در آینده ، منسوجات رباتیک نرم مبتنی بر منسوجات هوشمند می توانند توسط سربازان ، آتش نشانی و امدادگران پوشیده شوند تا به آنها کمک کنند تا زمین های دشوار را طی کنند و به مقصدشان تازه برسند تا بتوانند وظایف مربوطه را به طور مؤثرتر انجام دهند. آنها همچنین می توانند به ابزاری قدرتمند برای افزایش تحرک و کیفیت زندگی برای افرادی که از اختلالات عصبی و برای سالمندان رنج می برند ، تبدیل شوند.

تیم کونور والش در موسسه ویس بیولوژیکی مهندسی در دانشگاه هاروارد و دانشگاه هاروارد جان مدرسه پالسون مهندسی و علوم کاربردی (دریاها) الهام گرفته شده است در خط مقدم در حال توسعه دستگاه های مختلف نرم پوشیدنی رباتیک است که پشتیبانی تحرک با استفاده بوده است نیروهای مکانیکی به مفاصل بحرانی بدن ، از جمله در مفاصل مچ پا یا لگن ، یا در صورت وجود اگزوزوت نرم چند مفصل ، هر دو. آژانس پروژه های تحقیقاتی پیشرفته دفاعی (دارپا) به دلیل پتانسیل موجود برای رهایی از لحیم کاری های سنگین در این زمینه ، تلاش های این تیم را به عنوان بخشی از برنامه وب سابق جنگجو سرمایه گذاری کرد.

در حالی که محققان ثابت کرده اند که نسخه های آزمایشی مبتنی بر آزمایشگاه می توانند مزایای واضحی را برای استفاده کنندگان فراهم کنند ، به آنها امکان می دهد هنگام راه رفتن و دویدن ، انرژی کمتری مصرف کنند ، اما نیاز به اکسسوری های کاملاً پوشیدنی وجود دارد که برای استفاده در دنیای واقعی مناسب است.

حال این تیم در مطالعه‌ای که درمورد کنفرانس بین المللی رباتیک و اتوماسیون IEEE 2018 (ICRA) گزارش شده است ، این تیم آخرین نسل خود را از Exosuit چند مشترک تلفن همراه ارائه کردند که در تمامی جبهه ها بهبود یافته و در این زمینه آزمایش شده است. راهپیمایی طولانی بر روی زمین ناهموار. محققان با استفاده از همان Exosuit در مطالعه دوم منتشر شده در مجله NeuroEngineering and Rehabilitation ( JNER ) ، یک روش تنظیم خودکار را برای شخصی سازی کمک های خود بر اساس چگونگی واکنش بدن یک فرد به آن ، تهیه کردند و پس انداز انرژی قابل توجهی را نشان دادند.

Exosuit نرم چند مفصلی از اجزای پوشاک نساجی است که در کمر ، ران و گوساله پوشیده شده است. از طریق سیستم تحریک بهینه شده موبایل که در نزدیکی کمر پوشیده شده و در یک کوله پشتی نظامی ادغام شده است ، نیروهای مکانیکی از طریق کابل هایی که از طریق اجزای نرم اکسسوزیت به مفاصل مچ پا و لگن منتقل می شوند منتقل می شوند . به این ترتیب ، اگزوزیتو برای کمک به حرکات پا در چرخه راه رفتن ، به مچ پا و باسن می افزاید.

وی گفت: "ما در این نسخه جدید از Exosuit نرم چند مشترک ، همه مؤلفه ها را به روز کردیم: پوشاک بسیار کاربرپسند ، آسان برای قرار دادن و قرار گرفتن در فرم های مختلف بدن است ؛ این حالت تحریک استحکام تر ، سبک تر ، ساکت تر و کوچکتر است ؛ و دیوید پری ، مؤلف مطالعه ICRA و یک مهندس کارکنان در تیم والش گفت: "سیستم کنترل به ما امکان می دهد نیروهایی را روی باسن و مچ پا قوی تر و مداوم اعمال کنیم." به عنوان بخشی از برنامه DARPA ، این نمایشگاه با همکاری آزمایشگاه های تحقیقاتی ارتش در آبردین ، ​​MD ، به صورت میدانی آزمایش شد ، جایی که سربازان یک مسیر متقاطع 12 مایل را طی کردند.

"ما قبلاً نشان داده بودیم که می توان از روش های بهینه سازی آنلاین استفاده کرد که با تعیین میزان صرفه جویی در مصرف انرژی در آزمایشگاه ، به طور خودکار پارامترهای کنترل را در بین پوشیدگان مختلف جدا می کنند. با این وجود ، ما به ابزاری برای تنظیم سریع و کارآمد پارامترهای کنترل به دستاوردهای مختلف سربازان نیاز داشتیم. ارتش خارج از آزمایشگاه ، "گفت: والش ، دکترا ، عضو هیئت علمی هسته انستیتوی Wyss ، جان ال Loeb استادیار مهندسی و علوم کاربردی در SEAS و بنیانگذار آزمایشگاه Biodesign هاروارد.

در مطالعه JNER ، تیم روش تنظیم جدید و جدیدی را ارائه دادند که از حسگرهای اگزوزوتیشن برای بهینه سازی نیروی مثبت تحویل یافته در مفاصل مچ پا استفاده می کند. هنگامی که یک پوشنده شروع به راه رفتن می کند ، سیستم قدرت را اندازه گیری می کند و به تدریج پارامترهای کنترل کننده را تنظیم می کند تا اینکه آنهایی را پیدا کند که بر اساس مکانیک راه رفتن فردی پوشنده ، اثرات exosuit را به حداکثر برساند . این روش می تواند به عنوان یک پراکسی برای اندازه گیری انرژی دقیق استفاده شود.

وی ادامه داد: ما در هفت شرکت کننده در مطالعه که پارامترهای متابولیکی را انجام داده اند ، پوشیده از پارامترهای متابولیکی بودیم که تحت روند تنظیم قرار گرفتند و دریافتیم که این روش در مقایسه با راه رفتن بدون وسیله و در حدود 22٪ نسبت به راه رفتن با دستگاه هزینه متابولیک پیاده روی را کاهش می دهد. سانجون لی ، نخستین نویسنده هر دو مطالعه و دانشجوی فارغ التحصیل با والش در SEAS گفت: "

"این مطالعات نشان دهنده اوج هیجان انگیز تلاشهای ما توسط بودجه دارپا است. ما اکنون در حال بهینه سازی این فناوری برای مصارف خاص در ارتش هستیم که در آن حرکات پویا مهم است ؛ و ما برای کمک به کارگران در کارخانه هایی که کارهای فیزیکی سخت را انجام می دهند ، بهینه سازی می کنیم." گفت والش. "علاوه بر این ، این زمینه به رسمیت شناخته شده است که هنوز هم چیزهای زیادی در مورد علم اساسی سازگاری انسانها و روبات های پوشیدنی وجود دارد. ضعیف در معرض خطر برای سازگاری با آنها و بهره‌مندی از کمک آنها ".

 http://ztndz.com/story7351508/قیمت-آکومولاتور

نام آن مخفف اختصاری است که برای انتقال اندازه آن استفاده می شود ، اما محققان دانشکده مهندسی کرنل و ویل کرنل پزشکی امیدوارند که تأثیر دستگاه تشخیص سرطان سرطان در جهان در حال توسعه بسیار کوچک باشد.

