如今,对安全有要求的应用程序已无处不在,可在各种边缘设备中找到。然而,这些设备中的微控制器尽管通过实现多核和缓存层次结构提供了中等性能,但可能无法提供足够的支持来实施最高完整性级别所需的某些安全措施,比如锁步执行,以避免所谓的共因故障(即影响冗余组件的故障导致所有冗余组件出现相同的错误)。为了解决这一限制,最近在 [ 2 ] 中提出了一种基于软件监视器的方法,该方法在内核之间强制执行某种基于软件的锁步执行,并提供了概念证明。本文介绍了 SafeSoftDR,这是一个库,它提供了一个标准接口,用于在非原生锁步内核上部署基于软件的锁步执行,从而减轻了最终用户创建冗余进程、复制输入/输出数据和执行结果比较的负担。我们的库已经在基于 x86 的 Linux 上进行了测试,目前正在集成到针对安全相关应用的开源 RISC-V 平台上,从而为安全关键型应用提供了便捷的环境。
如今,对安全有要求的应用程序已无处不在,可在各种边缘设备中找到。然而,这些设备中的微控制器尽管通过实现多核和缓存层次结构提供了中等性能,但可能无法提供足够的支持来实施最高完整性级别所需的某些安全措施,比如锁步执行,以避免所谓的共因故障(即影响冗余组件的故障导致所有冗余组件出现相同的错误)。为了解决这一限制,最近在 [ 2 ] 中提出了一种基于软件监视器的方法,该方法在内核之间强制执行某种基于软件的锁步执行,并提供了概念证明。本文介绍了 SafeSoftDR,这是一个库,它提供了一个标准接口,用于在非原生锁步内核上部署基于软件的锁步执行,从而减轻了最终用户创建冗余进程、复制输入/输出数据和执行结果比较的负担。我们的库已经在基于 x86 的 Linux 上进行了测试,目前正在集成到针对安全相关应用的开源 RISC-V 平台上,从而为安全关键型应用提供了便捷的环境。
在人工智能中了解了机器学习的过程。机器学习过程使工具具有从其经验中学习并改善自己的能力,而无需任何编码。在机器学习中,我们以用户希望通过机器完成的工作方式对计算机或机器进行编程。它可以提供此类工作,在此过程中,计算机根据数据已经与数据进行了工作并提供其性能。撰写论文的目的是基于无监督学习的模型数据集应用k-意味着聚类算法。我们过去在监督学习中将功能数据和标签标签传递给机器学习模型。但是,无监督学习算法的方法是不同的。在此中,我们不将功能数据和目标数据提供给模型。数据集模型仅使用输入数据进行处理,并且输出数据在模型中没有含义。基于数据和模型中的相似性预测所需的输出。k-means基于无监督的学习聚类算法,其中数据和对象分为不同的簇,以使具有相似属性的对象放在一个群集中,并且具有不同属性的对象被放置在单独的群集中。
摘要:韩国政府已宣布了净零碳排放的目标,重点是可再生能源的扩张。然而,由于基载发电机的循环能力低和可变可再生能源 (VRE) 的可变性,基载发电机的高比例和可变可再生能源 (VRE) 的比例不断增加可能会导致电力系统运行出现问题。为了保持系统可靠性,政府正计划建设抽水蓄能水电站 (PSH),为系统提供灵活性。本研究基于鸭形曲线现象和旋转备用需求的增加,评估了不同类型的 PSH:可调速 PSH (AS-PSH) 和定速 PSH (FS-PSH) 所获得的运营成本节省。在本研究中,考虑到 AS-PSH 和传统发电机的运行特性,使用混合整数规划制定了备用约束机组组合。为了考虑鸭形净负荷环境,通过风力涡轮机和光伏模块的物理模型计算了预计的 VRE 输出数据。非 PSH、FS-PSH 和 AS-PSH 建设方案的运营成本分别为 43,129.38 韩元、40,038.44 韩元和 34,030.46 韩元。造成这一差异的主要因素被确定为 AS-PSH 泵送模式的主要储备。
本文介绍了一种基于内建自测试 (BIST) 的高级加密标准 (AES) 加密处理器专用集成电路 (ASIC) 的设计。AES 已被证明是美国政府宣布的最强大的对称加密算法,其性能优于所有其他现有加密算法。其硬件实现比软件实现提供更高的速度和物理安全性。由于这个原因,文献中已经提出了许多 AES 加密处理器 ASIC,但复杂 AES 芯片中的可测试性问题尚未得到解决。本研究为实现混合模式 BIST 技术的 AES 加密处理器 ASIC 引入了一种解决方案,该技术是伪随机和确定性技术的混合。BIST 实现的 ASIC 是使用 IEEE 行业标准硬件描述语言 (HDL) 设计的。它已使用电子设计自动化 (EDA) 工具进行了模拟,并使用美国政府国家标准与技术研究所 (NIST) 的输入输出数据进行了验证和确认。模拟结果表明,该设计在 ASIC 的不同操作模式下按预期功能运行。将当前的研究与其他研究人员的研究进行了比较,结果表明它在 BIST 实现到 ASIC 芯片方面是独一无二的。
