形成良好的基础集之外，还具有正确的显着性水平来解释相似性判断。只是需要修剪大维嵌入以选择与相似性空间建模所考虑的领域相关的特征。在研究 1 中，我们根据人类相似性判断的子集监督了 DNN 修剪。我们发现，剪枝：i) 改进了 DNN 嵌入中人类相似性判断的样本外预测，ii) 与 WordNet 层次结构产生更好的对齐，iii) 保留了比重新加权更高的分类准确率。研究 2 表明，通过神经生物学数据进行剪枝对于改进 DNN 嵌入中大脑衍生的表征相异矩阵的样本外预测非常有效，有时可以充实原本无法观察到的同构。使用剪枝后的 DNN，可以生成图像级热图来识别特征加载在由大脑区域编码的维度上的图像部分。因此，由人类大脑/行为监督的剪枝可以有效地识别 DNN 和人类之间可对齐的知识维度，并构成一种理解神经网络中知识组织的有效方法。© 2023 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可协议 ( http://creativecommons.org/licenses/by/4.0/ ) 开放获取的文章。
通过预测分析增强网络安全
摘要 - 启用6G的车辆网络面临着确保超级可靠的低延迟通信（URLLC）及时提供安全关键信息的挑战。车辆对所有（V2X）通信系统的现有资源分配方案主要依赖于基于传统优化的算法。但是，由于解决方案方法的高复杂性和沟通开销，这些方法通常无法保证在动态车辆环境中URLLC应用的严格可靠性和潜伏期需求。本文提出了一种基于联合功率和块长度分配的基于新颖的深钢筋学习（DRL）框架，以最大程度地减少基于URLLC的下链接V2X通信系统的有限块长度（FBL）示例中最坏的解码错误概率。该问题被称为非凸层混合构成非局部编程问题（MINLP）。最初，基于在块长度中得出解码误差概率的关节凸的基础，开发了一种基于优化理论的算法，并在感兴趣的区域内传输功率变量。随后，提出了一种有效的事件触发的基于DRL的算法来解决关节优化问题。将事件触发的学习纳入DRL框架中，可以评估是否启动DRL流程，从而减少DRL过程执行的数量，同时保持合理的可靠性性能。DRL框架由两层结构组成。在第一层中，在中央教练中建立了多个深Q-NETWORKS（DQN）以进行块长度优化。第二层涉及参与者 - 批评网络，并利用了基于深层的确定性策略颁奖典礼（DDPG）的算法来优化功率分配。仿真结果表明，所提出的事件触发的DRL方案可以实现关节优化方案的95％，同时为不同的网络设置减少DRL执行最多24％。