تقریباً نیمی از اندازه یک جعبه ناهار ، سیستم کوچک سازی اسید نوکلئیک ایزوترمال کوچک Tiny (یا TINY) وعده داده شده است به عنوان یک آشکارکننده نقطه مراقبت از تبخال مرتبط با سارکوم Kaposi (KSHV) در تنظیمات با منبع محدود مانند زیر صحرای آفریقا آزمایش های اولیه حدود 94 درصد با روش های سنتی مطابقت داشته و نتایج به جای هفته ها در چند ساعت حاصل می شود.

TINY توسط تیمی به سرپرستی دیوید اریکسون ، استاد دانشکده مهندسی مکانیک Sibley و دکتر Ethel Cesarman ، دکتر آسیب شناسی و پزشکی آزمایشگاهی در پزشکی ویل کورنل پزشکی تهیه و تنظیم شد ، TINY اهداف خود را در اولین دور از بودجه مؤسسات ملی بهداشت انجام داد. . این تیم در نظر دارد آزمایشات گسترده را طی چند سال آینده انجام دهد.

نتایج آزمایش میدانی تیم از دستگاه در سال 2017 در اوگاندا به تفصیل در مقاله ، "یک دستگاه قابل حمل برای تعیین اسید نوکلئیک با پشتیبانی از نور خورشید ، شعله یا الکتریسیته" منتشر شده است که در 11 سپتامبر در مهندسی طبی زیست پزشکی انجام شد . رایان اسنودگراس ، دانشجوی دکترای آزمایشگاه اریکسون و آندره گاردنر ، تکنسین محقق در پزشکی ویل کورنل پزشکی ، نویسندگان اول و دوم هستند.

کاپوسی سارکوم (KS) سرطانی است که در لنفاوی یا رگهای خونی ایجاد می شود و معمولاً به صورت ضایعات روی پوست ، داخل دهان یا داخل بدن ظاهر می شود. چهار نوع بیماری وجود دارد. بیماری همه گیر یا بیماری ایدز ، KS در شبه صحرای آفریقا شایع ترین و تعریف کننده ایدز است. این بدان معناست که وقتی فردی به ویروس HIV مبتلا به KS تشخیص داده می شود ، آنها به طور رسمی ایدز دارند.

تشخیص زودهنگام منجر به نتایج بهتری می شود ، اما همیشه در جهان در حال توسعه امکان پذیر نیست ، جایی که آزمایش پاتولوژیک می تواند یک تا دو هفته طول بکشد. اریکسون گفت: "مشکلی در تشخیص آن وجود دارد." "تعدادی از موارد شبیه KS هستند ... و زمان لازم برای تشخیص سنتی ، یک تا دو هفته ، آن را سخت می کند."

TINY توانایی تولید نتایج تقریباً در 2 ساعت را نشان داده است.

اکنون TINY در نسل سوم خود ، تقویت ایزوترمال حلزونی (LAMP) را برای اندازه گیری اسید نوکلئیک انجام می دهد. این نیاز به گرم کردن نمونه تا 154 درجه دارد ، که به منبع انرژی نیاز دارد.

یکی از مهمترین مزایای TINY: این می تواند گرمای حاصل از برق ، خورشید و حتی مشعل بنزن را جمع آوری و ذخیره کند و حتی در هنگام قطع موقت برق کار کند ، که سه مورد در طول آزمایش در اوگاندا رخ داده است. انعطاف پذیری قدرت TINY از اهمیت زیادی برخوردار است زیرا در بسیاری از کشورهای زیر صحرای آفریقا امکانات مراقبت های بهداشتی دسترسی به برق قابل اعتماد ندارند.

برای مطالعه ، تیم اریکسون نمونه های بیوپسی را از 71 بیمار در اوگاندا که مظنون به داشتن KS بودند ، جمع آوری و نمونه ها را با TINY و همچنین از طریق واکنش زنجیره ای پلیمراز کمی (qPCR) ، استاندارد فعلی برای تعیین اسید نوکلئیک آزمایش کرد. توافق بین TINY و qPCR 94 درصد (67 از 71) بود ، و تیم نشان داد که تمام اختلافات ناشی از محدودیت سنجش است و نه توانایی TINY.

نه تنها TINY را می توان به مکانهای دوردست برای استفاده از مراقبت از نقاط منتقل کرد ، بلکه می تواند در کلینیک ها و بیمارستان هایی که توان الکتریکی غیر قابل اعتماد هستند نیز با ارزش باشد. "هر دو برنامه می توانند تشخیص اسید نوکلئیک را قادر سازند تا به بیشتر جمعیت در [کشورهای کم درآمد و متوسط» برسد. "

سزارمان گفت: "به عنوان یک پاتولوژیست که می داند گاهی اوقات تشخیص بیماری چقدر دشوار است ،" همکاری با مهندسین که دستگاه جدیدی درخشان را اختراع کرده اند بسیار ساده است و باعث می شود تا بتوانید تشخیص کمتری از KS را در کمتر از آن انجام دهید یا از آن دور شوید. بیش از سه ساعت از زمان انجام بیوپسی. "

کارهای آینده در مورد TINY شامل گسترش آزمایش به مکان های بیشتر در آفریقا ، آمریکای جنوبی و ایالات متحده و تهیه یک برنامه تجاری سازی است. این گروه از طریق مرکز صدور مجوز فناوری کرنل درخواست حمایت از ثبت اختراع را داده است.

اریکسون و سزارمان تقریباً پنج سال پیش کار روی این دستگاه را آغاز کردند. اریکسون گفت: "جایی که ما اکنون هستیم ،" فراتر از بهترین سناریویی است که می توانستم هنگام نوشتن این پیشنهاد تصور کنم. "

و اسنودگراس ، که دو بار به آزمایش TINY در اوگاندا رفته است ، گفت: "ساختن وسیله ای بسیار مناسب است ، آن را به آنجا ببرید و ببینید که این مورد در بیماران واقعی استفاده شده است."

 http://dirstop.com/story5844697/قیمت-آکومولاتور

مقامات با شهر زولله هلندی از افتتاح مسیر دوچرخه جدید ساخته شده با استفاده از پلاستیک بازیافتی خبر داده اند. مسیر دوچرخه بخشی از تلاشهای سراسر کشور برای بازیافت بیشتر محصولات نهایی کاربر است. مسیر دوچرخه با استفاده از یک طراحی ماژولار به نام PlasticRoad توسط یک شرکت لوله سازی به نام Wavin ساخته شده است.

