加入收藏 | 设为首页 | 会员中心 | 我要投稿 淮南站长网 (https://www.0554zz.cn/)- 管理运维、图像技术、智能营销、专属主机、5G!
当前位置: 首页 > 站长资讯 > 外闻 > 正文

人工智能正在误导我们的广告

发布时间:2021-02-15 16:36:42 所属栏目:外闻 来源:互联网
导读:随着5G的到来,数据的发送和处理已移至网络的边缘。这种边缘计算对业务意味着什么?优势、机遇和威胁在哪里? 对于移动提供商而言,这意味着他可以为客户提供新服务;它可以降低对时间要求严格的应用程序的延迟,并减少网络上回程所需的数据量。不利之处在于,

随着5G的到来,数据的发送和处理已移至网络的边缘。这种边缘计算对业务意味着什么?优势、机遇和威胁在哪里?

对于移动提供商而言,这意味着他可以为客户提供新服务;它可以降低对时间要求严格的应用程序的延迟,并减少网络上回程所需的数据量。不利之处在于,扩大这些服务的成本,空间和能源以及冷却能力难以适应现有位置。

 

Peniot功能介绍

随着物联网设备数量的急剧增加,物联网设备在我们的日常生活中越来越普遍。智能家居、智能自行车、医疗传感器、健身跟踪器和智能门锁等等只是物联网产品的几个例子。考虑到这一点,我们认为有必要选择一些最常用的物联网协议默认植入到Peniot中。我们选择以下协议作为Peniot中包含的默认IoT协议,这些物联网协议可以嵌入到各种类型的安全攻击之中,如DoS、模糊测试、嗅探攻击和重放攻击等等。

当前版本的Peniot支持以下协议:

  • 高级消息队列协议(AMQP)
  • 低功耗蓝牙协议(BLE)
  • 受限应用协议(CoAP)
  • 消息队列遥测传输协议(MQTT)

除此之外,Peniot还支持研究人员导入自己的外部协议来实现针对其他协议的攻击测试。别忘了,Peniot还给我们提供了一个易于使用且用户友好的图形化用户界面。

构建命令

首先,我们需要安装Python的setuptools模块,并安装python-tk和bluepy

简而言之,我们需要在安装和运行Peniot之前,配置好下列组件:

 

持此之外,Peniot还可以为研究人员进一步注入新的安全攻击或新的物联网协议提供了一个基础架构。Peniot最重要的特性之一就是它的可扩展性,默认配置下,它支持针对常简物联网协议和其他相关协议的安全攻击测试。而且它还可以通过导出内部使用组件的基本结构来进行功能扩展,这样我们就可以开发与Peniot内部结构相协调的攻击测试了。

Peniot的作用

物联网模式在过去十年经历了巨大的变化,目前已经有数十亿设备连接到了互联网上。由于容量限制,大多数设备甚至缺乏基本的安全保护措施,而且由于上市时间短,设计时没有考虑安全性,因此很多设备都存在安全问题。由于物联网的高连通性,黑客很容易通过存在漏洞的设备发起对扩展网络具有破坏性影响的攻击。

到目前为止,针对物联网的渗透测试都是手工完成的。这个过程使得设备的测试过程非常缓慢。另一方面,生产物联网设备的公司需要不断更新升级其设备的可靠性、健壮性以及所提供的功能,以防止安全攻击对用户造成意想不到的影响。Peniot的主要目的是加快安全测试的进程,它可以帮助研究人员通过自动化渗透测试来找出物联网设备中存在的安全缺陷。

 

模型解释技术
 
主要有三个方面,一是模型本身的解释性,例如线性回归,决策树等,模型结构简单,根据其原理,可以直接对预测结果,特征使用等方面给出解释。另外一些复杂模型,例如 EBM,神经网络,Bayesian rule lists,SLIMs 等,也可以利用一些本身的特性给出一些解释,例如 GradCAM 方法等。二是模型无关的解释方法,包括经典的 PDP,ICE 等特征图,LIME 等 surrogate model 方法,以及基于博弈论的 Shapley 方法。三是基于 sample 的解释方法,例如 conterfactual explanations,adversarial examples,prototypes,influential instances,kNN 等,不过看起来这类方法对于计算的开销一般都会比较大,不太容易在工程中实现落地。这方面的资料可以学习《Interpretable Machine Learning》和《Explainable AI》(关于深度学习的内容会更多)。另外学术界也有很多前沿探索,比如针对模型解释的降维工作,自动的时间序列分析及报告生成,因果模型,模型公平性及社会影响等方面,可以保持关注。
 

 

  • 自我考核:理解 LIME,Shapley 的运作原理,并分析其局限性,尝试提出改进方案。

 

 
模型解释应用
 
从工具框架方面,有许多可以使用的开源项目,例如微软的 interpret,eli5,shap,AIX360 等。另外也有一些非传统意义上的模型解释,例如 manifold,tensorboard 这类模型 debugging 工具,自动化的误差分析与模型改进方案,因果模型框架,模型公平性评估与纠正工具等,都可以涵盖在广义的模型解释领域中。在工具基础上,如何结合业务领域知识,给出更有针对性的解释方案,也是值得思考深挖的方向。
 

 

  • 自我考核:使用 shap,eli5 等工具来进行模型解释,并在此基础上形成面向开发者的模型 debug,误差分析及改进方案,或形成面向业务的 what-if 分析看板。

 

 
总结
 
目前机器学习应用领域还在高速发展与演进过程中,除了上述提到的技能方向,后续很可能会不断有新的主题引入进来,需要练就快速学习并应用落地的能力。在掌握前面编程,软件工程,机器学习的基础上,后半部分的研究方向,大家可以根据个人兴趣,选择几个进行深入探索与实践。仅阅读相关书籍和文章,只能对知识内容有一个初步的认识,必须要通过深入的动手实践,反复试错思考和修正,才能逐渐内化为自己的技能,并构建起较为坚实的知识体系。


(编辑:淮南站长网)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!

    热点阅读