XiaoMi-AI文件搜索系统
World File Search System边缘设备
管理边缘设备
考虑以下问题：•当前正在运行哪个版本？•默认情况下启用了哪些功能？是否没有使用任何功能？这些功能是否可以通过互联网访问？•我可以找出边缘设备的配置方式吗？可以禁用高风险功能吗？•供应商能否证明Edge设备是根据现代安全设计原则开发的？•供应商可以证明该设备已接受独立测试（例如渗透测试或安全评估）吗？•供应商可以保证相关的软件和库是最新的吗？供应商可以提供软件材料清单（SBOM）吗？•我是否依赖供应商在事件中获得支持，还是可以找到必要的信息并自己采取行动？供应商如何交流漏洞和事件？我知道他们的下班时间联系方式吗？•组织可以在哪里找到如何配置或下载安全更新的说明？将这些说明添加到手册中，并脱机存储该手册。•我对供应商的依赖程度如何快速安装补丁？
边缘设备上的人工智能概述
摘要 人工智能 (AI) 是物联网 (IoT) 设备领域最重要的应用之一。本文将重点介绍边缘设备上 AI 的开发及其开发 AI 模型的能力。本研究将回顾有关该主题的不同资源，并通过 Raspberry Pi 3 和 Raspberry Pi 4 得出一些个人结论。可以得出结论，边缘设备易于使用，甚至更容易使用首选任务进行编程，但由于其尺寸和处理能力，它们不会像传统计算设备那样产生结果。从边缘设备获得的结果令人满意，而且由于它们体积更小、更易于访问，它们也增加了 AI 的使用案例。本章还将重点介绍不同的问题陈述，例如对象检测，并尝试在某些硬件类别上对其进行测试，确定模型的性能，并得出结论，即哪种硬件最适合开发某些 AI 模型，哪种硬件将产生最佳结果。关键词：人工智能、信息技术、智能手机。
边缘设备大型语言模型竞赛
边缘设备大型语言模型竞赛旨在探索直接在边缘设备上部署的大语言模型（LLMS）的能力和潜力。LLM的令人难以置信的能力使得将其应用于实用的边缘设备，以实现LLM在各个学科中的广泛应用。但是，LLMS的庞大尺寸对严格限制的计算资源和内存的边缘设备构成了重大挑战。例如，即使在采用INT8量化后，部署小规模的10B LLM也可能需要多达20GB的主内存（DRAM），但不幸的是，这超出了大多数商品智能手机的内存。此外，LLM的高能量消耗将迅速消耗智能手机的电池。为了促进LLM在各种实际情况下的应用，我们提出了这种及时的竞争，以鼓励学术界和行业的从业者为这种紧迫的需求提供有效的解决方案。通过挑战参与者开发可以在资源受限的边缘设备上运行的高效，优化的模型，竞争旨在解决与LLM相关的关键经济和环境问题，促进跨学科研究合作，并增强AI系统的隐私和安全性。
机器人和边缘设备上更快的对象检测
摘要。移动机器人和许多Edge AI设备需要对计算功率进行贸易，以防止功耗，电池尺寸和电荷之间的时间。因此，与通常用于训练和评估深层神经网络的功能强大的基于强大的基于GPU的系统相比，这种设备具有明显较小的计算能力是很常见的。对象检测是机器人和边缘设备的视觉感知的关键方面，但是在基于GPU的系统上运行最快的流行对象检测体系结构或旨在用大型输入图像尺寸最大化地图的旨在，可能无法很好地扩展到边缘设备。在这项工作中，我们评估了代表机器人和边缘设备功能的一系列设备上的Yolo和SSD家族的几个模型架构的延迟和图。我们还评估了运行时框架的效果，并证明了一些意外的largedIfferencesCanbefound.basedonourevaluationsweproposenewvariations yolo-lite体系结构，我们显示的可以在减少潜伏期时提供增加的地图。