IS&S 数字大气数据计算机 (DADC),P/N 9B-81116-1 是为 F-5N 和 F-5F 飞机开发的航空电子设备升级。它是 P/Ns 948312-9-1 和 2100756-3-1 中央大气数据计算机的直接形式、配合和功能替代品。DADC 处理静压和皮托管压力 (Ps 和 Pt)、总温 (Tt) 和局部攻角 (AOA) 输入数据。这些输入用于计算主飞行显示器、导航、飞行控制和其他飞机系统的准确大气数据信息。还提供广泛的内置测试。DADC 执行多种数据处理功能以确定其输入的有效性、计算输出数据并指示操作状态以及输出有效性。它执行各种信号处理功能,将输出格式化为模拟、离散和串行数据信号,使其与各种接口兼容。DADC 提供的空中数据信息支持包括驾驶舱仪表、稳定性增强系统 (SAS)、领先计算光学瞄准器 (LCOS)、机动襟翼控制和其他仪表和飞行控制系统在内的设备的运行。9B-81116-1 DADC 还取代了 P/N 34-60935-1 襟翼控制高度开关和 P/Ns 11177 -1 和 -3 AOA 切换组件。其他功能包括双 ARINC 429 输出和 MIL-STD-1553B 接口。
摘要 共生模拟系统 (S3),有时也称为“数字孪生”,可实现物理系统与其计算模型表示之间的交互。为了支持运营决策,S3 使用通过传感器收集的物理系统的实时数据。这些实时数据还保存在企业数据存储系统 (EDSS) 中,因此可以用作未来使用的历史数据。然后,实时数据和历史数据都用作 S3 不同组件的输入,S3 通常包含几个模块:数据采集、模拟、优化、机器学习和“执行器”。当 S3 和系统之间没有人工代理时,需要后者。考虑到当今智能系统生成的数据量,S3 需要与 EDSS 结合使用。此外,S3 可能会产生大量需要存储的输出数据,因为这些数据可能会被机器学习模块重复使用,使 S3 在动态场景中具有自适应性。为了支持实时运营决策(特别是在工业 4.0 应用中,例如智能城市、智能工厂、智能交通系统和数字供应链),本文提出了 S3 的通用系统架构,并讨论了其在 EDSS 中的集成。此外,本文回顾了 S3 的最新进展,并分析了这些系统如何与 EDSS 交互以使实时决策成为现实。最后,本文还指出了 S3 中的几个研究挑战。
摘要。随着深度学习 (DL) 的进步,人们对可再生能源产量预测的关注度日益增加。可再生能源固有的多变性和预测方法的复杂性要求可再生能源领域采用稳健的方法,例如 DL 模型。与传统机器学习 (ML) 相比,DL 模型更受欢迎,因为它们可以捕捉可再生能源数据集中复杂的非线性关系。本研究通过比较 DL 框架内的各种方法和训练/测试比率,研究了影响 DL 技术准确性的关键因素,包括采样和超参数优化。使用结合了来自 12 个地点的天气和光伏电力输出数据的数据集,评估了七种机器学习方法——LSTM、Stacked LSTM、CNN、CNN-LSTM、DNN、时间分布式 MLP (TD-MLP) 和自动编码器 (AE)。应用早期停止、神经元丢失和 L1/L2 正则化等正则化技术来解决过度拟合问题。结果表明,早期停止、dropout 和 L1 正则化的组合对于减少具有较大训练集的 CNN 和 TD-MLP 模型中的过度拟合效果最佳,而早期停止、dropout 和 L2 正则化的组合对于减少具有较小训练集的 CNN-LSTM 和 AE 模型中的过度拟合效果最有效。
CEA,并在实验室中开发了包括Fifrelin在内的几种核裂变守则。代码依赖于四个免费参数,这些参数是为了重现平均中子和伽玛多重性的四个免费参数。这些输出均以各自的不确定性计算。在这项工作中,Fifrelin被视为黑匣子,我们从中没有任何先验知识。目的是找到合适的自由参数列表,以获取特定的输出数据。由于蒙特 - 卡洛方法,对目标不确定性(约9分钟)的计算时间相对较高,为0.01或0.03-取决于组件。因此,随机探索输入空间(4个维度)是很耗时的。在本文中,我们建议使用机器学习来克服此类问题。由于输入和输出数量少,并且我们对输出的不确定性所使用的机器学习方法的事实是高斯过程回归,也称为Kriging [1]。我们提出的方法结合了这种Kriging方法和目标中的优化算法,以找到与给定输出相对应的自由输入参数。以下第2节介绍了算法Fifrelin,该作品的目标是在第3节中确定的。第4节是关于高斯流程回归背后的数学和关于我们开发的算法的第5部分。最后,我们在6中显示了结果,并得出了结论。
多年来,已经开发了几种人为可靠性分析 (HRA) 方法。本研究的目的是提出一种混合模型来评估人为错误概率 (HEP)。新方法基于对数正态分布、核行动可靠性评估 (NARA) 和性能塑造因素 (PSF) 关系。在研究中,分析了与文献方法相关的缺点,特别是工作时间的局限性。为此,估计了紧急情况下 8 小时 (工作标准) 后的 PSF。因此,这三种方法的优点之间的相关性允许在事故场景和紧急情况下提出 HEP 分析;确保工业工厂安全性和可靠性的一个基本问题是应急管理 (EM)。应用 EM 方法,分析了两个主要方面:系统可靠性和人为可靠性。系统可靠性与其最薄弱组件的可靠性密切相关。在意外情况下,整个系统中最薄弱的部分是工人(人为可靠性),意外情况会影响操作员的决策能力。本文提出了一种称为 Logit 人为可靠性 (LHR) 的新方法,该方法考虑内部和外部因素来估计紧急情况下的人为可靠性。LHR 已应用于制药事故场景,考虑了 24 小时工作时间(超过 8 个工作小时)。结果强调,在事故场景的压力阶段,LHR 方法提供的输出数据比传统方法更符合数据库。