enteshar

بازرسی از ساختمان آسیب دیده بعد از وقوع زلزله یا در هنگام آتش سوزی دقیقاً همان کارهایی است که امدادگران انسان دوست دارند هواپیماهای بدون سرنشین برای آنها انجام دهند. یک ربات در حال پرواز می تواند به دنبال افرادی باشد که در داخل دام انداخته شده و تیم نجات را به سمت آنها راهنمایی می کنند. اما هواپیمای بدون سرنشین اغلب باید از طریق ترک در یک دیوار ، یک پنجره نیمه باز یا از طریق میله ها وارد ساختمان شود - چیزی که اندازه معمولی یک پهپاد اجازه نمی دهد.

برای حل این مشکل ، محققان گروه رباتیک و ادراک در دانشگاه زوریخ و آزمایشگاه سیستم های هوشمند در EPFL نوع جدیدی از پهپادها را ایجاد کردند . هر دو گروه بخشی از مرکز ملی رقیب در تحقیقات (NCCR) رباتیک است که توسط بنیاد ملی علوم سوئیس تأمین می شود. این هواپیمای بدون سرنشین با الهام از پرندگانی که بالهای خود را در هوای میانی به هم می ریزند تا از معابر باریک عبور کند ، می تواند خود را تحت فشار قرار دهد تا از میان شکاف ها عبور کند و سپس دوباره به شکل قبلی خود برگردد ، در حالی که پرواز خود را ادامه می دهد. و حتی می تواند اشیاء را در طول راه نگه داشته و حمل کند.

بازوهای موبایل می توانند در قاب اصلی تا شوند

دیوید فالانگا ، محقق دانشگاه زوریخ و اولین نویسنده مقاله توضیح می دهد : "راه حل ما از نظر مکانیکی بسیار ساده است ، اما بسیار متنوع و بسیار خودمختار است و دارای سیستم های ادراک و کنترل است ." در مقایسه با هواپیماهای بدون سرنشین دیگر ، این پهپاد مورفینگ می تواند در فضاهای تنگ مانور دهد و پرواز پایدار را در همه زمان ها تضمین کند.

یک تیم تحقیقاتی از دانشگاه زوریخ و EPFL هواپیمای بدون سرنشین جدیدی تولید کرده اند که می تواند بازوهای پروانه خود را در پرواز عقب بکشد و خود را کوچکتر کند تا از شکاف ها و سوراخ های باریک استفاده کند. این امر به ویژه هنگام جستجوی قربانیان حوادث طبیعی مفید است.

اعتبار: Ecole Polytechnique Federale de Lausanne
تیم های زوریخ و لوزان با همکاری یکدیگر همکاری کردند و یک چهار موتور را با چهار پروانه طراحی کردند که بطور مستقل می چرخند ، روی اسلحه های موبایل نصب شده اند که به لطف سروو موتورها می توانند در اطراف قاب اصلی بچرخند. تک خال موجود در سوراخ یک سیستم کنترلی است که در زمان واقعی با هر موقعیت جدید بازوها تطبیق می یابد ، نیروی رانش را به عنوان مرکز تغییر وزن می تنظیم می کند.

استفان مینتچف ، نویسنده و محقق دانشکده مهندسی EPFL می افزاید: "این هواپیمای بدون سرنشین می تواند تنظیمات مختلفی را مطابق آنچه در این زمینه مورد نیاز است انجام دهد." پیکربندی استاندارد به شکل X است که چهار بازو دراز شده و پروانه ها در وسیع ترین فاصله ممکن از یکدیگر قرار دارند. هواپیمای بدون سرنشین در صورت مواجهه با یک گذرگاه باریک ، می تواند به شکل "H" تغییر کند ، با تمام بازوها در امتداد یک محور یا به شکل "O" ، دراز کشیده شده و تمام بازوها تا حد ممکن به بدن نزدیک می شوند. شکل "T" می تواند مورد استفاده قرار گیرد تا دوربین پردازنده نصب شده بر روی قاب مرکزی تا حد ممکن به اشیایی که پهپاد برای بازرسی نیاز دارد ، نزدیک شود.

