XiaoMi-AI文件搜索系统
World File Search System计算环境
基于机器学习的网络入侵检测优化云计算环境
摘要 - Cloud Computing是世界各地企业之间的新兴选择，因为它提供了灵感和全球的Web计算机功能作为可自定义的服务。由于云服务的分散性质，安全是一个主要问题。由于入侵者对任何形式的攻击，隐私和安全性都是极大的选择，这是对按需服务成功的重大障碍。网络交通量的大量增加为日益困难和广泛的安全脆弱性开辟了道路。使用传统的入侵检测系统（IDS）防止这些尝试无效。因此，本文提出了一种基于机器学习（ML）模型的新型网络入侵检测系统（NIDS），称为支持向量机（SVM）和极端梯度增强（XGBoost）技术。此外，基于乌鸦搜索算法的高参数优化技术正在利用来优化NID的性能。此外，基于XGBoost的特征选择技术用于提高NIDS方法的分类精度。最后，使用NSL-KDD和UNR-IDD数据集评估了提出的系统的性能，实验结果表明，它的性能优于基线，并且有可能在现代NID中使用。
在云计算环境中实现零信任安全模型
在当今快速发展的数字景观中，云计算的采用从根本上重塑了组织如何管理，存储和保护数据。虽然云基础架构提供可扩展性，灵活性和资源效率，但它们也引入了复杂的安全挑战。传统的基于周边的安全模型不足以朝着零信托安全（ZTS）模型转变。此模型强制执行严格的访问控件，连续监视，并且在网络内部或之外没有固有的信任。本文对云计算环境中的零信任进行了广泛的探索，并深入研究了其原理，建筑，实施策略，挑战和预期的未来发展。通过理论讨论，技术框架和实际案例研究的结合，该研究旨在为希望在云基础架构中采用零信任模型的组织提供强大的路线图，从而在安全性和运营效率之间达到平衡。
高级云计算环境中的生成式人工智能的可扩展架构：
对生成式人工智能 (GAI) 应用程序的需求不断增长，云计算环境中的可扩展架构对于支持此类模型的计算复杂性和资源需求至关重要。在本文中，我们深入研究了云中生成式人工智能的可扩展架构，旨在提高性能和效率。分布式计算、容器化和边缘计算是我们探索的一些架构方法，可让组织满足 GAI 模型的资源需求。我们通过案例研究和性能基准，探索如何结合使用可扩展基础设施、智能资源管理和数据管理实践来部署和执行 GAI 应用程序。结果显示了每个架构框架的优缺点，并概述了集成新兴技术（如量子计算和无服务器架构）以提高可扩展性的未来方向。这项研究适用于各个行业的实际应用，从医疗保健到金融和娱乐，再到增加 GAI 应用程序的使用以推动创新和效率。
云计算环境中的安全有效的外包计算
在云计算环境中的安全有效的外包计算对于确保数据机密性，完整性和资源选择至关重要。在这项研究中，我们提出了新颖的算法和方法来应对这些挑战。通过一系列实验，我们评估了现实世界中云环境中提出算法的能力，安全性和效率。我们的结果证明了基于同源加密的安全计算，安全多方计算以及基于可信赖的执行环境方法在缓解安全威胁的同时，同时确保有效的资源利用的有效性。具体而言，我们的同型加密算法的加密时间范围从20到1000毫秒不等，解密时间为25到1250毫秒的有效载荷大小，从100 kb到5000 kb不等。此外，我们针对最先进的解决方案的比较分析揭示了我们提议的算法在安全保证，加密开销和通信延迟方面的优势。
使用云计算环境中的基于身份的签名
如今，许多数据存储在云中，以共享各个域的共享目的。云数据的越来越多的安全性问题引起了保留这些存储或共享数据的机密性问题。云计算环境中的高级加密和解密技术可被认为可用于实现这一方面。但是，在云数据共享系统中尚未解决但批判性的挑战是撤销恶意用户。撤销的常见方法之一涉及定期更新用户的私钥。这种方法随着用户数量的增加而增加了关键生成中心（KGC）的工作量。在这项工作中，提出了一个有效的基于可撤销的身份签名（RIBS）方案，其中撤销功能被委派给了外部撤销服务器（ERS）。此提出的方案只允许非撤销的用户访问系统资源，从而提供受限制的访问控制。在这里，ERS基于撤销的用户列表生成了签名生成的秘密时间密钥。在提出的方法中，用户使用其私钥和秘密时间密钥来签署消息。此外，为了维持数据机密性，在将数据外包到云服务器之前，使用了基于非对称加密技术的对称加密和椭圆曲线加密（ECC）。结果表明，提出的方案通过提供降低的计算成本来优于某些现有方案。
