XiaoMi-AI文件搜索系统
World File Search System误报率
人工智能驱动的尾随检测
尾随 – 尾随功能可识别紧随其前行人员或车辆进入受控/限制出入区域的个人或车辆。它可检测并阻止通过安全网关的未经授权的访问，并通过准确的视觉验证记录潜在的不安全活动。此功能与所有领先的出入控制系统兼容，配置和部署非常简单。借助高级对象分类服务器，此功能可以可靠地检测和区分多种对象类型，并支持针对人员和车辆的可定制检测。它还带有灵活的输出触发器，可有效启动几乎所有应用要求的后续操作。尾随功能主要用于办公室、购物中心和封闭式社区，以阻止和防止未经授权的访问。深度学习：深度学习技术是人工智能的一个子集，它使机器接触大量标记数据。然后，机器被要求在新数据集中“学习”、“分析”和“检测”相同的信息，从而确保更熟练地检测和识别对象。由于深度学习技术也由强大的硬件基础设施提供支持，因此分析输出会更好、更快。深度学习在尾随检测中的应用：深度学习在尾随检测中的应用使其更接近人类感知。先进的深度学习方法可以评估大量移动和静止物体的数据集，分层过滤器可以考虑最细微的细节。这提高了生成尾随警报的准确度。得益于该技术改进的处理性能和卓越的物体分类能力，它可以有效地检测和识别多种物体类型，并且视觉偏差和误报率较低。
基于节能树的脑电图伪影检测
摘要 — 在癫痫监测中，由于脑电图伪影在幅度和频率上具有形态相似性，因此经常被误认为是癫痫发作，这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中，我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集，并重点关注颞电极。首先，我们使用自动机器学习框架在频域中提取最佳特征模型，在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后，这些算法针对 PULP 平台进行并行化和优化，与最先进的低功耗伪影检测框架实现相比，能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合，可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路，该解决方案具有低假阳性率和高灵敏度，可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备，结合基于 EEG 的癫痫发作检测算法，以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
使用人工智能检测和识别勒索软件
摘要 恶意软件是一种不断发展和不断上升的威胁，尤其是勒索软件，这是一种恶意软件。勒索软件即服务平台的兴起加剧了这种激增，恶意软件研究人员需要快速可靠地识别勒索软件家族的选项，以保护个人数据和重要基础设施。在本研究中，我们提供了一种基于图像的检测和分类方法，可以通过将勒索软件与已知的勒索软件家族进行比较来帮助研究人员识别勒索软件的来源。我们的目标是使用有限大小的训练数据集和 COTS 硬件对给定的勒索软件样本达到高准确度和低误报率。我们使用了从 VirusTotal (VT) 获得的 347,307 个 Windows 可执行恶意软件样本的数据集。这些样本由 VT 在 2017 年至 2020 年期间收集。从这个数据集中，我们选择了被确认为已知勒索软件的样本。我们应用了一种新颖的 AI 驱动方法，根据二进制文件的图像表示对勒索软件进行分类。安全从业人员和学者已将这种方法用于一般恶意软件，但并未用于勒索软件等特定类型的恶意软件。我们使用了一种简单的方法，根据 Keras（TensorFlow 开源机器学习平台的 Python API）中 16 个可用应用程序来选择性能最佳的卷积神经网络。这些应用程序在 ImageNet 自然图像数据集上进行了预训练。所提出的方法实现了 90% 以上的准确率和高召回率，基于三通道 (RGB) 图像高概率检测勒索软件。我们数据集上得分最高的模型是 MobileNet 和 MobileNetV2。关键词：勒索软件、计算机视觉、深度学习、CNN、机器学习
海军试验场的数据融合