اولین قدم برای جستجوی نجات کاملاً مستقل

در آینده ، محققان امیدوارند که ساختار پهپاد را بیشتر بهبود ببخشند تا بتواند در هر سه بعد خم شود. از همه مهمتر ، آنها می خواهند الگوریتم هایی را توسعه دهند که هواپیمای بدون سرنشین را به طور کامل مستقل جلوه دهد ، به این امکان می دهد تا در سناریوی فاجعه واقعی به دنبال معابر بگردد و به طور خودکار بهترین راه عبور از آنها را انتخاب کند. فالانگا می گوید: "هدف نهایی این است که به هواپیماهای بدون سرنشین دستورالعمل سطح بالایی مانند" ورود به آن ساختمان ، هر اتاق را بازرسی کنید و برگردید. "

http://ztndz.com/story7344476/پمپ-وکیوم-اصفهان

رایانه شما بیشتر وظایف را به خوبی انجام می دهد. برای پردازش کلمه ، محاسبات خاص ، گرافیک و گشت و گذار در وب ، جعبه دیجیتال روی میز شما بهترین ابزار برای کار است. اما روشی که رایانه شما کار می کند ، با سبک ریاضیات خود که به سیستم کد باینری "1" و "خاموش" متکی است ، برای حل هر مشکل ایده آل نیست.

به همین دلیل محققانی همچون زولتان توروککای ، استاد گروه فیزیک و استاد هم زمان در گروه علوم کامپیوتر و مهندسی کامپیوتر در دانشگاه نوتردام ، علاقه مندند که محاسبات آنالوگ را در زمانی که محاسبات دیجیتال به حداکثر پتانسیل خود احیا کند ، احیا کند.

Toroczkai و همکارانش در تلاشند تا یک رویکرد جدید ریاضی را توسعه دهند که به محاسبات فراتر از چارچوب دیجیتال کمک کند. جدیدترین مقاله وی ، که در مجله ارتباطات طبیعت منتشر شده است ، یک "حل کننده" آنالوگ ریاضی جدید را شرح می دهد که به طور بالقوه می تواند بهترین راه حل برای مشکلات سخت NP را پیدا کند.

NP-hardness یک تئوری پیچیدگی محاسباتی است ، با مشکلاتی که به دلیل دشواری آنها مشهور است. هنگامی که تعداد متغیرها زیاد است ، مشکلات مربوط به برنامه ریزی ، تاشو پروتئین ، بیوانفورماتیک ، تصویربرداری پزشکی و بسیاری از مناطق دیگر با روشهای شناخته شده تقریباً غیرقابل حل هستند. محققان پس از آزمایش روش جدید خود بر روی انواع مختلفی از مشکلات سخت NP ، محققان نتیجه گرفتند که حل کننده این پتانسیل منجر به راه حلهای بهتر و احتمالاً سریعتر نسبت به دیجیتال محاسبه شده است.

از رایانه های آنالوگ برای پیش بینی جزر و مد از اوایل تا اواسط قرن بیستم ، راهنمایی اسلحه های جنگی و پرتاب اولین موشک های ناسا به فضا استفاده شد. آنها ابتدا از چرخ دنده ها و لوله های خلاء و بعدا ترانزیستورها استفاده می کردند که می توانند برای حل مشکلات با طیف وسیعی از متغیرها پیکربندی شوند. آنها عملکردهای ریاضی را مستقیماً انجام می دهند. به عنوان مثال ، برای اضافه کردن 5 و 9 ، کامپیوترهای آنالوگ ولتاژهایی را اضافه می کنند که با آن اعداد مطابقت دارند و بلافاصله جواب درست را می گیرند. با این حال ، رایانه های آنالوگ دست و پا گیر و مستعد "سر و صدا" هستند. "اختلال در سیگنال ها" ، و پیکربندی مجدد برای حل مشکلات مختلف دشوار بود ، بنابراین آنها از کار بیفتند.