ایده مسیر دوچرخه توسط آن Koudstaal و Simon Jorritsma که برای KWS کار می کنند - یک شرکت سازنده جاده ساخته شد. KWS و Wavin در طراحی مفهوم PlasticRoad توسط غول نفتی توتال پیوستند.

مسیر دوچرخه 30 متر طول دارد و از Verenigingstraat تا Lindestraat در Zwolle می گذرد. مقامات Wavin گزارش می دهند که ماژول هایی که مسیر دوچرخه را تشکیل می دهند از معادل پلاستیک نیم میلیون پلاستیکی استفاده می کننددرپوش بطری و تقریباً 218،000 فنجان پلاستیکی. پلاستیک بازیافت شده حدود 70 درصد از مواد PlasticRoad را تشکیل می داد. این ماژول ها با استفاده از یک طرح توخالی ایجاد شده اند - در قسمت بالای آن سطح جاده است - در زیر آن یک منطقه توخالی قرار دارد که می تواند برای تخلیه استفاده شود. یک قاب قسمت های بالا و پایین را در کنار هم نگه می دارد. محققان همچنین سنسورهای موجود در بخش توخالی را برای شمارش ترافیک و نظارت بر فرسودگی هر ماژول اضافه کردند. نصب قطعه ای از مسیر جاده یا مسیر دوچرخه با خاکبرداری از زمین و سپس گذاشتن ماژول ها یک به یک انجام می شود. سپس هر ماژول به متراژهای مجاور وصل می شود تا سواری بی نظیر برای دوچرخه سواران فراهم شود. مقامات Wavin ادعا می کنند نصب ماژول ها بسیار آسان است ، بسیار سبک و از ماندگاری بیشتری نسبت به آسفالت دارند. آنها با روش های تولید مدور ساخته می شوند ، به این معنی که وقتی یک ماژول از بین می رود ،

هلند مکان مهمی برای چنین مسیر دوچرخه سواری است ، دوچرخه سواری در آنجا بسیار محبوب است - این کشور تنها 17 میلیون نفر 22 میلیون دوچرخه دارد. و دوچرخهسواران از زیرساخت های وسیعی که برای استفاده آنها استفاده می شود پشتیبانی می شوند - برای مثال ، شهر آمستردام تقریباً 800 کیلومتر مسیر دوچرخه دارد.

مقامات با واوین گزارش دادند كه قرار است مسیری برای دوچرخه دوم در شهر گیتهورن نصب شود - هر دو پروژه آزمایشی برای آزمایش ایده استفاده از پلاستیک قابل بازیافت برای ساختن مسیرهای دوچرخه و شاید جاده های جاده ای است.

 http://opensocialfactory.com/story4694823/قیمت-آکومولاتور

محققان دانشگاه Queen of Belfast (QUB) و دانشگاه Duy Tan (DTU) مشغول همکاری در پروژه ای با هدف بهبود سیستم های ارتباطی وسایل نقلیه هوایی بدون سرنشین (پهپاد) بودند. تحقیقات آنها جوایز نیوتن 2017 را دریافت کرده و 200000 پوند از طرف دولت انگلیس برای توسعه سیستم ارتباطی جدید دریافت کرده است که می تواند در شرایط جوی شدید و در مواقع بلایای طبیعی کار کند.

بین سال های 2015 و 2017 ، همان تیم محققان مشغول کار روی پروژه ای بودند که توسط کمک مالی نیوتون و با کمک شورای انگلیس اداره می شد ، تحت عنوان "ایجاد یک پایه برای جوامع شبکه ای توسعه پایدار برای شهرهای فردا" اداره می شدند. این پروژه با هدف بهره‌گیری از فناوری و زیرساختهای بی سیم معاصر برای برآورده کردن مطالبات مربوط به اتصال در زمینه بلایای طبیعی در ویتنام انجام شده است.

Trung Duong ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: "ما پس از اتمام موفقیت آمیز پروژه خود در آوریل 2017 ، از ما دعوت شد تا نتایج و برنامه های آینده خود را به فراخوان دریافت جایزه نیوتن 2017 برسیم." "از حدود 200 پروژه صندوق نیوتن ارسال شده ، پروژه ما در 5 برنده گذشته قرار داشت. ما مفتخریم كه جوایز نیوتن 2017 را به دست آوردیم و همچنان با استفاده از وسایل نقلیه هوایی بدون سرنشین (پهپادها) در ماموریت مهم ، پروژ خود را به مرحله بعدی توسعه می دهیم. ارتباطات برای مدیریت حوادث. "

در مواقع شرایط شدید آب و هوایی یا در هنگام بروز بلایای طبیعی ، فناوری می تواند تفاوت زیادی را ایجاد کند و به نجات جان افراد و کمک به افرادی که در مناطق آسیب دیده زندگی می کنند کمک می کند. پهپادها می توانند در این امر نقش اساسی داشته باشند ، زیرا می توانند برای دستیابی به طرف های درگیر و حمل منابع با ارزش کمک کنند.

در مطالعه اخیر خود را، که در منتشر شد IEEE بی سیم نامه ارتباطات و در آرشیو قبل از منتشر شده ، محققان در زمان واقعی الگوریتم تخصیص منابع است که می تواند بهره وری انرژی برای ارتباطات جاسازی شده در داخل پهپاد حداکثر رساندن توسعه یافته است. الگوریتم آنها با بهینه سازی زمان برداشت انرژی و کنترل قدرت برای ارتباطات دستگاه به دستگاه (D2D) بین پهپادها کار می کند.

دوونگ توضیح داد: "بهینه سازی برای هر مشکلی در تصمیم گیری ، خواه در مهندسی ، اقتصاد و جامعه ، اساسی است." "در ارتباطات بی سیم ، اغلب از تکنیک های بهینه سازی برای انتخاب و یا به روزرسانی پارامترهای سیستم ، برای بهینه سازی عملکرد شبکه استفاده می شود.

روش های بهینه سازی محدب سنتی در حال حاضر هنوز گران هستند و اجرای آنها می تواند بسیار زمان بر باشد. این امر مستلزم ایجاد روشهای جدید است که می تواند در مواقع اضطراری یا بلایای طبیعی بکار رود.

Duong گفت: "در ارتباطات مهم برای پشتیبانی از مدیریت حوادث مانند آتش نشانی ها ، تیم های نجات و خدمات فوریت های پزشکی ، زمان یک عامل مهم است (به عنوان مثال با حداقل تاخیر میلی ثانیه به ثانیه)." "مهلت دقیق در زمان واقعی مهمترین شرط برای چنین سناریوهایی است ، به خصوص در شرایطی که دائماً در حال تغییر است."

