Cybersecurity Risks in Nigeria's NIN and BVN Ecosystem: Fraudulent Enrollment, API Exposure, and National-Security Implications
本文分析了尼日利亚国家身份号码(NIN)和银行验证码(BVN)生态系统中的网络安全与治理漏洞——特别是欺诈性注册、API 暴露以及第三方访问风险——并提出了一个基于风险的框架,旨在加强身份保障、数据保护和国家安全。
2658 篇论文
本文分析了尼日利亚国家身份号码(NIN)和银行验证码(BVN)生态系统中的网络安全与治理漏洞——特别是欺诈性注册、API 暴露以及第三方访问风险——并提出了一个基于风险的框架,旨在加强身份保障、数据保护和国家安全。
本研究提出了一种不确定性感知框架,用于将腐蚀引起的表面算术平均粗糙度(Ra)转换为离心泵 CFD 建模中的等效沙粒粗糙度(ks),通过利用实验数据来量化传递模型的确定性,从而防止将性能下降仅归因于表面粗糙度。
本文提出了一种集成了负载感知策略与数字孪生模型的安全深度强化学习框架,该框架在保持热安全约束的同时,将阿布扎比一座 10 MW 数据中心的年能耗降低了 15.3%,并将其能源使用效率(PUE)从 1.421 提升至 1.291。
本研究利用计算流体力学(CFD)模拟证明,在钝体结构的埃塞俄比亚巴士上加装车顶导流罩,其降低空气阻力和燃油消耗的效果显著优于加装后尾板,其中长度为0.5米的弦长导流罩在时速100公里时可实现高达29.16%的阻力减幅。
本文提出并评估了一种用于人工智能数据中心的下一代中压架构,该架构通过固态变压器和双极直流母线将电力直接输送至服务器列,证明了在处理加速人工智能计算所带来的极端功率密度和动态负载特性时,与传统的低压系统相比,该架构在效率、安全性、可靠性和成本效益方面均有显著提升。
本系统性文献综述通过对130项研究的综合分析,探讨了机器学习与数字孪生技术在定向能量沉积中的当前应用,强调了其在过程监测与预测方面的成功,并指出为实现全自动工业级制造,亟需开发闭环式、双向控制系统。
通过使用一个已知的基于物理的面板法测试平台,本研究表明,尽管机器学习代理模型在训练范围内实现了高精度并捕捉到了物理依赖关系,但它们无法可靠地进行外推且缺乏内在的不确定性警告,从而凸显了为了确保鲁棒性而对物理启发式约束或简单范围检查的迫切需求。
本文提出并评估了一种用于太阳能集成电网的 AI 增强型负荷频率控制方案,证明了结合了自适应神经模糊调度、光伏前馈补偿和电池协同调度的确定性混合控制器在稳定性指标方面显著优于传统的 PI 和模糊-PID 基准方案,而深度强化学习智能体尽管实现了最低的频率偏差,但因其过高的执行器需求和较差的泛化能力而被认为是不切实际的。
本研究开发了一个机器学习框架,旨在通过五种社会经济情景预测到2100年加拿大的交通量和拥堵情况,结果显示未来的拥堵分布不均,且持续存在的差异性使得少数群体面临着比非少数群体显著更高的交通水平。
本文提出了一种利用上边带和下边带单边带调制的混合光链路,通过有线或 60 GHz 无线连接,为两名用户实现选择性的 10 Gbit/s 4-QAM 接入,并证明了在无需色散补偿的情况下,在 20 km 单模光纤上具有稳健的传输性能。