亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

近年來，以竊取敏感數據、破壞國家重要基礎設施為主要目標的高級持續威脅（Advanced Persistent Threat，APT）已經給國家安全帶來了嚴重的威脅。與可執行文件相比，惡意文檔具有涉及領域廣、影響范圍大、用戶防范意識不足、攻擊手段靈活多樣、難以檢測等諸多特點，已經成為實施APT攻擊的重要載體。因此有必要關注惡意文檔檢測已有的研究成果與發展趨勢。本文首先對文檔類型及其結構進行了解析，然后闡述了文檔的安全隱患、攻擊技術以及傳播途徑等。將當前惡意文檔檢測方法歸納為靜態檢測法、動態檢測法、動靜態結合檢測法以及其他相關研究等四類，分別對各類檢測方法的研究狀況、進展進行了分析和總結。最后，提出了當前惡意文檔檢測研究的性能評價方法，綜述了代表性的數據、檢測工具和平臺，并展望了未來的研究方向。

//jcs.iie.ac.cn/xxaqxb/ch/reader/view_abstract.aspx?file_no=20210304&flag=1

深度學習模型被證明存在脆弱性并容易遭到對抗樣本的攻擊,但目前對于對抗樣本的研究主要集中在計算機視覺領 域而忽略了自然語言處理模型的安全問題.針對自然語言處理領域同樣面臨對抗樣本的風險,在闡明對抗樣本相關概念的基 礎上,文中首先對基于深度學習的自然語言處理模型的復雜結構、難以探知的訓練過程和樸素的基本原理等脆弱性成因進行分析,進一步闡述了文本對抗樣本的特點、分類和評價指標,并對該領域對抗技術涉及到的典型任務和數據集進行了闡述;然后按 照擾動級別對主流的字、詞、句和多級擾動組合的文本對抗樣本生成技術進行了梳理,并對相關防御方法進行了歸納總結;最后 對目前自然語言處理對抗樣本領域攻防雙方存在的痛點問題進行了進一步的討論和展望.

//www.jsjkx.com/CN/article/openArticlePDF.jsp?id=19697

自動駕駛系統（autonomous driving system，ADS）是一種集成高精度傳感器、人工智能和地圖導航系統等模塊的信息—物理融合系統。該類系統中的自動駕駛軟件完成了從高級輔助駕駛到無人駕駛任務中關鍵的感知、定位、預測、規劃和控制任務。隨著深度學習和強化學習等人工智能技術的發展和車載硬件設備的不斷升級，高級別的自動駕駛軟件已經逐漸應用于多種安全攸關的場景中，保障其運行穩定性與可靠性的測試技術逐漸成為學術界和產業界的研究重點。本文在廣泛調研國內外文獻基礎上，對自動駕駛軟件測試技術進行了深入分析與梳理。結合自動駕駛軟件的架構特點及系統特征，討論了面向自動駕駛系統的仿真測試和實景測試，以及面向組件的測試技術。其中，在仿真方法方面，分析了軟件仿真、半實體仿真和在環仿真等技術；在仿真對象方面，討論了靜態環境仿真、動態場景仿真、傳感器仿真和車輛動力學仿真等。同時，本文介紹了當前實景測試的進展與情況，重點分析了實景測試案例中的得失優劣。在面向自動駕駛軟件組件的測試技術方面，重點討論了當前數據驅動技術在感知組件、決策規劃組件，以及控制組件測試方面的進展。最后，本文總結分析了自動駕駛軟件測試當前面臨的挑戰，并對未來自動駕駛軟件測試技術的研究方向和研究重點進行了展望。

機器視覺是建立在計算機視覺理論工程化基礎上的一門學科，涉及到光學成像、視覺信息處理、人工智能以及機電一體化等相關技術。隨著我國制造業的轉型升級與相關研究的不斷深入，機器視覺技術憑借其精度高、實時性強、自動化與智能化程度高等優點，成為了提升機器人智能化的重要驅動力之一，并被廣泛應用于工業生產、農業以及軍事等各個領域。在廣泛查閱相關文獻之后，針對近十多年來機器視覺相關技術的發展與應用進行分析與總結，旨在為研究學者與工程應用人員提供參考。首先，總結了機器視覺技術的發展歷程、國內外的機器視覺發展現狀；其次，重點分析了機器視覺系統的核心組成部件、常用視覺處理算法以及當前主流的機器視覺工業軟件；然后，介紹了機器視覺技術在產品瑕疵檢測、智能視頻監控分析、自動駕駛與輔助駕駛與醫療影像診斷等四個典型領域的應用；最后分析了當前機器視覺技術所面臨的挑戰，并對其未來的發展趨勢進行了展望。希望為機器視覺技術的發展和應用推廣發揮積極作用。