برای توسعه ابزارهایی که واقعاً می توانند در شرایط اضطراری تغییر ایجاد کنند ، بنابراین ، محققان باید روشهای کاهش زمان حل و پیچیدگی محاسباتی مشکلات بهینه سازی را شناسایی کنند. الگوریتم تخصیص منابع در زمان واقعی که توسط Duong و همکارانش تهیه شده است دقیقاً این کار را می کند ، به طور موثری زمان اجرا را به میلی ثانیه کاهش می دهد.

الگوریتم آنها می تواند در پهپادها یکپارچه شود ، که می تواند در مواقعی که شبکه ها احتراق می شوند ، ساختمان ها از بین رفته و کمبود منبع تغذیه می تواند کمک زیادی کند. در این موارد ، پهپادهایی که در بالای منطقه آسیب دیده پرواز می کنند ، می توانند به نخستین پاسخ دهندگان کمک کنند تا هر چه سریعتر وضعیت را ارزیابی کنند.

Duong توضیح داد: "پهپادها به شدت به باتریها برای کارکرد متکی هستند و از این رو ، برای اینکه پهپادها بیشتر در هوا بمانند ، باید منابع آنها (از جمله باتری ، پهنای باند و غیره) به خوبی بهینه شود." وی گفت: "این امر برای انجام مأموریت های موفق جستجو و نجات در 72 ساعت اول فاجعه بسیار مهم است ، با توجه به اینکه پهپادهای تجاری موجود فقط می توانند 20 دقیقه در هوا بمانند. بنابراین ، به حداکثر رساندن طول عمر یک شبکه ارتباطی چند پهپادی بسیار مهم است. چنین برنامه هایی. "

در حین و بعد از بروز بلایای طبیعی ، زیرساختهای ارتباطی ارتباطی اغلب می توانند مانع از انجام مأموریت های اضطراری و خدمه تخلیه شوند. با کاهش زمان ارتباط پهپاد به میلی ثانیه ، الگوریتم تخصیص بهینه منابع برای پهپادها که توسط Duong و همکارانش تهیه شده است می تواند به نجات جان و کمک به موقع به بازماندگان کمک کند.

دوونگ گفت: "در بلایای طبیعی ، حفظ ارتباطات زندگی را فراهم می کند." "نبود ارتباطات در مناطق دور افتاده و شرایط نامناسب برای ارتباطات در کشورهای در حال توسعه می تواند اثرات مضر داشته باشد. ما معتقدیم تحقیقات ما برای بهینه سازی زمان واقعی در ارتباطات پهپاد اولین تلاش در زمینه برای مقابله با محدودیت زمانی پهپاد است. نقش اساسی در سناریوهای فاجعه بازی می کنند. "

در حال حاضر ، تیمی که روی این پروژه صندوق نیوتن کار می کند از 3 دانشجوی دکتری و 4 دانشجوی دکترا تشکیل شده است. این محققان اکنون با تمرکز بر چند جنبه نظری و عملی بیشتر ، به تلاش معنادار خود ادامه خواهند داد.

دوونگ گفت: "مرحله بعدی ما بهره برداری از فناوری های برش ، (به عنوان مثال محاسبات توزیع شده و موازی) و ادغام یادگیری ماشین در زمینه بهینه سازی زمان واقعی ، برای تقویت زمان پردازش است." "ما همچنان انتشار تحقیقات خود را از طریق ژورنالهای علمی با تأثیر بالا ، در کنفرانس ها و شرکای صنعت ادامه خواهیم داد."

 http://socialmediainuk.com/story5569759/قیمت-آکومولاتور

دانشمندان رایانه MIT سیستمی را ساخته اند که می آموزد تا اشیاء موجود در یک تصویر را بر اساس توصیف گفتاری از تصویر شناسایی کند. با توجه به یک تصویر و یک عنوان صوتی ، این مدل در زمان واقعی مناطق مربوط به تصویر توصیف شده را برجسته می کند.

بر خلاف فن آوری های تشخیص گفتار فعلی ، مدل نیازی به رونویسی و حاشیه نویسی از نمونه هایی که در آن آموزش داده شده است نیست. درعوض ، کلمات را مستقیماً از کلیپ گفتار ضبط شده و اشیاء در تصاویر خام یاد می گیرد و آنها را با یکدیگر مرتبط می کند.

در حال حاضر این مدل می تواند تنها چند صد کلمه و نوع مختلف شی را تشخیص دهد. اما محققان امیدوارند که روزی تکنیک ترکیب تشخیص گفتار و گفتار آنها بتواند ساعتهای بی شماری از کار دستی را نجات دهد و درهای جدیدی را در گفتار و تشخیص تصویر باز کند.

به عنوان مثال ، سیستم های تشخیص گفتار مانند Siri و Google Voice نیاز به رونوشت هزاران ساعت ضبط گفتار دارند. با استفاده از این داده ها ، سیستم ها یاد می گیرند تا سیگنال های گفتاری را با کلمات خاص ترسیم کنند. چنین رویکردی به ویژه هنگامی مشکل پذیر می شود که مثلاً اصطلاحات جدید در واژگان ما وارد شوند و سیستم ها مجدداً مورد استفاده قرار گیرند.

"ما می خواستیم تشخیص گفتار را به روشی طبیعی تر انجام دهیم ، با استفاده از سیگنال های اضافی و اطلاعاتی که انسان از مزایای استفاده آنها استفاده می کند ، استفاده می شود ، اما این الگوریتم های یادگیری ماشین به طور معمول به آنها دسترسی ندارند. ما ایده آموزش یک مدل را در یک ایده گرفتیم. دیوید هاروات ، محقق آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و گروه Spoken Language Systems ، می گوید: روشی شبیه به راه رفتن کودک در جهان و روایت کردن آنچه می بینید. هاروات با نوشتن مقاله ای ، توصیف مدلی را ارائه داد که در کنفرانس اخیر اروپا در مورد چشم انداز رایانه ارائه شد.

در این مقاله ، محققان مدل خود را بر روی تصویری از دختر جوان با موهای بلوند و چشم های آبی نشان داده اند و لباس آبی پوشیده ، با یک فانوس دریایی سفید با یک سقف قرمز در پس زمینه نشان داده اند. این مدل آموخته است که پیکسل های موجود در تصویر را با کلمات "دختر" ، "مو بلوند" ، "چشم آبی" ، "لباس آبی" ، "خانه نور سفید" و "سقف قرمز" مطابقت می دهد. هنگامی که یک عنوان صوتی روایت می شد ، مدل سپس هر کدام از اشیاء موجود در تصویر را همانطور که توصیف شده است برجسته می کند.