在约翰霍普金斯大学 APL 技术文摘 1 的一篇早期文章中，我重点介绍了新技术在雷达信号处理中的应用，以便通过陆基雷达探测海面目标。这项工作代表了信号处理的独立研究和开发工作，最终为海军试验场开发了一项开发任务，用于自动探测和跟踪地面目标，以实现靶场安全和控制应用。早期文章“用于探测地面目标的高级信号处理技术”描述了使用高速数字集成电路、模数转换器和基于微处理器的单板计算机开发和实施的信号处理算法。由此产生的信号处理器在连接到地面监视雷达时，以较低的、受控良好的误报率提供目标声明，并且对小型和大型地面目标具有良好的检测潜力。为太平洋导弹测试中心（Pt.）开发的系统。加利福尼亚州穆古市将该信号处理器放置在三个非共置地面监视雷达上，并将目标检测数据链接到中央站点，以进行自动目标跟踪、轨迹数据显示，并最终进行距离跟踪和控制（参见图I 了解雷达的位置，参见图2 了解系统框图）。构成自动目标跟踪系统的自动轨迹启动、目标跟踪、图形数据显示和数据接口功能是在基于商用单板计算机的分布式微处理器架构中实现的。这种传感器轨迹数据融合方法被证明是高效和有效的，并且有可能在实时传感器轨迹数据融合中得到更广泛的应用。在 Pt.Mugu 中心认识到了这一潜力，并将努力范围扩大到包括全面的传感器轨迹数据融合系统。
车辆通讯 - 欧洲 - 加迪夫大学
随着连接和自动驾驶汽车的增殖，控制器区域网络（CAN）总线由于其速度和效率而成为车载网络的主要通信标准。但是，CAN总线缺乏基本的安全措施，例如身份验证和加密，使其非常容易受到网络攻击的影响。为了确保车辆安全性，入侵检测系统（IDS）必须检测到可见的攻击，并为新的，看不见的攻击提供强大的防御，同时保持轻量级的实用部署。以前的工作仅依赖于CAN ID功能，或者使用了手动功能提取的传统机器学习（ML）方法。这些方法忽略了其他可剥削的功能，这使得适应新的看不见的攻击变体和损害安全性。本文介绍了一种尖端，新颖，轻巧，车载，IDS玻璃，深度学习（DL）算法，以解决这些局限性。所提出的ID采用多阶段方法：在第一个阶段的人工神经网络（ANN）来检测可见的攻击，以及在第二阶段进行长期的短期记忆（LSTM）自动编码器，以检测新的，看不见的攻击。要了解和分析各种驾驶行为，使用最新的攻击模式更新模型，并保留数据隐私，我们提出了一个理论框架，以在层次结构联合学习（H-FL）环境中部署我们的ID。实验结果表明，我们的IDS的F1得分超过了0.99，对于看到的攻击，新型攻击的检测率为99.99％，超过0.95。这使我们的模型可与可见和看不见的攻击进行稳健。此外，误报率（FAR）在0.016％的情况下极低，最小化了错误警报。尽管使用了以其在识别复杂和零日攻击方面的有效性而闻名的DL算法，但IDS仍然轻量级，确保了其对现实世界部署的可行性。
海军试验场的数据融合
在约翰霍普金斯大学 APL 技术文摘 1 的一篇早期文章中，我重点介绍了新技术在雷达信号处理中的应用，以便通过陆基雷达探测海面目标。这项工作代表了信号处理的独立研究和开发工作，最终为海军试验场开发了一项开发任务，用于自动探测和跟踪地面目标，以实现靶场安全和控制应用。早期文章“用于探测地面目标的高级信号处理技术”描述了使用高速数字集成电路、模数转换器和基于微处理器的单板计算机开发和实施的信号处理算法。由此产生的信号处理器在连接到地面监视雷达时，以较低的、受控良好的误报率提供目标声明，并且对小型和大型地面目标具有良好的检测潜力。为太平洋导弹测试中心（Pt.）开发的系统。加利福尼亚州穆古市将该信号处理器放置在三个非共置地面监视雷达上，并将目标检测数据链接到中央站点，以进行自动目标跟踪、轨迹数据显示，并最终进行距离跟踪和控制（参见图I 了解雷达的位置，参见图2 了解系统框图）。构成自动目标跟踪系统的自动轨迹启动、目标跟踪、图形数据显示和数据接口功能是在基于商用单板计算机的分布式微处理器架构中实现的。这种传感器轨迹数据融合方法被证明是高效和有效的，并且有可能在实时传感器轨迹数据融合中得到更广泛的应用。在 Pt.Mugu 中心认识到了这一潜力，并将努力范围扩大到包括全面的传感器轨迹数据融合系统。
使用机器学习分类技术的专业预测的科学方法
