国产av人人夜夜澡人人爽,精品国产自在久久现线拍

恶意代码可视化分类研究[通信与网络][信息安全]

新型恶意代码设计变得日益复杂，传统的识别并检测方法已经满足不了当前的需求。因此，在对BODMAS数据集分析的基础上，将其进行可视化处理并进行分类。同时考虑到现有恶意代码可视化分类模型主要依赖全局特征，在卷积神经网络基础上设计了一个CA（通道级局部特征关注）模块和一个MA（多尺度局部特征关注）模块，构建了两个新模型，巧妙地结合全局与局部特征。在BODMAS数据集上，新模型在恶意代码种类识别并分类平均准确率相比于BODMAS数据集论文描述的方法得到了提高，证明了数据集可视化可行性和新模型的有效性，为未来研究提供了重要的数据和实验基础。

發(fā)表于：2024/5/27

硅基三维异构集成射频微系统的多物理场耦合仿真与设计[微波|射频][通信网络]

利用硅基三维异构集成工艺设计一款射频微系统，以满足设备对射频模组高性能、小型化的需求。为了在设计初期充分评估该微系统的潜在可靠性风险，根据工艺特征以及产品在多物理场中的耦合现象，建立一种面向硅基三维异构集成工艺射频微系统的多物理场一体化仿真流程，逐一分析所涉及的电-热耦合和热-力耦合过程，预判产品在工作条件下的热学和力学特性，为设计环节提供针对性的指导，预先规避可靠性风险，从而有效提高一次性设计成功率。

發(fā)表于：2024/5/27

探索模拟技术的重要作用[模拟设计][工业自动化]

模拟信号无处不在。在电子领域，模拟技术通过转换电压电平、感应或者精确测量或调节信号，助力各种应用在现实世界中稳定运行。小到助听器，大到数据中心的供电系统，模拟芯片是每个电子系统的重要组成部分。

發(fā)表于：2024/5/22

使用ROS1驱动程序来操控ADI Trinamic电机控制器[人工智能][工业自动化]

　　摘要　　“实现机器人操作系统——电机控制器ROS1驱动程序简介”一文中概述了新型ADI Trinamic™ 电机控制器（TMC）驱动程序，并讨论了将电机控制器集成到机器人操作系统（ROS）生态系统中的方法。TMC ROS1驱动程序支持TMC驱动层和应用层之间在ROS框架内无缝通信，且适用于它支持的各种TMC板。本文将深入探讨TMC ROS1驱动程序的功能，包括电机控制、信息检索、命令执行、参数获取以及对多种设置的支持。文中还概述了如何将电机控制器集成到嵌入式系统和应用中，从而利用ROS框架提供的优势。

發(fā)表于：2024/5/15

如何使用带有I2C和SPI解码的示波器排查系统问题[测试测量][工业自动化]

　　大多数基于微控制器的设计都使用I2C或SPI，或两者兼用，来实现控制器之间以及控制器与外围芯片之间的通信。当芯片发送特定的I2C或SPI数据包时，能够看到嵌入式系统内部的操作对于排除故障至关重要。许多管理相对较慢参数的芯片，如温度传感器、电机控制器、人机界面或电源管理等，都将这些总线作为与系统其他部分通信的主要手段。其他高速芯片，如通信集成电路、时钟和模数转换器，通常也通过这些总线进行配置。例如，在电源启动后排查冷却风扇问题时，查看发送到风扇控制器集成电路的SPI命令的时序和结构，以及风扇的驱动信号和电源，可能会有所帮助。

發(fā)表于：2024/5/15

兆芯推出AI训练推理一体解决方案[人工智能][工业自动化]

国产x86！兆芯打造AI训练推理一体方案双路64核心

發(fā)表于：2024/5/15

AI时代的传统网络安全之变[人工智能][信息安全]

AI是一把锋利异常的“双刃剑”。它在释放生产力，为人们提供高效便捷的同时，也带来了新的隐患。一旦AI被规模化、深度化的应用于网络攻击、电信诈骗等，那么其攻击力、破坏值将可能大到无法想象。

發(fā)表于：2024/5/14

何为需求规划的关键所在[人工智能][其他]

　　面对众多分散的销售渠道、繁杂的产品线以及更加难以预测的客户需求，包括消费品公司在内的各类企业面对着同一个棘手的问题——为何供应链总是无法跟上市场营销前端的速度？尽管许多企业已经采用了需求规划和预测系统，希望可以通过系统升级提高洞察力，以调整库存规模并保证每次都能按时足量交货。有些企业甚至与客户协作，将双方的订货和库存管理系统进行连接，以便根据当前库存水平协调采购请求，并更好地管理生产需求。尽管如此，这仍然未能帮助企业达成预期目标。

發(fā)表于：2024/5/11

论数字化“智力成果”保护向著作权法回归的正当性——以人工智能生成内容的保护路径选择为例[其他][信息安全]

现阶段数字化“智力成果”不断涌现，但著作权保护之正当性却遭遇了前所未有的挑战。以人工智能生成内容为例，无论是在保护对象上、权利主体上还是受控行为上都因为技术的强势介入而产生认定难题，进而产生了适用反不正当竞争法进行保护的倾向。但事实上，适用反不正当竞争法不仅无法达到预期效果，反而会因抵触著作权法而增加社会成本。经过进一步分析，可以发现人工智能生成内容等数字化“智力成果”之上存在创作模式、技术身份和使用行为性质的认识误区。当相关误区被纠正后，著作权法完全有能力对数字化“智力成果”提供充分保护并且实现作者利益与公众利益之间的平衡。因此，正确的做法是在外部明确著作权法、反不正当竞争法和公共领域的界限，在内部利用著作权法高效的利益平衡机制寻找适合数字化“智力成果”的保护模式。