یک برنامه امیدوار کننده یادگیری ترجمه ها بین زبان های مختلف ، بدون نیاز به حاشیه نویسی دو زبانه است. از حدود 7000 زبان تخمین زده شده در سرتاسر جهان ، فقط 100 یا حدود داده های رونویسی کافی برای تشخیص گفتار دارند. با این حال ، شرایطی را در نظر بگیرید که دو بلندگو با زبان مختلف تصویر یکسانی را توصیف می کنند. اگر این مدل سیگنال های گفتاری را از زبان A بیاموزد که با اشیاء موجود در تصویر مطابقت دارد و سیگنال ها را با زبان B که با همان اشیاء مشابه است یاد می گیرد ، می تواند فرض کند که این دو سیگنال - و کلمات منطبق - ترجمه های یکدیگر هستند.

هاروات با اشاره به گوشواره زنده ساختگی در رمان های "راهنمای هیچکدام به کهکشان" که ترجمه زبان های مختلف را به فرد پوشنده می دهد ، می گوید: "چنین مکانیکی برای نوع بابل ماهی وجود دارد."

همکاران نویسنده CSAIL عبارتند از: دانشجوی تحصیلات تکمیلی Adria Recasens؛ دانش آموز بازدید Didac Suris؛ محقق سابق گالن چوانگ؛ آنتونیو تورالبا ، استاد مهندسی برق و علوم رایانه و همچنین رئیس آزمایشگاه هوش مصنوعی MIT-IBM Watson؛ و دانشمند ارشد تحقیقات جیمز گلس ، که رهبری گروه Spoken Language Systems در CSAIL را برعهده دارد.

انجمن های صوتی و تصویری

این اثر بر روی مدل قبلی توسعه یافته توسط Harwath ، Glass و Torralba است که ارتباط گفتار با گروه هایی از تصاویر مرتبط با موضوع را نشان می دهد. در تحقیقات قبلی ، آنها تصاویری از صحنه های مربوط به یک پایگاه داده طبقه بندی را بر روی پلت فرم ازدحام مکانیکی ترک قرار داده اند. آنها سپس به مردم اجازه دادند تا حدود 10 ثانیه تصاویر را گویی برای کودک روایت کنند. آنها بیش از 200000 جفت تصویر و زیرنویس صوتی را در صدها دسته مختلف مانند سواحل ، مراکز خرید ، خیابان های شهر و اتاق خواب تالیف کردند.

آنها سپس مدلی را متشکل از دو شبکه عصبی کانونی جداگانه (CNN) طراحی کردند. یکی تصاویر را پردازش می کند ، و دیگری طیف سنجی را پردازش می کند ، نمایش تصویری از سیگنال های صوتی در طول زمان تغییر می کند. بالاترین لایه مدل محاسبات خروجی دو شبکه را انجام داده و الگوهای گفتار را با داده های تصویربرداری می کند.

به عنوان مثال ، محققان عنوان مدل A و تصویر A را تغذیه می کنند ، که صحیح است. سپس ، آنها را با عنوان A تصادفی B با تصویر A ، که یک جفت نادرست است ، تغذیه می کنند. پس از مقایسه هزاران عنوان اشتباه با تصویر A ، مدل سیگنال های گفتاری را که مطابق با تصویر A است ، می آموزد و آن سیگنال ها را با کلمات موجود در زیرنویس ها مرتبط می کند. همانطور که در یک مطالعه سال 2016 توضیح داده شد ، این مدل ، به عنوان مثال ، یادگیری سیگنال مربوط به کلمه "آب" و بازیابی تصاویر با اجسام آب را یاد گرفت.

هاروات می گوید: "اما راهی برای گفتن فراهم نکرده است ،" این دقیقاً زمانی است که شخصی کلمه خاصی را بیان کرد که به آن پیکسل های خاص پیکسل ها اشاره دارد. "

تهیه نقشه خواستگاری

در مقاله جدید ، محققان این مدل را اصلاح کردند تا کلمات خاص را با تکه های خاص پیکسل ها مرتبط کنند. محققان این مدل را در همان پایگاه داده آموزش دادند ، اما با مجموع 400000 جفت زیرنویس تصاویر. آنها 1000 جفت تصادفی برای آزمایش برگزار کردند.

در آموزش ، به طور مشابه به تصویر و زیرنویس های صحیح و نادرست نیز داده می شود. اما این بار ، تجزیه و تحلیل تصویر CNN تصویر را به شبکه ای از سلول های متشکل از تکه های پیکسل تقسیم می کند. تجزیه و تحلیل صوتی CNN ، طیف سنج را به بخش هایی از مثلاً یک ثانیه برای گرفتن یک یا دو کلمه تقسیم می کند.

با استفاده از تصویر صحیح و جفت زیرنویس ، مدل با سلول اول شبکه به قسمت اول صوتی مطابقت می یابد ، سپس آن سلول را با بخش دوم صوتی مطابقت می دهد و غیره ، تمام راه را از طریق هر سلول شبکه و در کل. بخش های زمانی برای هر بخش سلولی و صوتی ، بسته به اینکه چقدر سیگنال با جسم مطابقت دارد ، نمره شباهت را ارائه می دهد.

چالش این است که ، در طول آموزش ، مدل به هیچ گونه اطلاعات واقعی تراز بین گفتار و تصویر دسترسی ندارد. هاروات می گوید: "بیشترین سهم مقاله ، نشان دادن این است که این ترازهای متقابل [صوتی و تصویری] را می توان به سادگی با آموزش شبکه ، استنباط کرد که تصاویر و نوشتن تصاویر به چه زبانه ها با هم و کدام یک از جفت ها انجام نمی دهند."

نویسندگان این ارتباط یادگیری خودکار را بین شکل موج یک گفتار با پیکسلهای تصویر "نقشه مطابقت" لقب داده اند. شبکه بعد از آموزش هزاران زوج عنوان ، تصویر آنرا به کلمات خاص که نمایانگر اشیاء خاص در آن نقشه هستند ، می کشد.

 http://prbookmarkingwebsites.com/story5103366/قیمت-آکومولاتور

شبکه های عصبی مصنوعی — الگوریتم های الهام گرفته شده از اتصالات در مغز learned یاد گرفته اند که کارهای مختلفی را انجام می دهند ، از تشخیص عابر پیاده در اتومبیل های رانندگی ، گرفته تا تجزیه و تحلیل تصاویر پزشکی و ترجمه زبان. اکنون محققان دانشگاه کالیفرنیا سن دیگو در حال آموزش شبکه های عصبی مصنوعی برای پیش بینی مواد با ثبات جدید هستند.