snehlata barde * MATS信息技术学校，马特斯大学拉普尔，恰蒂斯加尔邦，印度492004，印度电子邮件：drsnehlata@matsuniversity.ac.ac.in orcid ID：印度恰蒂斯加尔邦（Chhattisgarh）大学拉普尔大学（Raipur University Raipur） ero.brijesh@gmail.com orcid ID：https：//orcid.org/0000-0003-2663-4043收到：2022年6月8日；修订：2022年7月11日；接受：2023年3月17日；发表：2023年8月8日摘要：占星术是一种非常古老和传统的预测方法，它不断增加人们的兴趣。当今的地球仪，占星术预测没有共同的准则或原则。而不是为占星术预测设定通用原则和标准，而是专注于为个人提供高质量的服务，但不能保证准确性。机器学习是通过学习计算机对许多应用程序进行分析和预测的最佳结果。预测和分类使任何学习者都可以在大型，嘈杂且复杂的数据集上工作。本文的主要动机是引入一种科学方法，该方法减少了传统方法的缺点，并指示了预测的普遍规则，并通过三种分类技术，幼稚的贝叶斯，Logistic-R和J48证明了占星术的有效性。3）MCC，ROC和PRC区域值。这是监督学习的一部分，它以交叉验证为10,12，计算术语14倍1）正确分类的实例（CCI），错误分类的实例（ECI），平均绝对错误（MAE），均方根误差（RMSE）和相对绝对错误（RAE）。2）真正的正速率，误报率，精度和F量值值。4）要计算三级标签教授，商人和医生的平均体重，以真正的正率，假阳性速率，精度，F-Measion，PRC和ROC面积，5）最后，我们计算了每个分类技术的准确性，并比较了提供更好结果的每个分类技术的准确性。为此，我们收集了属于不同专业的100人的出生日期，出生地点和出生时间。40个教授的数据，30位商人数据以及30位医生数据的数据，在软件的帮助下准备一个人的星座。进行分析，我们以.CSV格式创建数据表，并将此数据表应用于WEKA工具中，以检查各种参数和每个分类器的精度百分比。索引术语：机器学习，幼稚的贝叶斯，逻辑-R，J48，星座，占星术，WEKA。
TTU 建议谨慎使用 AI 探测器
2024 年夏季贡献者：Suzanne Tapp、Alec Cattell、JaWana Green、Matt Gregory 和 Brian Quinn 我们关于人工智能的讨论通常集中在学术不端行为和人工智能滥用上。人工智能指南和资源委员会建议在考虑人工智能检测工具时要格外小心。最重要的是，目前人工智能检测工具无法提供确凿的证据。鉴于学生可以轻松使用生成式人工智能工具，我们发现自己正处于教育的十字路口。人工智能检测器的已知问题为了回应对学术诚信的担忧，我们看到声称能够检测人工智能使用情况的公司激增，例如 GPTZero、ZerGPT、CrossPlag 和 PassedAI。但我们也看到了人工智能人性化产品，例如 Bypass GPT、HIX Bypass、Humbot.ai、Undetectable AI 和 WriteHuman AI。当前版本的人工智能检测软件远非万无一失，具有很高的误报率（Edwards，2023 年；Fowler，2023 年）。 ChatGPT 背后的公司 OpenAI 甚至关闭了自己的 AI 检测软件，原因是其准确性较差 (Nelson, 2023)。AI 检测器对于非英语母语学生尤其不可靠 (Myers, 2023)，通常会因为衡量写作复杂程度的困惑度分数较低而将他们的作品不公平地认定为 AI 生成的。然而，有一些有希望的新证据表明，工具在检测 AI 编写的内容方面可能会变得更加准确。例如，Jiang (2024) 从研究生入学考试 (GRE) 写作评估中抽样了大规模数据，AI 生成的写作准确度接近完美，并且没有证据表明对非英语母语人士存在偏见。无法预测 AI 检测器未来的可靠性，尤其是随着新版本的 AI 生成器不断改进。目前，底线是 AI 检测器只能预测某篇文章是否是 AI 生成的，而这些预测不足以支持在涉嫌学术不诚实案件中做出决策。AI 工具能做什么？根据堪萨斯大学教学卓越中心（“谨慎使用人工智能检测器”，2024），人工智能工具可以表明教师可能需要与学生过去的作业进行比较，以发现写作风格和质量的差异。被标记的材料也可能表明教师需要与学生交谈，并解释检测器已表明部分材料是人工智能生成的。事实上，我们可以说，当怀疑未经授权使用人工智能时，真正的第一道防线是学生和课程讲师之间的对话。关于学生的工作以及学生如何完成作业的简单非指责性对话可以提供大量有关人工智能潜在用途的信息。考虑到我们的教师和讲师在其领域的知识渊博，很容易判断某个学生是否具备必要的知识
VA AI 清单 – 2024 年 7 月 29 日更新