摘要： 在5G時代,大規模物聯網應用對網絡架構提出了異構性、可擴展性、移動性和安全性四大挑戰。基于TCP/IP的網絡架構存在IP標識與位置綁定的二義重載問題,難以應對這四大挑戰。命名數據網絡(Named Data Networking,NDN)將內容作為第一語義,具有網絡層和應用層邏輯拓撲一致性。NDN對這四大挑戰的支持分別體現在:網絡層命名屏蔽了底層異構細節,端到端解耦及網絡層緩存使得NDN天然支持多對多通信和廣播,消費者驅動的通信模式為消費者移動性提供原生支持,面向內容的內生安全更輕量可信。文中總結了基于NDN構建物聯網亟待解決的問題,并對NDN與邊緣計算、軟件定義網絡和區塊鏈結合來構建邊緣存儲和計算模型、集中式與分布式結合的控制模型、分布式安全模型提出了展望。

摘要： 近年來,隨著深度學習的快速發展,面向自然語言處理領域的預訓練技術獲得了長足的進步。早期的自然語言處理領域長期使用Word2Vec等詞向量方法對文本進行編碼,這些詞向量方法也可看作靜態的預訓練技術。然而,這種上下文無關的文本表示給其后的自然語言處理任務帶來的提升非常有限,并且無法解決一詞多義問題。ELMo提出了一種上下文相關的文本表示方法,可有效處理多義詞問題。其后,GPT和BERT等預訓練語言模型相繼被提出,其中BERT模型在多個典型下游任務上有了顯著的效果提升,極大地推動了自然語言處理領域的技術發展,自此便進入了動態預訓練技術的時代。此后,基于BERT的改進模型、XLNet等大量預訓練語言模型不斷涌現,預訓練技術已成為自然語言處理領域不可或缺的主流技術。文中首先概述預訓練技術及其發展歷史,并詳細介紹自然語言處理領域的經典預訓練技術,包括早期的靜態預訓練技術和經典的動態預訓練技術;然后簡要梳理一系列新式的有啟發意義的預訓練技術,包括基于BERT的改進模型和XLNet;在此基礎上,分析目前預訓練技術研究所面臨的問題;最后對預訓練技術的未來發展趨勢進行展望。

【簡介】在智能交通系統中交通預測扮演著重要的角色。精準的交通預測有助于優化通行路線，指導車輛調度，緩解交通擁堵。由于道路網絡中不同區域之間復雜且動態的時空依賴關系，這一問題具有很大挑戰性。最近幾年，有大量的研究工作推進了這一領域的發展，提高了交通系統預測交通的能力。這篇論文對于近些年的交通預測發展提供了一個全面的綜述。具體來說，我們對目前的交通預測方法進行了總結，并且對它們進行了分類。然后，我們列舉了應用交通預測的常見領域，以及這些應用任務的最新進展。同時，我們也收集和整理了幾個相關的公共數據集，并分別在兩個數據集上通過對相關的交通預測方法的表現進行了評估。最后，我們對這一領域未來的發展方向進行了探討。

題目： Convergence of Edge Computing and Deep Learning: A Comprehensive Survey

簡介： 來自工廠和社區的傳感器和智能設備正在生成大量數據，而不斷增長的計算能力正在將計算和服務的核心從云端驅動到網絡邊緣。作為廣泛改變人們生活的重要推動力，從人臉識別到智能工廠和城市，基于人工智能（尤其是深度學習，DL）的應用程序和服務的發展正在蓬勃發展。但是，由于效率和延遲問題，當前的云計算服務體系結構阻礙了“為每個地方的每個人和每個組織提供人工智能”的愿景。因此，使用在數據源附近的網絡邊緣的資源來釋放DL服務已經成為一種理想的解決方案。因此，旨在通過邊緣計算促進DL服務部署的邊緣智能已引起了廣泛關注。此外，作為人工智能的代表技術的DL可以集成到邊緣計算框架中，以構建用于動態，自適應邊緣維護和管理的智能邊緣。關于互惠互利的邊緣智能和智能邊緣，本文介紹和討論：1）兩者的應用場景； 2）實際的實現方法和使能技術，即定制邊緣計算框架中的DL訓練； 3）現有挑戰以及更普遍，更精細的智能化趨勢。通過整合散布在通信，網絡和DL領域的信息，可以幫助讀者理解支持技術之間的聯系，同時促進對邊緣智能與智能邊緣融合的進一步討論。