Shyue Ping Ong ، استاد ارشد مهندسی نانو در دانشکده مهندسی UC San Diego Jacobs ، گفت: پیش بینی پایداری مواد یک مشکل اساسی در علم مواد ، فیزیک و شیمی است. "از یک طرف ، شما شهود شیمیایی سنتی مانند پنج قانون لینوس پائولینگ دارید که ثبات کریستال ها را از نظر شعاع و بسته بندی یون ها توصیف می کند. از طرف دیگر ، محاسبات مکانیکی کوانتومی گران قیمت دارید تا بتوانید انرژی حاصل از تشکیل کریستال را محاسبه کنید. آنچه ما باید انجام دهیم این است که از شبکه های عصبی مصنوعی برای عبور از این دو جهان استفاده کنیم. "

با آموزش شبکه های عصبی مصنوعی برای پیش بینی انرژی تشکیل کریستال با استفاده از تنها دو ورودی- الکتروونگاتیویتی و شعاع یونی اتم های سازنده — اونگ و تیم وی در آزمایشگاه مجازی متریال مدل هایی را تولید کرده اند که می توانند مواد پایدار را در دو طبقه از بلورهای معروف به گارنتها شناسایی کنند. و پروسکایت ها این مدل ها تا 10 برابر دقیق تر از مدل های یادگیری قبلی دستگاه هستند و به اندازه کافی سریع هستند تا بتوانند هزاران ماده را در طی چند ساعت کارآمد روی لپ تاپ به نمایش بگذارند. این تیم جزئیات کار را در مقاله ای که در 18 سپتامبر در مجلات Nature Nature منتشر شده است ، شرح می دهد .

"گارنت ها و پروسکایت ها در لامپ های LED ، باتری های لیتیوم یونی قابل شارژ و سلولهای خورشیدی استفاده می شوند. این شبکه های عصبی این پتانسیل را دارند که کشف مواد جدید برای این و سایر کاربردهای مهم را بسیار تسریع کنند." دکتری دانش آموز در آزمایشگاه مجازی مواد اوگن.

این تیم مدل های خود را از طریق یک برنامه و در دسترس عموم قرار داده است . این امر به افراد دیگر این امکان را می دهد تا از این شبکه های عصبی برای محاسبه انرژی تشکیل هرگونه گارنت یا ترکیب پراوسکی در پرواز استفاده کنند.

محققان در نظر دارند کاربرد شبکه های عصبی را به سایر نمونه های کریستالی و همچنین سایر خصوصیات مواد گسترش دهند.

 http://bookmark-template.com/story6997058/قیمت-آکومولاتور

چتر دریایی جدید ربات می تواند کلید نظارت و مراقبت از قسمتهای شکننده اقیانوس های جهان بدون آسیب رساندن به آنها باشد.

این روبات ها توسط تیمی از دانشمندان آمریکایی ، از دانشگاه اقیانوس اطلس فلوریدا (FAU) و دفتر تحقیقات نیروی دریایی ایالات متحده ساخته شده اند. آنها به گونه ای طراحی شده اند که بتوانند آزادانه شنا کنند ، از یک طرف به سمت دیگر هدایت شوند و از دهانه های باریک شنا کنند.

محققان یافته های خود را امروز در مجله Bioinspiration and Biomimetics بیان کردند .

دکتر اریک انگبرگ ، نویسنده مسئول ، از FAU ، گفت: "مطالعه و نظارت بر محیط های شکننده مانند صخره های مرجانی ، همواره برای محققان دریایی چالش برانگیز بوده است ، روبات های نرم از پتانسیل بالایی برای کمک به این امر برخوردار هستند.

"روبات های نرم Biomimetic مبتنی بر ماهی و سایر حیوانات دریایی طی چند سال اخیر در جامعه تحقیقاتی محبوبیت پیدا کرده اند. چتر دریایی کاندیداهای عالی هستند زیرا شناگران بسیار کارآمد هستند.

"عملکرد پیشرانه آنها به دلیل شکل بدن آنهاست که می تواند ترکیبی از گرداب ، پیشران جت ، قایقرانی و حرکت مبتنی بر مکش را ایجاد کند."

محققان برای به کار بردن این عملکرد ، از شکل چتر دریایی ماه (Aurelia aurita) در مرحله لارو از چرخه زندگی آن استفاده کردند. در حالی که قبل از ربات چتر دریایی طرح استفاده از انواع مکانیسم نیروی محرکه مختلف، تیم طراحی را برای چتر دریایی جدید خود شبکه های هیدرولیک برای نیروی محرکه استفاده می شود.

دکتر Engeberg اظهار داشت: "برنامه اصلی این ربات کاوش و نظارت بر اکوسیستم های ظریف است ، بنابراین ما برای جلوگیری از آسیب های ناخواسته ، محرک های شبکه هیدرولیک نرم را انتخاب کردیم. علاوه بر این ، چتر دریایی زنده از روان شناسی خنثی برخوردار است. برای تقلید از این ، ما از آب برای باد کردن هیدرولیک استفاده کردیم. محرک های شبکه هنگام شنا. "

برای اینکه چتر دریایی هدایت شود ، تیم از دو پمپ پروانه برای باد کردن هشت شاخک استفاده کرد. طرح پمپ پروانه یک مدار باز جریان آب را تولید می کند ، جایی که آب محیط از محرک های نرم برای تولید سکته مغزی در محرک های نرم پمپ می شود. هنگامی که پمپ ها تغذیه نشده بودند ، خاصیت ارتجاعی ماده لاستیک سیلیکون محرک شاخه ای محرک ها را محکم می کند تا در مرحله آرامش ، آب را به داخل محیط برگردانند.

این خاصیت ارتجاعی مانند ارتجاعی غیرفعال است که توسط چتر دریای زنده پس از انقباض زنگ نشان داده می شود. این طرح همچنین نیاز به دریچه ها را کاهش داده ، باعث کاهش پیچیدگی کنترل ، نیاز فضا و هزینه می شود.

این تیم 3 بعدی پنج چتر دریایی مختلف را با استفاده از لاستیک سیلیکون برای محرکها چاپ کرد. هر چتر دریایی سختی لاستیک مختلفی برای آزمایش تأثیر آن بر بازده پیشرانش داشت.

آنها همچنین با استفاده از سوراخ های دایره ای برش داده شده در صفحه پلکسی گلاس ، توانایی ربات ها را برای فشار در دهانه های باریک آزمایش کردند.

دکتر Engeberg گفت: "ما دریافتیم که روبات ها قادر به شنا کردن باریک تر از قطر اسمی ربات هستند. در آینده ، ما قصد داریم سنسورهای محیطی مانند سونار را در الگوریتم کنترل ربات قرار دهیم ، به همراه الگوریتم پیمایش. آن را قادر خواهد ساخت تا شکافها را پیدا کند و مشخص کند که آیا می تواند از طریق آنها شنا کند. "

 http://bookmark-dofollow.com/story6999232/قیمت-آکومولاتور

گفتگو پیرامون آینده ای سبزتر و حمل و نقل ، سنگین و سنگین در درب اتومبیل های برقی است ، و میزان زیادی از فروشندگان اتومبیل بر روی تحقیق ، توسعه و مدل های موجود در آن وجود دارد. در مورد قطارها چطور؟ آیا قطار باتری می تواند یک مشکل واقعی برای دیزل باشد؟ سفرهای درون شهری و متقاطع شامل قطارها است و باید توجه داشت که مهندسین قصد دارند راه حلهای زیست محیطی پایدار ارائه دهند که در پایان نه تنها کار نمی کنند بلکه هزینه آن را پرداخت می کنند.