1.VA 退伍军人体验办公室 (VEO) 企业数据测量与分析通过客户体验 (CX) 调查从自愿提供 VA 服务反馈的退伍军人那里获得反馈。退伍军人对 CX 调查的回应被接收（由托管在 VA 防火墙之外的 AWS gov 云上的 Medallia 系统接收）。2.如果调查回复包含自由文本评论。评论由危机警报检测算法 (CADA) 实时筛选。CADA 是一个规则驱动的单词过滤器。它具有很高的误报率。3.如果检测到危机风险，则使用来自邀请文件（个人和联系方式）的信息以及响应信息（时间戳、自由文本评论）创建危机警报案例。标记为“危机警报”并以电子方式转发到 VA 心理健康办公室退伍军人危机热线 (VCL) 仪表板。在队列中。4.VCL 人员使用危机警报中包含的信息评估警报，以确定该案例是否正确标记为 CADA 识别的风险。6.如果 VCL 证实了危机风险，VCL 将尝试联系退伍军人进一步评估风险，为退伍军人提供指导，并确定可能需要采取哪些其他干预措施。7.VLC 工作的结果和解决方案将发送回 Medallia（注释和详细信息），并带有标签（例如，假阳性等）NAII 创建了一个 AI 试点合同，以评估 AI/ML/NLP（长语言）模型 (LLM)、SSIE 是否能够降低 CADA 产生的假阳性率（从而减少 VCL 的工作量负担和积压，通过使用更少的工作人员来分类假阳性病例并加快对有需要的退伍军人的危机干预来节省资金）。模型输出将由 VCL 员工使用，使用以人为本的设计 (HCD) 方法。VCL 员工认为两份报告很有帮助并采纳了它们。由于 VLC 分类案例结果在 VCL 仪表板中以标签形式捕获。使用真实标记数据来训练 SSIE 模型。该模型还针对未批量标记的数据集和通过实时生产源运行。VEO 确定的危机警报实用性和有效性的另外三个要求：R1。及时性：必须实时快速检测。由于危机严重性和及时性，对危机干预的关键要求是时间短。R2。安全性：避免遗漏真实风险（假阴性）R3。效率：尽量减少错误警报（误报），因为处理每个警报案例的成本很高（对于 VC 工作量负担而言）。
利用人工智能增强网络安全
摘要：人工智能将通过注入更先进的威胁检测、响应和预防机制，重新定义数据安全的概念和运作。本文将具体讨论基于人工智能的系统在数据安全强化领域发挥的关键作用，并介绍人工智能在网络安全领域的创新方法。在数字化时代，连接和数据交换水平已达到前所未有的高度，在此过程中，数据系统从未如此容易受到网络威胁的打击。数据泄露、勒索软件攻击和其他形式的攻击（包括复杂的网络钓鱼计划）日益复杂，使得安全措施必须同样现代和创新、响应迅速，甚至能够预测快速实时检测和响应。在这方面，人工智能有望从经验中学习。在此基础上，本文对当前文献进行了全面回顾，旨在评估人工智能应对现代安全威胁的潜力，以及将其进一步融入网络安全领域的方式。该研究提供了人工智能有效适应动态安全挑战的案例的定量说明，大大缩短了响应时间并提高了检测准确性。该研究还提出了将人工智能融入网络安全基础设施、道德问题、个人数据隐私和永无止境的算法更新的一些困难和局限性。结果显示，人工智能可以通过改变威胁检测和响应能力，将误报率降低 30%，为网络安全带来巨大的成就。威胁识别变得确定，误报减少了。与传统方式相比，这将响应已识别威胁所花费的时间减少了一半，并提高了人工智能处理数据和实时识别模式的能力。此外，通过自动化日常任务，将人力资源分配到更具战略性的职能，AI 集成显著降低了长期运营成本。然而，在众多好处中，该研究还确定了成功实施 AI 需要应对的主要挑战：巨大的技术投资、对精通 AI 和数据科学的劳动力的需求以及数据隐私和道德问题。具有充分的 AI 问责制的透明决策是避免偏见和保持信任的因素。因此，组织必须开发强大的数据治理框架来保护敏感数据，确保全球法规的实施。从中可以看出，人工智能有望彻底改变网络安全，但在人工智能实施过程中需要仔细和战略规划、道德考虑和持续监控。为了实现平衡的支持，技术创新和有效的战略管理，通过道德和持续教育和培训，是至关重要的；这些将有助于充分发挥人工智能在网络安全中的潜力。更多的研究应该关注人工智能的长期影响、道德后果以及人工智能与网络安全的跨学科整合，以在不冒风险的情况下获得最高水平的利益。关键词：人工智能、数据安全、网络安全、威胁检测、机器学习、异常检测 1.介绍 1.1 背景 技术的快速发展带来了巨大的发展，但也为复杂的安全问题打开了大门。数据泄露、网络攻击和其他形式的未经授权的访问变得越来越复杂；因此，需要提出创新的解决方案来保护敏感信息。高级威胁大多绕过传统安全措施。需要先进的安全机制来实时预测、检测和响应安全事件。基于人工智能的系统对这些挑战有希望的解决方案。1.2 目标 研究的目标是： 1）研究人工智能在增强数据安全方面的作用。2）研究基于人工智能的新型威胁检测和响应技术。