通过活动推理在边缘设备上的自适应流处理
当前物联网的情况正在见证数据量的不断增加，该数据量是在恒定流中生成的，呼吁新颖的架构和逻辑解决方案来处理它。将数据处理转移到计算频谱的边缘可确保负载的更好分配，并且在原理中，较低的潜伏期和更好的隐私性。但是，管理这种结构很复杂，尤其是当要求（SLOS）的要求（SLO）（SLO）需要确保由应用程序的所有者和基础架构经理指定时。尽管基于机器学习（ML）的管理解决方案，研究人员和从业人员有大量提案，但仍在努力进行长期预测和控制以及准确的故障排除。因此，我们提出了一种基于主动推理（AIF）的新型ML范式 - 神经科学的概念描述了大脑如何不断预测和评估感觉信息以减少长期惊喜。我们在异质的真实流处理用例中实现并进行评估，其中基于AIF的代理商不断优化了在多个设备上运行的三个自动驾驶服务的三个SLO的实现。代理使用因果知识逐渐了解其行为与要求满足以及哪些配置有偏爱的理解。通过这种方法，我们的代理需要三十次迭代才能收敛到最佳解决方案，
互联电网边缘设备和逆变器资源的网络安全认证建议
缩略词列表 CEEP 网络能源仿真平台 CESER 网络安全、能源安全和应急响应办公室 CIGRE 国际大型电力系统理事会 CISA 网络安全和基础设施安全局 CRL 证书撤销列表 DER 分布式能源资源 DNP 分布式网络协议 DOE 美国能源部 DoS 拒绝服务 DUT 测试设备 EERE 能源效率和可再生能源办公室 EPRI 电力研究所 ES-C2M2 电力子行业网络安全能力成熟度模型 EV 电动汽车 HTTP 超文本传输协议 HTTPS 安全超文本传输协议 IBR 基于逆变器的资源 ICS 工业控制系统 IEA 国际能源署 IEC 国际电工委员会 IEEE 电气电子工程师协会 IP 互联网协议 IT 信息技术 MAC 消息认证码 MITM 中间人 NARUC 国家公用事业监管委员会协会 NASEO 国家州能源官员协会 NDN 命名数据网络 NERC 北美电力可靠性公司 NIST 国家标准与技术研究所 NREL 国家可再生能源实验室 OT 运营技术 PSIL 电力系统集成实验室 PV 光伏 RMP 风险管理流程 SCADA 监控和数据采集 SEP 智能能源简介 SETO 太阳能技术办公室 sPower 可持续电力集团 SSH 安全外壳 TCP 传输控制协议 TLS 传输层安全
使用边缘设备功能扩展网络管理和运营
CGI OpenGrid Energy Control 处理电网中智能设备的事件和警报，与电网拓扑相关联，并应用自动或用户定义的规则（例如过滤、丰富和关联）来增强停电检测并确认停电恢复。这可以提高可靠性指标（例如 CAIDI 和 SAIDI），并降低运营成本。
边缘设备上 AI 解决方案的有效算法加速器协同设计
高质量的 AI 解决方案需要对 AI 算法（例如深度神经网络 (DNN)）及其硬件加速器进行联合优化。为了提高整体解决方案质量并提高设计效率，高效的算法和加速器协同设计方法是必不可少的。在本文中，我们首先讨论了算法/加速器协同设计问题的动机和挑战，然后提供了几种有效的解决方案。特别是，我们重点介绍了三种有效的协同设计方法的主要工作：1）第一个同时进行的 DNN/FPGA 协同设计方法； 2）双向轻量级 DNN 和加速器协同设计方法； 3）可区分且高效的 DNN 和加速器协同搜索方法。我们通过在 FPGA 和 GPU 上进行大量实验来证明所提出的协同设计方法的有效性，并与现有工作进行了比较。本文强调了算法加速器协同设计的重要性和有效性，并呼吁在这个有趣且要求高的领域取得更多的研究突破。