به نقل از بررسی جهانی راه آهن ، وینفرد هرمان ، وزیر حمل و نقل ، گفت: "در آلمان ما در یک انقلاب چشمگیر فن آوری - از جمله در راه آهن" قرار داریم. دیجیتالی شدن راه آهن به ما امکان پاسخگویی مناسب به اتوماسیون حمل و نقل جاده ای و تأمین امنیت را می دهد. رقابت در اروپا. "

آلمان مصمم است در زمینه رفع آلودگی و تغییرات آب و هوایی با گزینه های حمل و نقل ، در مسیر پیگیری باشد. قطاری که می تواند باتری های خود را از خط سربار هنگام رانندگی شارژ کند ، در خبر است. قطار الکترو هیبریدی Bombardier Talent 3 در یک رویداد مطبوعاتی اخیر به عموم مردم معرفی شد. این می تواند در کشش های تا حدی الکتریکی اجرا شود و برای شارژ کردن روی خطوط برق استفاده می کند.

کنگره اتومبیل سبز ، متناسب با نام سایت ، خاطرنشان کرد که قطار "هیچ اگزوز ایجاد نمی کند" و از قطارهای دیزلی مدرن ساکت تر است .

شرکت پشتیبان این قطار باتری ، Bombardier Transport است. بمباردیه در حال کار با "راه حل های راه آهن" است و این محدوده ها از قطارها تا سیگنالینگ گرفته تا خدمات تعمیر و نگهداری است.

سه واگن و یک راننده را تصویر کنید. قطار می تواند باتری با برد 40 کیلومتر (25 مایل) بین شارژها حرکت کند.

دامنه می تواند برای پیشرفت های آینده روشن تر نیز باشد. کنگره اتومبیل سبز گفت: "محدوده قطار متناسب با افزایش مداوم ظرفیت به دلیل تحولات جدید در باتری افزایش می یابد."

مهندسی نیوز در سال 2019 گفت: " نسل بعدی قطارهای باطری قادر به مسافت تا 100 کیلومتر در راه آهن های غیر الکتریسیته خواهند بود." نمونه اولیه مجهز به چهار باتری کششی Bombardier Mitrac است.

براساس گزارش ها ، حدود 40 درصد از شبکه ریلی آلمان برق نیست.

برایان پاركین در بلومبرگ از راه‌اندازی اخیر این قطار "هیبریدی برقی" خبر داد .

بعد چی؟ به گفته بلومبرگ ، "آندریاس داینمان ، سخنگوی واحد آلمانی بمباردیه گفت: این شرکت به دنبال موازی اجرای پروژه های آزمایشی که از این ماه آغاز شده اند ، به دنبال انجام استعدادهای درخشان است."

کنگره اتومبیل سبز اعلام کرد که در سال 2019 ، دویچه بان یک آزمایش آزمایشی 12 ماهه با مسافران با نمونه اولیه را آغاز خواهد کرد.

مهندسی نیوز به نقل از وزیر حمل و نقل و زیرساخت های دیجیتال فدرال ، اناک فرلمن: "در مسیرهای غیر الکتریکی یا فقط بخشی از برق ، شعار این است که از دیزل در مسیرها دور شود و به سمت تحرک پاکتر و سازگار با محیط زیست باشد."

 http://mediajx.com/story8048160/قیمت-آکومولاتور

محققان فیس بوک اخیراً مجموعه ای از 5 میلیون نفر و 700 میلیون گفتگوی مبتنی بر شخصیت را گردآوری کرده اند. این پایگاه داده می تواند برای آموزش سیستم های گفتگو پایان به پایان مورد استفاده قرار گیرد ، و در نتیجه دیالوگ های جذاب تر و غنی تری بین عوامل رایانه ای و انسان ها به وجود می آید.

سیستم های گفت و گو ، یا عوامل مکالمه (CA) ، سیستم های رایانه ای هستند که برای برقراری ارتباط با انسان از طریق متن ، گفتار ، گرافیک یا سایر روش ها به روشی منسجم طراحی شده اند. تاکنون سیستم های گفتگو مبتنی بر معماری های عصبی مانند LSTM یا شبکه های حافظه ، مشخص شده اند که برای دستیابی به ارتباطات مسلط ، به خصوص هنگامی که به طور مستقیم روی سیاهههای گفتگو آموزش می گیرند ، بسیار امیدوار کننده هستند.

"یکی از مزایای اصلی آنها این است که آنها می توانند به منابع داده های بزرگ از دیالوگ های موجود برای یادگیری به پوشش حوزه های مختلف بدون نیاز به هیچ دانش تخصصی تکیه می کنند،" محققان در مقاله خود، که بود نوشت در آرشیو قبل از چاپ . "با این وجود ، طرف این است كه آنها مشاركت محدودی دارند ، به خصوص در تنظیمات چت-گپ: آنها فاقد سازگاری هستند و از استراتژی های تعامل فعال استفاده نمی كنند ، همانطور كه ​​(حتی تا حدی) چت بات های ضبط شده نیز انجام می دهند."

در یک مطالعه جدید ، تیم دیگری از محققان در موسسه الگوریتم های یادگیری مونترال (MILA) و Facebook AI یک مجموعه داده با نام PERSONA-CHAT ایجاد کردند که شامل دیالوگ های بین نمایندگان با پروفایل های متنی یا personas های متصل به آنها است. آنها دریافتند که آموزش یک سیستم گفتگو بر روی یک شخص خاص ، تعامل آنها را در تعامل بهبود می بخشد.

محققان در مقاله خود توضیح دادند: "با این وجود ، مجموعه داده PERSONA-CHAT با استفاده از مکانیسم جمع آوری داده های مصنوعی مبتنی بر مکانیک ترک ایجاد شده است." "در نتیجه ، نه دیالوگ ها و نه personas نمی توانند کاملاً نمایانگر تعامل واقعی کاربر و ربات باشند و پوشش مجموعه داده محدود است ، حاوی کمی بیشتر از 1K شخص مختلف.

محققان فیس بوک برای پرداختن به محدودیت های مجموعه داده قبلی ، یک مجموعه داده جدید در مقیاس بزرگ مبتنی بر شخصیت ایجاد کردند که از مکالمات استخراج شده از بستر آنلاین Reddit تشکیل شده است. مطالعه آنها با استفاده از فعل و انفعالات بیشتر نماینده ، کار پیشینیان خود را یک قدم جلوتر می برد.

