摘要摘要物联网(IoT)扩大了在工作,在家甚至路上的技术范围。随着互联网连接和自动驾驶汽车在我们的高速公路上变得越来越普遍,这些“在车轮上的数据中心”的网络安全比以往任何时候都更加关注。对生产汽车的高度宣传的黑客,以及涉及自动驾驶汽车的撞车事故,这使得将智能汽车置于公共和个人安全方面的问题。本文介绍了将模块在汽车黑客入侵中的集成到一个学期的道德黑客网络安全课程中,包括完整的安装以及在类似课程中实现动手实验的所有开源工具的设置。作者演示了如何使用开源工具和20美元的商品罐头对抗电缆来测试涉及重放攻击的漏洞。还提供了现代汽车中的CAN(控制器区域网络)总线的介绍以及汽车黑客的简短历史。
摘要 — 我们提出了一种用于支持脉冲神经网络的神经形态硬件的在线测试方法。测试旨在实时检测由于硬件级故障而导致的异常操作,以及筛选容易出现错误预测的异常值或角落输入。测试由两个片上分类器实现,它们基于使用脉冲计数提取的低维特征集预测网络是否会做出正确的预测。分类器系统能够评估决策的置信度,当置信度被判断为低时,重放操作有助于解决歧义。通过将测试方法完全嵌入到基于 FPGA 的定制神经形态硬件平台中,可以演示测试方法。它在后台运行,完全不干扰网络操作,同时为绝大多数推理提供零延迟测试决策。索引术语 — 神经形态计算、脉冲神经网络、测试、可靠性。
摘要 尽管我们以连续的方式感知世界,但我们的体验被分割成离散事件。然而,为了理解这些事件,必须将它们拼接成一个总体叙述——一个展开事件的模型。有人提出,当啮齿动物建立空间环境模型时,这种拼接过程发生在离线神经再激活中。在这里,我们表明,在理解自然叙事的同时,人类会重新激活过去事件的神经表征。与离线重放类似,这些重新激活发生在海马体和默认模式网络中,其中重新激活对相关的过去事件有选择性。然而,这些重新激活不是在长时间的离线期间发生的,而是在正在进行的叙述事件之间的边界上发生的。这些结果在两个数据集中重复出现,表明重新激活是将时间上相距遥远的信息绑定到对正在进行的体验的连贯理解中的候选机制。
我们提出了一种加固学习策略,以通过主动更改转子速度,转子偏航角和叶片螺距角来控制风力涡轮机能量。具有优先体验重放剂的双重Q学习与刀片元件动量模型相结合,并经过训练以允许控制风。训练代理商可以决定最佳的控制(速度,偏航,音高),以实现简单的稳定风,随后通过真正的动态湍流挑战,表现出良好的性能。将双重Q学习与经典价值的迭代增强学习控制进行了比较,并且两种策略在所有环境中都超过了经典的PID控制,增强型学习方法非常适合不断变化的环境,包括湍流/阵阵风,显示出极大的适应性。最后,我们将所有控制策略与实际风进行比较,并计算年度能源生产。在这种情况下,双重Q学习算法也胜过经典方法。
摘要 摘要 摘要 摘要 RFID(射频识别)是一种识别技术,在各个领域的使用越来越引起人们的极大兴趣。然而,这些 RFID 系统面临的最大挑战之一是安全性。为了确保良好的安全性并保护这些系统用户的隐私,使用了加密技术。由于 RFID 系统的特点是资源有限(内存、计算能力),因此用于这些系统的加密协议必须使用轻量级或超轻量原语。已经为 RFID 系统提出了许多加密协议。不幸的是,尽管设计和实现这些协议需要大量的时间和精力,但大多数协议都发现了漏洞和安全缺陷。在使用之前对其进行验证成为至关重要的需求。在这项工作中,我们对基于 AVISPA&SPAN 工具的密码协议的形式化验证感兴趣。我们检查了两个协议:第一个 (R 2 AP) 被证明是完美的。另一方面,第二个(HMNB)容易受到两种攻击(重放攻击和中间人攻击)。对于后者,我们提出了一项改进,事实证明可以抵抗攻击