کامپیوترهای دیجیتالی پس از ترانزیستورها ظهور کردند و مدارهای مجتمع با اطمینان تولید انبوه شدند و برای بسیاری از کارها آنها دقیق و به اندازه کافی انعطاف پذیر هستند. الگوریتم های رایانه ، در قالب نرم افزار ، مجموعه دستورالعمل هایی هستند که نحوه عملکرد را به سخت افزار رایانه می گویند . از آنجا که این فرآیند به استفاده از 0 و 1 محدود می شود ، همین امر باعث می شود برنامه نویسی آنها ساده تر شود و به محاسبات دیجیتالی اجازه می دهد تا نزدیک به 70 سال بر آن حاکم شوند.

با این حال ، محدودیت های آنها ممکن است کامپیوترهای دیجیتال را از حل مشکلات سخت NP با بسیاری از متغیرها جلوگیری کند. یکی از این مشکلات ، مشکل "فروشنده مسافرتی" است که در آن یک فروشنده باید در یک شهر شروع کرده و در پایان سفر به آن شهر بازگردد ، اما در این میان ، باید به تمام شهرهای مختلف یک لیست سفر کند. کارآمدترین مسیر در بین تمام نقاط چیست؟ با افزودن شهرهای بیشتر ، این مشکل از نظر ظاهری چالش برانگیز تر می شود. Toroczkai خاطرنشان كرد: مشكل چنين مشكلات بهينه سازي ، "در حالي كه شما هميشه مي توانيد جوابي را بيابيد ، نمي توانيد بهينه بودن آن را تعيين كنيد.

یک چالش برای محاسبات آنالوگ با طراحی الگوریتم های مداوم استوار است. بر خلاف محاسبات دیجیتالی ، که دارای سابقه طولانی در توسعه الگوریتم است ، الگوریتم های رایانه های آنالوگ فاقد پایه دانش مشابه هستند و بنابراین طراحی بسیار دشوار است. رویکرد Toroczkai با همه الگوریتم های رایانه های دیجیتال ، از همه جنبه متفاوت است.

قدم بعدی طراحی و ساخت دستگاه هایی بر اساس این رویکرد است ، فرایندی که در کالج مهندسی نوتردام مورد بررسی قرار خواهد گرفت. کامپیوترهای آنالوگ برای کارهای خاص ساخته می شوند ، و نه برای نیازهای محاسباتی روزمره. این اثر بخشی از یک تلاش بزرگ چند مؤسسه در مقیاس بزرگ به نام الکترونیک جمعی فوق العاده انرژی کارآمد (EXCEL) است که به رهبری نوتردام سومن داتا ، فریمان رئیس مهندسی و استاد مهندسی برق با همکاری شارون هو ، استاد علوم و مهندسی کامپیوتر.

Toroczkai گفت: "بیشتر مشکلات مهندسی وجود دارد که در این مرحله باید حل شود ، مانند ظرفیت های فریبنده و کنترل بهتر سر و صدا ، اما قرار است به آنجا برسد." "در حالت ایده آل می خواهم ببینم که شما این جعبه را روی میز خود دارید که برنامه زمانبندی شماست. و این خیلی بهتر از یک کامپیوتر معمولی شما انجام می شود."

http://socialmediainuk.com/story5562296/پمپ-وکیوم-اصفهان

آینده ای که از سوخت عاری از کربن برخوردار است به توانایی ما برای مهار و ذخیره انرژی از منابع تجدید پذیر اما متناوب مانند خورشیدی و باد بستگی دارد. اکنون ، یک کاتالیزور جدید که در دانشگاه مهندسی تورنتو ایجاد شده است به تعدادی از فن آوری های انرژی پاک وابسته است که به تولید هیدروژن از آب بستگی دارد.

