XiaoMi-AI文件搜索系统
World File Search System顶盒
RLTG：多目标定向灰盒模糊测试
定向灰盒模糊测试可以引导模糊器探索特定的目标代码区域，在补丁测试等场景中取得了良好的效果。然而，如果有多个目标代码需要探索，现有的定向灰盒模糊测试器（如AFLGo和Hawkeye）往往会忽略一些目标，因为它们使用距离的调和平均值，倾向于测试可达路径较短的目标。此外，现有的定向灰盒模糊测试器由于程序中存在间接调用，无法计算出准确的距离。此外，现有的定向灰盒模糊测试器无法解决探索和利用问题，种子调度效率低下。针对这些问题，我们提出了一种动态种子距离计算方案，当可达路径遇到间接调用时，动态增加种子距离。此外，种子距离计算可以处理多目标场景下的偏差问题。利用种子距离计算方法，我们提出了一种基于置信上限算法的种子调度算法，以解决定向灰盒模糊测试中的探索和利用问题。我们实现了一个原型 RLTG，并在实际程序上对其进行了评估。原型评估表明，我们的方法优于最先进的定向模糊器 AFLGo。在多目标基准测试 Magma 上，RLTG 以 6.9 倍的速度重现错误，并且比 AFLGo 多发现 66.7% 的错误。
沙盒测试和试验数字技术以实现可持续发展
从创新中心和政策实验到监管沙盒数字技术有望通过支持创新、前瞻性的政策和数字政府解决方案来加速可持续发展。然而，这些机遇也带来了许多前沿技术的风险和复杂性，以及与包容性、竞争、隐私和安全相关的政策和监管挑战。创新中心、孵化器、加速器或试验台已成为新技术的跳板，现在在许多发达国家和发展中国家都很常见。然而，在某些情况下，公共部门创新失败的已知风险和成本意味着政策制定者和监管者可能仍然倾向于维持现状。近年来，一些国家出现了沙盒和实验等相对较新的方法，事实证明，这些方法可有效创造一个更有利、更受约束的空间。在这种空间中，政府可以与私营部门和其他相关利益攸关方合作，在受控空间中用小样本群体测试技术，然后再大规模推出，从而大幅降低成本，并限制失败和负面影响的可能性。图1说明了创新、实验和沙盒的各种机构方法。一些国家已经通过公私合作伙伴关系（PPP）或多利益攸关方合作伙伴关系（MSP）为使用沙盒建立了机构、政策或监管框架。例如，英国金融行为监管局（FCA）建立了监管沙盒，以实现更高效的中小企业（SME）贷款，并支持金融部门数字身份的发展，特别针对消费者和中小企业1。在新加坡，能源市场管理局 (EMA) 为能源行业实施了监管沙盒，主要关注电力和天然气领域的创新，旨在为未来的可再生能源寻找创新解决方案 2。在哈萨克斯坦，
自主移动性测试沙盒集成框架
TGA监管沙箱使企业和组织可以在监管监督下测试其自主系统解决方案，服务或业务模型。目的是为批准的申请人提供空间和准则，以在封闭的验证地面环境或可以在特定时间窗口进行调整或放松法规的开放道路上进行测试，以适应可能不适合当前监管框架的新技术和方法。这有助于监管机构了解新的自动驾驶汽车的工作方式以及现有法律中可能需要进行哪些调整，以促进其安全有效地融入市场。
组织工具盒-IHC关键测定性能...
来自2个乳腺癌的显微照片，MRQ-50克隆具有异常PAX8的表达。用苏木精和曙红（a，d）染色时，两个肿瘤都是高级的，具有坏死。用MRQ-50抗体（B，E）对PAX8进行免疫组织化学显示肿瘤细胞和淋巴细胞（箭头）的核阳性。PAX8 IHC，带有BC12克隆（C，F）不染色肿瘤或淋巴细胞。PAX8 IHC，带有BC12克隆（C，F）不染色肿瘤或淋巴细胞。
电池盒高级HVS/HVM组合盒安装...