iQuantum：用于量子计算环境建模和模拟的工具包
量子计算资源，而无需在量子硬件上进行大量的前期投资，从而在量子软件和算法方面取得了巨大进步。10主要的云提供商，例如 Microsoft Azure、11AWS 12 和 IBM 13，现在都提供基于云的量子计算服务访问。此外，当未来量子硬件普及时，量子计算资源预计将扩展到边缘网络14,15，预示着量子云-边缘连续体混合范式的出现，16其主要组成部分如图1所示。未来的量子计算范式预计将包含位于不同层（包括云和雾/边缘层）的异构量子和经典计算实体。基于云的资源和基于边缘的资源之间的主要区别包括计算能力、移动性以及与数据源或用户的地理距离。17每一层都包含不同的计算资源和中间组件，例如用于资源管理和编排的网关和代理。如果边缘计算资源不足以执行传入的任务，则可以将这些任务迁移或卸载到具有更强大功能的上层云层。18,19 需要强调的是，这是量子计算未来扩展的愿景，而由于当前量子硬件的数量、质量和成本限制，大多数可用的量子资源只能通过云访问。20
iQuantum：量子计算环境建模与仿真案例
摘要 — 当今的量子计算机主要通过云访问，未来可能会转移到边缘网络。随着全球量子计算研究的快速发展和普及，对使用基于云的量子计算资源的需求大幅增加。这种需求凸显了为量子计算设计高效且适应性强的资源管理策略和服务模型的必要性。然而，量子资源的数量、质量和可访问性有限，对量子软件和系统的实际研究构成了重大挑战。为了应对这些挑战，我们提出了 iQuantum，这是一种首创的模拟工具包，可以模拟混合量子经典计算环境，用于原型设计和评估系统设计和调度算法。本文介绍了 iQuantum 的量子计算系统模型、架构设计、概念验证实现、潜在用例和未来发展。我们提出的 iQuantum 模拟器有望促进量子软件和系统的研究，特别是在集成边缘和云资源的量子计算环境中创建和评估资源管理、作业调度和混合量子-经典任务编排的策略和算法。索引术语 — 量子计算、量子云建模、模拟、混合量子计算、作业调度
模拟大型节能雾计算环境
摘要 — 尽管效率不断提高，但当今的数据中心和网络仍消耗大量能源，而且这种需求预计还会进一步上升。一个重要的研究问题是雾计算是否以及如何抑制这种趋势。由于实际部署的雾基础设施仍然很少，因此很大一部分研究依赖于模拟。然而，现有的功率模型通常只针对特定组件，如计算节点或电池受限的边缘设备。结合分析和离散事件建模，我们开发了一个整体但细粒度的能耗模型，可以确定计算节点以及网络流量和应用程序随时间变化的功耗。模拟可以包含在分布式、异构和资源受限的基础设施上执行复杂应用程序图的数千台设备。我们在智能城市交通场景中评估了我们公开可用的原型 LEAF，证明它可以用于研究节能雾计算架构，并可用于评估动态任务放置策略和其他节能机制。索引词——模拟、建模、雾计算、边缘计算、能源消耗
使用人工智能和联合仿真优化雾计算环境的性能
本教程介绍了一种性能工程方法，该方法使用人工智能和耦合仿真来优化边缘/雾/云计算环境的服务质量 (QoS)，该仿真是联合仿真型容器编排 (COSCO) 框架的一部分。它介绍了基本的人工智能和联合仿真概念、它们在雾计算背景下的 QoS 优化和性能工程挑战中的重要性。它还讨论了如何将人工智能模型（特别是深度神经网络 (DNN)）与模拟估计结合使用以做出最佳资源管理决策。此外，我们还讨论了一些使用 DNN 作为替代方法来估计关键 QoS 指标的用例，并利用此类模型在分布式雾环境中构建动态调度策略。本教程使用 COSCO 框架演示了这些概念。COSCO 中的指标监控和模拟原语展示了基于人工智能和模拟的调度程序在雾/云平台上的有效性。最后，我们为雾管理领域出现的资源管理问题提供了人工智能基线。