هیدروژن علاوه بر اینکه یک عنصر کلیدی در همه چیز از سوخت گرفته تا کود است ، از پتانسیل بسیار خوبی برخوردار است. ایده این است که از انرژی تجدیدپذیر برای تولید هیدروژن از آب استفاده شود ، بعداً فرآیند را در یک سلول سوختی الکتروشیمیایی معکوس کرده و در نتیجه تقاضای انرژی پاک شود.

"هیدروژن یک ماده خام بسیار مهم صنعتی است، اما متاسفانه امروز آن است که عمدتا از مشتق سوخت های فسیلی ، و در نتیجه رد پای کربن بزرگ، می گوید:" استاد تد سارجنت، نویسنده ارشد در یک مقاله در طبیعت انرژی که توصیف کاتالیزور جدید . "الکترولیز - تقسیم آب برای تولید هیدروژن تجدید پذیر و اکسیژن" یک فناوری قانع کننده است ، اما به پیشرفت های بیشتر در راندمان ، هزینه و طول عمر نیاز دارد. این کار یک استراتژی تازه برای پیگیری این اهداف مهم مهم ارائه می دهد. "

آزمایشگاه سارژنت در بین چندین گروه تحقیقاتی در سراسر جهان برای ایجاد کاتالیزورهایی است که میزان برق مورد نیاز برای تقسیم آب به هیدروژن و اکسیژن را کاهش می دهد. در حال حاضر ، بهترین کاتالیزورها به پلاتین ، یک ماده پر هزینه تکیه کرده و در شرایط اسیدی فعالیت می کنند.

کائو تانگ دین ، نویسنده همکار روی کاغذ به همراه محققان همکار بعد از دکترا ، Pelayo Garcia De Arquer می گوید: "کاتالیزور جدید ما از مس ، نیکل و کروم ساخته شده است ، که همه از آن به وفور و پرهزینه تر از پلاتین هستند." آنکیت جین. "اما نکته جالب توجه این است که در شرایط خنثی pH عملکرد خوبی دارد ، که تعدادی از فرصتها را باز می کند."

دین اظهار داشت: آب دریا فراوانترین منبع آب روی زمین است. اما استفاده از آب دریا با کاتالیزورهای سنتی در شرایط اسیدی ، ابتدا نیاز به حذف نمک دارد. کار با pH خنثی از هزینه بالای نمک زدایی جلوگیری می کند.

Pelayo و Dinh از کاتالیزور خود در الکترولیزوری استفاده می کنند که آب را به هیدروژن و اکسیژن تقسیم می کند. اعتبار: تایلر ایروینگ / U از مهندسی T
همچنین می تواند با استفاده از میکروارگانیسم ها مواد شیمیایی مانند متانول و اتانول را تولید کند. گارسیا دی آرکر می گوید: "باکتری هایی وجود دارند که می توانند هیدروژن و CO2 را برای ساختن سوخت های هیدروکربن ترکیب کنند." "آنها می توانند در همان آب رشد کرده و هیدروژن را که ساخته شده است به دست آورند ، اما آنها نمی توانند در شرایط اسیدی زنده بمانند ."

استفاده از انرژی تجدید پذیر برای تبدیل زباله های CO2 به سوخت یا سایر محصولات با ارزش افزوده ، هدف NRG COSIA Carbon XPrize است. تیمی از آزمایشگاه سارجنت یکی از پنج فینالیست این رقابت های بین المللی است که برای دریافت جایزه بزرگ 7.5 میلیون دلاری ایالات متحده است.

http://prbookmarkingwebsites.com/story5096219/پمپ-وکیوم-اصفهان

محققان دانشگاه Fukuoka ، در ژاپن ، اخیراً یک روش طراحی برای مدارهای حسابی تقریبی قابل تنظیم پیشنهاد داده اند. در بخشی از مطالعه خود ، که در ResearchGate منتشر شد ، آنها روش خود را به یک سیستم نمونه اولیه برای پردازش تصویر که به شبکه های عصبی عمیق متکی است ، اعمال کردند.