محققان نوشتند: "در این مقاله ، ما با استفاده از مکالمه هایی که قبلاً از Reddit استخراج شده است ، یک مجموعه داده گفتگوی مبتنی بر شخصیت بسیار بزرگ ایجاد می کنیم. "با اکتشافی ساده ، ما یک گروه از بیش از 5 میلیون نفر را ایجاد می کنیم که بیش از 700 میلیون مکالمه دارند."

محققان برای ارزیابی اثربخشی آن ، سیستم های گفتگو پایان به پایان مبتنی بر شخصیت را در مجموعه داده های تازه توسعه یافته خود آموزش دادند. سیستمهایی که روی مجموعه داده های خود آموزش دیده اند قادر به انجام مکالمات جذاب تر بودند ، و از سایر عوامل مکالمه که در حین آموزش به افراد دسترسی پیدا نکردند ، بهتر بودند.

جالب است که ، مجموعه داده های آنها حتی در شرایطی که سیستم های گفتگو صرفاً از قبل آموزش دیده بودند ، به نتایج پیشرفته ای منجر می شدند. در آینده ، این یافته ها می تواند منجر به ایجاد چت بات های جذاب تر شود ، که می تواند برای دستیابی به یک شخصیت خاص ، شخصی سازی و آموزش یابد.

محققان نوشتند: "ما نشان می دهیم كه مدلهای آموزش برای تراز كردن پاسخها هم با شخصیت نویسنده خود و هم زمینه باعث بهبود عملكرد پیش بینی می شوند." "از آنجا که پیش آموزش منجر به بهبود قابل توجهی در عملکرد می شود ، کارهای آینده می توانند این مدل را برای سیستم های مختلف گفتگو تنظیم کنند ."

 http://ztndz.com/story7351543/قیمت-اکچویتور

هکرها ثابت کرده اند که قادر به ضبط فیلم دوربین مدار بسته هستند. تماس های امنیتی آسیب پذیری روز صفر Peekaboo را صدا می کند. به طور خلاصه ، برخی دوربین های نظارتی متصل به اینترنت ، می توانند در تصاحب از راه دور آسیب پذیر باشند. Tenek Research گفت: "پس از بهره برداری ، Peekaboo به مجرمان سایبری دسترسی به سیستم مدیریت کنترل (CMS) می دهد و اعتبار کلیه دوربین های نظارت تصویری متصل را در معرض نمایش قرار می دهد."

چارلی آزبورن برای ZDNet روز دوشنبه گفت که این اشکال توسط Tenable Research ، یک گروه امنیت سایبری منتشر شده است.

در واقع ، می توانید از سایت Tenable برای توضیحات کامل در مورد چیزهای سفت و سخت آنها پیدا کرده و چرا اهمیت دارد. Tenable Research در یک خبرنامه اعلام کرد که این آسیب پذیری را که نسخه های سیستم عامل قدیمی تر از 3.9.0 را تحت تأثیر قرار می دهد ، نسبت به NUUO فاش کرده است.

این اشکال به عنوان CVE-2018-1149 اختصاص داده شد.

تنابل گفت آسیب پذیری به نام Peekaboo درمورد "مجاز بودن اجرای کد از راه دور در ضبط کننده های ویدیویی شبکه IoT برای سیستم های نظارت تصویری است که به مهاجمان امکان می دهد تا از راه دور فیدها را مشاهده کنند و ضبط کنند."

دستگاه آسيب پذير كه در مرحله مركزي قرار دارد NVRMini2 است. این محصول از NUUO است که تلویزیون مدار بسته (دوربین مدار بسته) ، نرم افزار نظارت و ویدئو و سخت افزار را ارائه می دهد. نرم افزار NUUO توسط بسیاری از سیستم های نظارت تصویری در سراسر جهان مستقر شده است. در خبری از Tenable آمده است که "نرم افزارها و دستگاههای NUUO معمولاً برای نظارت بر فیلمبرداری مبتنی بر وب و نظارت در صنایعی مانند خرده فروشی ، حمل و نقل ، آموزش ، دولت و بانکداری استفاده می شوند."

NVRMini2 چیست؟ Shaun Nichols در "Register " گفت كه این دستگاه "متصل به شبکه است كه ضبط های ویدئویی را نیز ذخیره می كند و به عنوان دروازه كنترل برای سرپرستان و بینندگان از راه دور عمل می كند."

بحث Tenable گفت: اینگونه است که می توانید چندین فید دوربین را همزمان مشاهده و ضبط کنید.

"ما یک سرریز بافر غیرمجاز پشته را پیدا کردیم ... اجازه اجرای کد از راه دور را دارد. این آسیب پذیری دارای نمره CVSSv2 Base 10.0 و امتیاز موقتی 8.6 است. آنها گفتند که در کد اشکال زدایی پس مانده نیز یک backdoor پیدا کرده اند.

چه اتفاقی می افتد اگر مجرمان برای دستیابی به سوءاستفاده باشند؟ تنابل گفت: "مجرمان سایبری می توانند فیدهای زنده را جدا کرده و از فیلم های امنیتی دست بکشند."

خبر خوب این است که NUUO به Tenable اطلاع داده است که یک پچ در حال توسعه است و مشتریان متأثر باید برای کسب اطلاعات بیشتر با NUUO تماس بگیرند. (در زمان نوشتن این مقاله در 18 سپتامبر ، یک لیست زمانی در سایت Tenable مورخ 09-17-2018 - گفت: "NUUO می گوید که فردا نسخه منتشر خواهد شد.")

Tenable گفت: "در این میان ،" ما به کاربران نهایی آسیب دیده توصیه می کنیم که دسترسی شبکه به دستگاههای آسیب پذیر را فقط برای کاربران مجاز و قانونی مجاز محدود و کنترل کنند. " همچنین ، Tenable افزونه ای را منتشر کرد تا ارزیابی کند که آیا سازمان ها نسبت به Peekaboo آسیب پذیر هستند.

این Renaud Deraison، از بنیانگذاران و CTO از آشیانه، همچنین برخی از مشاهدات در مورد تصویر بزرگتر، در مصاحبه با حال Threatpost . وی گفت: "ما معتقدیم دستگاه های IoT آسیب پذیر مانند این سؤالاتی را درمورد اینکه چگونه ما به عنوان یک صنعت می توانیم تعداد زیادی دستگاه را مدیریت کنیم ، مطرح می کند. حتی در یک محیط شرکتی اگر تعداد دستگاه های متصل به میزان پیش بینی شده رشد کنیم ، ما نیاز به تجدید نظر داریم. روش و روش متداول ما ، "او گفت.

 http://opensocialfactory.com/story4694843/قیمت-اکچویتور