如果在封闭的环境中定位，请确保该区域通风并允许定期再循环空气。如果安装在开放环境中，请将外壳放置在不断遮蔽并保护不受直射阳光的区域中。这些措施对于防止不必要和过度过热的措施很重要，这会延长时间延长内部插入的零件的持续时间和操作。
顶复门寄生虫中的微管蛋白超家族
摘要：微管和含有特殊微管的结构由微管蛋白组装而成，微管蛋白是真核生物必需蛋白的一个古老超家族。在这里，我们使用生物信息学方法来分析来自顶复门的生物体中微管蛋白的特征。顶复门是原生动物寄生虫，可引起多种人类和动物传染病。单个物种分别含有 1 到 4 个 α - 和 β - 微管蛋白同型基因。这些基因可能指定高度相似的蛋白质，表明功能冗余，或表现出与特殊作用相一致的关键差异。一些（但不是全部）顶复门含有 δ - 和 ε - 微管蛋白基因，这些基因存在于构建含有附属物的基体的生物体中。顶复门 δ - 和 ε - 微管蛋白的关键作用可能仅限于微配子，这与单个发育阶段对鞭毛的有限要求相一致。其他顶复门的序列分化或 δ - 和 ε - 微管蛋白基因的丢失似乎与中心粒、基体和轴丝的需求减少有关。最后，由于纺锤体微管和鞭毛结构已被提议作为抗寄生虫疗法和传播阻断策略的目标，我们将在基于微管蛋白的结构和微管蛋白超家族特性的背景下讨论这些想法。
DeepGo：预测定向灰盒模糊测试
在本文中，我们提出了一个预测定向灰盒模糊测试器 DeepGo，它可以结合历史和预测信息来引导 DGF 通过最佳路径到达目标站点。我们首先提出路径转换模型，该模型将 DGF 建模为通过特定路径转换序列到达目标站点的过程。突变产生的新种子将导致路径转换，而高奖励路径转换序列对应的路径表示通过它到达目标站点的可能性很高。然后，为了预测路径转换和相应的奖励，我们使用深度神经网络构建虚拟集成环境 (VEE)，它逐渐模仿路径转换模型并预测尚未采取的路径转换的奖励。为了确定最佳路径，我们开发了一个强化学习模糊测试 (RLF) 模型来生成具有最高序列奖励的转换序列。RLF 模型可以结合历史和预测的路径转换来生成最佳路径转换序列，以及指导模糊测试突变策略的策略。最后，为了练习高奖励路径转换序列，我们提出了行动组的概念，全面优化模糊测试的关键步骤，实现高效到达目标的最优路径。我们在 2 个基准测试套件（共 25 个程序，100 个目标站点）上对 DeepGo 进行了测试。实验结果表明，与 AFLGo、BEACON、WindRanger 和 ParmeSan 相比，DeepGo 在到达目标站点方面分别实现了 3.23 倍、1.72 倍、1.81 倍和 4.83 倍的加速比，在暴露已知漏洞方面分别实现了 2.61 倍、3.32 倍、2.43 倍和 2.53 倍的加速比。
关键代码引导的灰盒模糊测试
新提交的提交容易将漏洞引入程序。作为一种有前途的对策，可以使用定向灰盒模糊测试器通过将提交更改位置指定为目标来测试提交更改。但是，现有的定向模糊测试器主要侧重于达到单个目标，而忽略了对其他受影响代码的多样化探索。因此，它们可能会忽略在远离更改位置的位置崩溃的错误，并且在多目标场景中缺乏直接性，这在提交测试的背景下都很常见。在本文中，我们提出了一种直接灰盒模糊测试器 WAFLG O ，以有效发现提交引入的漏洞。WAFLGO 采用一种新颖的关键代码引导输入生成策略来彻底探索受影响的代码。具体而言，我们确定了两种类型的关键代码：路径前缀代码和数据后缀代码。关键代码首先引导输入生成逐渐、增量地到达更改位置。然后，在保持关键代码可达性的同时，输入生成策略进一步鼓励在探索受影响代码时生成输入的多样性。此外，WAFLGO 引入了一种轻量级多目标距离度量，用于直接和彻底检查所有更改点。我们实现了 WAFLG O，并使用提交引入的 30 个真实错误对其进行了评估。与 8 种最先进的工具相比，WAFLGO 实现了平均 10.3 × 的加速。此外，WAFLGO 在测试最近 50 次提交的真实软件（包括 libtiff、fig2dev 和 libming 等）时发现了 7 个新漏洞，其中包括 4 个 CVE。
人工智能中设计和默认的隐私沙盒 ...
针对侵犯人权的风险实施适当的问责措施。2019 年，工商监管局 (SIC) 发布了以下文件：(i) 电子商务个人数据处理指南 1 ；(ii) 营销和广告个人数据处理指南 2 ；(iii) 个人数据国际转移问责原则实施指南 3 。在所有这些文件中，建议在设计和默认时纳入隐私、道德和安全。此外，建议进行隐私影响评估 (PIA)。
监管沙盒支持框架 - FIDC India
零售支付 汇款服务 市场借贷 数字 KYC 和数字识别服务 金融咨询和财富管理服务 智能合约 金融包容性产品 网络安全产品 RegTech 和 SupTech