大型语言模型 (LM) 提供了前所未有的语言生成能力和令人兴奋的交互设计机会。然而,它们高度依赖于上下文的能力很难掌握,而且往往被主观解释。在本文中,我们认为,通过整理和分析大型交互数据集,HCI 社区可以促进对 LM 生成能力的更深入的检查。为了举例说明这种方法,我们提出了 CoAuthor,这是一个旨在揭示 GPT-3 在协助创造性和论证性写作方面的能力的数据集。CoAuthor 在 1445 个写作会话中捕捉了 63 位作者和 4 个 GPT-3 实例之间的丰富互动。我们证明 CoAuthor 可以解决有关 GPT-3 的语言、构思和协作能力的问题,并揭示其作为写作“合作者”在各种良好协作定义下的贡献。最后,我们讨论这项工作如何促进围绕 LM 在交互设计方面的优点和缺点的更有原则性的讨论。数据集和用于重放写作会话的界面可在 https://coauthor.stanford.edu 上公开获取。
量子纠错技术是消除量子计算机运行时噪声的重要方法。针对噪声带来的问题,本文利用强化学习对Semion码的缺陷进行编码,并利用经验重放技术实现译码器的设计。Semion码是与Kitaev toric码具有相同对称群Z 2 的量子拓扑纠错码,利用纠错码的拓扑特性将量子比特映射到多维空间,计算出译码器的纠错准确率为77.5%。计算拓扑量子Semion码的阈值,根据码距的不同,得到不同的阈值,当码距为d = 3, 5, 7时,p阈值= 0.081574,当码距为d = 5, 7, 9时,p阈值= 0.09542。并设计Q网络来优化量子电路门的代价,比较不同阈值下代价降低的大小。强化学习是设计Semion码译码器、优化数值的重要方法,为未来的机器工程译码器提供更通用的错误模型和纠错码。
声音是气压变化的函数,它被转换成切割针的运动,并刻在旋转介质的表面上。这最初是纯机械的。声音由喇叭捕捉,喇叭移动通过杠杆连接到切割针的膜,将这些运动刻在旋转蜡筒或盘的表面上。复制则以相反的方式进行。调制槽移动针,通过杠杆驱动膜,其振动由喇叭放大。1925 年左右,这种声学机械过程被电放大系统取代。在这个系统中,声音由麦克风转换成电信号,电信号移动电驱动的切割针。通过使用电拾音系统,复制也得到了改进,电拾音系统的信号经过适当放大后,通过扬声器或耳机重新转换为机械运动。最近,已经开发出用于光学、非接触式重放机械载体的系统。然而,这些系统尚未得到更广泛的认可。(有关从机械载体检索信号的信息,请参阅 IASA-TC 04、5.2 和 5.3。)
摘要 局部场电位 (LFP) 的偏转和振荡定义了海马尖波涟漪 (SWR),这是大脑最同步的事件之一。SWR 反映了从认知相关的神经元集合中出现的放电和突触电流序列。虽然频谱分析已经取得了进展,但超密集记录的激增现在需要新的自动检测策略。在这里,我们展示了如何在高密度 LFP 海马记录上运行的一维卷积网络如何自动识别来自啮齿动物海马的 SWR。当无需重新训练就应用于新数据集和超密集海马范围的记录时,我们发现了与 SWR 出现相关的生理相关过程,从而促使制定新的分类标准。为了获得可解释性,我们开发了一种方法来查询人工网络的运行。我们发现它依赖于基于特征的专业化,这允许识别空间分离的振荡和偏转,以及重放典型的同步群体放电。因此,使用基于深度学习的方法可能会改变当前的启发式方法,以便更好地机械地解释这些相关的神经生理事件。
摘要 —为降低负荷与可再生能源出力的不确定性对微电网运行的负面影响,提出一种基于自动强化学习的可再生能源发电与负荷多周期预测的孤立微电网优化调度模型。首先,设计一种优先经验重放自动强化学习(PER-AutoRL)来简化基于深度强化学习(DRL)预测模型的定制化部署,首次提出基于PER-AutoRL的单步多周期预测方法来解决现有多步预测方法存在的误差积累问题,然后通过误差分布对所提预测方法得到的预测值进行修正以提高预测精度;其次,以最小化微电网总运行成本为目标,构建考虑需求响应的调度模型,以修正后的预测值作为调度依据,根据误差分布设置旋转备用机会约束;最后,利用序列运算理论(SOT)将原调度模型转化为易解的混合整数线性规划问题,并利用CPLEX求解器对转化后的模型进行求解。仿真结果表明,与传统的不带预测的调度模型相比,该方法通过提高预测精度,可以显著降低系统运行成本。