AutoBlur_CNN_Features 基于以下代码： ： 脚本，用于提取具有不同ConvNet的CNN深度特征，然后将其用于具有线性核的SVM分类器的图像分类任务，涉及以下小型数据集：足球[1]，飞鸟[2]，17flowers [3]，ImageNet-6Weapons [4]和ImageNet-7节肢动物[4]。 使用VGG16提取的功能或MobileNet进入SVM分类器。 允许比较使用完整图像或使用AutoBlur方法过滤之间的差异 随代码一起提供了Soccer数据集，因此可以轻松对其进行测试： 足球：原始图像 SoccerAutoBlurBB：应用AutoBlur过滤技术并使用相应的边界框裁剪后的原始图像 参考： [1]范德·韦耶尔（J. van de Weijer），施密德（C. Schmid），着色局部特征提取，Proc.Natl.Acad.Sci.USA。

ISOSAE DIS 21434Road vehicles — Cybersecurity engineering

Cybersecurity Data Science.pdf Cybersecurity Data Science.pdf Cybersecurity Data Science.pdf

网络安全规范

Cybersecurity Ops with bash Attack, Defend, and Analyze from the Command Line

he Practical, Comprehensive Guide to Applying Cybersecurity Best Practices and Standards in Real Environments In Effective Cybersecurity, William Stallings introduces the technology, operational procedures, and management practices needed for successful cybersecurity. Stallings makes extensive use of standards and best practices documents that are often used to guide or mandate cybersecurity implementation. Going beyond these, he offers in-depth tutorials on the “how” of implementation, integrated into a unified framework and realistic plan of action. Each chapter contains a clear technical overview, as well as a detailed discussion of action items and appropriate policies. Stallings offers many pedagogical features designed to help readers master the material: clear learning objectives, keyword lists, review questions, and QR codes linking to relevant standards documents and web resources.

安全分析模型 HEAVENS。 This deliverable (D2 Security models, Release 2, Version 2.0) presents the results and achievements of work package WP2 (Security models) of the HEAVENS project.

3.2 试验设计与初始样本选择 代理优化算法的第一步是选择初始样本点， 并建立初始代理模型。虽然理论上可以像梯度优 化算法那样只给出一个初始点，但针对全局优化 问题，更好的方法是通过试验设计选取一组样 本。 试验设计（DoE）的思想是通过选取 少的 样本点，使获取的关于未知设计空间的信息 大 化。Giunta 等人在文献[39]中将 DoE 方法分为两 类：经典试验设计和现代试验设计方法。经典试 验设计方法包括全因子设计、中心组合设计 （CCD）、Box-behnken 设计、D 优化（D- Optimal）方法等。经典试验设计方法主要用于安 排仪器实验,并考虑到如何减小实验随机误差的影 响。现代试验设计方法包括拟蒙特卡洛方法、准 蒙特卡洛方法、拉丁超立方（LHS）、正交试验 设 计 （ OAD ） 、 哈 默 斯 利 序 列 采 样 方 法 （HSS）。我国方开泰教授发明的均匀设计 （UD[40]）也属于现代试验方法的范畴。现代试 验设计主要采用“空间填充”的思想，用于安排 确定性的计算机试验，其中尤以拉丁超立方和均 匀设计方法比较流行（如图 5）。 不同试验设计方法选取的样本点不同，导致 初始代理模型的近似精度不同，从而对代理优化 的效率有影响。同样影响优化效率的是初始样本 点的数目。文献[31]和[37]讨论了样本点数的选 择。对于传统代理模型优化方法，必须使代理模 型具有足够精度。因而一般初始样本点数与后期 增加的样本点数的比值在 2：1 以上。例如对于 二次响应面方法，对于 m 维问题的初始样本点数 必须大于 m(m+1)/2。而对于基于 kriging 模型的 代理优化算法，初始样本点数理论上不受设计空 间维数的限制，且优化效率对初始样本点数的依 赖也并不明显。一般情况下初始样本点数与后期 增加的样本点数之比在 1：2 以下。 v1 v 2 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 v1 v 2 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 图 5 采用拉丁超立方（左图）和均匀设计（右图）针 对 2 维设计空间选择的 25 个样本点示意图 Fig. 5 Schematics of 25 sample points selected by Latin hypercube sampling (left) and uniform design (right) for a 2-D problem 3.3 优化加点准则及其子优化求解 建立初始代理模型后，下一步是通过一定的 法则循环选择新的样本点，直到优化收敛。所谓 “优化加点准则” [15][31][71][106] ，是指如何由所建 立代理模型去产生新的样本点的法则或规则。所 谓“子优化”，是相对主优化而言，是指采用传 统优化算法求解由加点准则所确定的优化问题， 得到新的样本点的过程。主优化加点循环中的每 一步，都要进行一次完整的子优化迭代，直到子 优化收敛。但由于在子优化中，无需访问精确数 值分析，因此计算时间可以忽略。 针对基于 kriging 模型的代理优化算法，国 际上已经发展了多种加点准则 [31][106][107] ，包括 MSP 准则[15][108]、EI 准则[15][20][74]、PI 准则[106] [107][109] 、 MSE 准 则 [106][109] 、 LCB 准 则 [75] [106][107] 。为了说明这 5 种常见加点准则的原理和 子优化问题的建立，下面以某一维函数为例，采 用 4 个样本点 T[0,0.4,0.6,1.0]S 建立 kriging 模 型。该一维函数来自文献[31]，表达式为： ( ) sin( ), [ , ]   y x x x26 2 12 4 0 1 (57) 3.3.1 小化代理模型预测准则 (MSP, minimum of surrogate prediction) 该方法是 简单、 直接，也是 早被采用 的方法 [15][106]-[110] 。其原理是直接在代理模型上寻 找目标函数的 小值。带约束的子优化问题数学 模型如下：

NIST_Cybersecurity_Framework_CSF，是一个网络安全框架，它也为用户在云上定位安全建设阶段和安全建设起点，还可以通过CSF框架，帮助云用户提升云安全的综合保障和防御和响应等能力

网络钓鱼网站检测：使用神经网络检测网络钓鱼网站的实验