發(fā)表于：2024/5/7

欧盟数据治理模式对我国数据要素开发利用的启示[其他][信息安全]

欧盟围绕数据资源开发利用经历了三个阶段的发展，构建形成了对全球影响极大、极具欧盟特色的数据治理路径，目前，欧盟正加快体系化实施数据战略，以推动壮大本土数字产业，形成与美、中抗衡的数字经济竞争力。欧盟数据战略主要包含健全数据管理机构、推动数据共享流通、建设数据基础设施以及建立数据治理规则等方面，在实践中取得了显著成效。立足我国数据要素开发利用中存在的数据流通交易不畅、数据价值挖掘不足以及安全保障仍待补强等问题，研究总结欧盟数据治理模式对我国的启示，旨在为数据要素探索实践提供参考。

發(fā)表于：2024/5/7

基于特征分析的智能网联汽车数据分级方法研究[通信与网络][信息安全]

当前，智能网联技术的发展使得汽车成为数据交互的重要载体，智能网联汽车所产生的数据量呈现指数型增长趋势，国家对于数据安全的重视程度也在不断加强。在此背景下，从行业实践角度出发，对我国当前数据安全监管现状、数据分级方法进行梳理，最后提出一种基于特征分析的数据分级方法，助力企业加强数据治理、满足政府合规要求。

發(fā)表于：2024/5/7

欧盟精细化数据立法下的数据保护与流通[其他][信息安全]

近年来欧盟数据领域的立法重点产生了一定的价值转向，欧盟法作为大陆法系的重要组成部分与我国法律体系一脉相承。研究欧盟数据立法进程所彰显的法治精神和价值导向对于我国数据治理工作具有一定借鉴意义。以欧盟有关数据治理的宪章、公约、条约、战略、法律与法案为分析文本，对欧盟系列规范性文本进行共时性与历时性的双维度研究以厘清其立法思路演变与路径选择。在研究过程中发现欧盟对于数据这一新型生产要素在被纳入法律视野中后而产生的数据权这一概念存在着从传统人格权向财产权的认知转变，进而梳理出欧盟从传统的数据保护转向数据流通与赋能的立法嬗变趋势，并得出对我国数据治理的三点启示：数据战略建构应追求结构体系化、数据权利创设应考虑利益多元化和数据流通模式设计应遵循场景类型化。

發(fā)表于：2024/5/7

生成式人工智能对个人信息保护的挑战与治理路径[人工智能][信息安全]

以ChatGPT为代表的生成式人工智能技术给各行各业带来颠覆性变革，但也引发个人信息泄露、算法偏见、虚假信息传播等个人信息侵权危机。传统“基于权利保护”的路径过于强调个人信息保护而阻碍人工智能产业的发展，“基于风险防范”的路径则更加凸显个人信息的合理利用价值，价值选择上更优。但以权利保护和风险保护共同治理，才能实现利益平衡并建立个人信息的长效保护机制。在个人信息处理规则上，以“弱同意”规则取代僵化严苛的知情同意规则；在目的限制原则上，以“风险限定”取代“目的限定”；在个人信息最小化原则上，以“风险最小化”取代“目的最小化”。在此基础上，进一步加强生成式人工智能数据来源合规监管，提升算法透明性和可解释性，强化科技伦理规范和侵权责任追究。

發(fā)表于：2024/5/7

复杂背景下小尺寸多角度人脸检测方法研究[通信与网络][信息安全]

为了提升复杂背景下小尺寸人脸检测精度，提出了一种人脸检测方法GhostNet-MTCNN。在多任务级联卷积神经网络（MTCNN）主干网络上，将占用计算资源的普通卷积进行舍弃，利用GhostNet网络中计算量更低的Ghost bottleneck模组替代卷积的作用，重新构建网络特征提取功能，从而搭建一个新的模型。实验结果表明，该方法可以有效平衡参数量和精度。在Easy、Medium、Hard三种验证集上，与MTCNN相比在参数量仅增加0.62M的前提下精度分别提升了 5.6%、6.6%、7.8%，与MobileNetV3-MTCNN相比在参数量减少1.27M的同时精度又分别提升了1.6%、0.8%、0.5%。该研究能够在复杂场景下提高模型对小尺寸、多角度人脸检测精度，同时也能够有效平衡参数量和检测精度使其成为在边缘设备部署中更优的选择。

發(fā)表于：2024/5/7

结合批规范化层的深度学习模型在水中目标识别中的应用[通信与网络][信息安全]

针对深度学习模型在训练水声样本数据时会出现稳定性差进而导致分类识别效果不佳的问题，从网络的局部连接、空间位置排列以及模型设计的角度出发，研究在原有一维序列卷积核与一维序列池化的基础上，引入批规范化层，构建了深度学习网络模型。通过归一化处理，达到加速网络模型的收敛过程以及提高训练过程中的稳定性的目的。最终为验证该模型的有效性，对3类水声目标样本数据进行网络训练和模型验证，证明该模型对水声目标数据分类识别有一定程度的性能提升。

發(fā)表于：2024/5/7