محاسبات تقریبی یک روش محاسبه امیدوارکننده است که به توانایی بسیاری از سیستمها برای تحمل برخی از دست دادن کیفیت یا بهینه در نتایج محاسباتی متکی است. با کاهش نیاز به عملیات دقیق یا کاملاً قطعی ، می توان با مصرف انرژی کمتری به کارایی بالایی دست یافت.

در حالی که بسیاری از مطالعات تحقیقاتی روی مدارهای حسابی تقریبی متمرکز شده اند ، مدارهای تقریبی قابل تنظیم فقط اخیراً مورد توجه قرار گرفته اند. یكی از مهمترین چالش ها در این زمینه ، تعیین پارامترهای تنظیمات این مدارها است ، كاری كه اغلب می تواند دشوار و خسته كننده باشد.

توشیینوری ساتو ، یکی از محققانی که این تحقیق را انجام داده ، به TechXplore گفت: "تحقیقات کنونی ما روی مدارهای تقریبی حساب متمرکز است." "این مدارها دقت محاسبات را برای سایر محدودیت های طراحی مانند قدرت ، سرعت و اندازه انجام می دهند. ما فکر کردیم که شبکه های عصبی ممکن است به سهولت در طراحی مدار کمک کنند. "

تحقیقات گذشته در مورد مدارهای تقریبی قابل تنظیم ، عمدتا ساختار مدار را بدون بررسی داده های هدف در نظر گرفته است. این امر باعث می شود تا طراحان بتوانند بر اساس داده های خاص بهینه سازی ها را انجام دهند. از طرف دیگر روش ابداع شده توسط Sato و همکارانش به سمت داده های پردازش شده متمرکز شده است ، بنابراین هم برنامه ها و هم داده های آنها را همزمان بررسی می کنیم.

اعتبار: Ishida ، Sato و Ukezono.
ساتو توضیح داد: "ما نمونه اولیه خود را برای شناسایی رابطه بین پارامترهای طراحی مدار و کیفیت تصویر پردازش شده آموزش دادیم." "پس از آموزش ، نمونه اولیه هنگام تهیه تصویر خاص ، قادر به ایجاد یک طراحی بهینه از مدارهای حسابی تقریبی قابل تنظیم است."

در طراحی پیشنهادی Sato و همکارانش ، ژنراتور تقریبی مدار داده مورد نظر خود و همچنین برخی از محدودیت های طراحی و الزامات کاربر را در نظر می گیرد. رویکرد آنها همچنین مدارهای تقریبی پارامتری را کنترل می کند و به طور خودکار پارامترهای آنها را تعیین می کند. این امر طراحان را از کار خسته کننده و وقت گیر در تعیین دستی پارامترها رها می کند.

ساتو گفت: "مشخصه ترین ویژگی روش ما این است که آن را به صورت داده هدایت می کند." "بسیاری از مطالعات ، یک برنامه دامنه خاص را هدف قرار داده اند ، اما ما معتقدیم که تنها تعداد معدودی هم برنامه ها و هم داده های خود را به طور همزمان در نظر می گیرند. این ویژگی مهم است ، زیرا در نهایت می تواند پذیرش گسترده مدارهای تقریبی را تسهیل کند ."

محققان روش خود را ارزیابی کرده و آن را به عنوان نمونه اولیه عمق شبکه عصبی مبتنی بر اثبات مفهوم برای پردازش تصویر استفاده کردند. طراحی آنها به نتایج امیدوارکننده ، پردازش تصاویر تقریباً و همچنین رویکردهای سنتی با پیشرفت چشمگیر در قدرت (33.28 درصد) ، تأخیر (5.67 درصد) و مساحت (8/21 درصد) رسیده است.

ساتو گفت: "نمونه اولیه ما هنوز در مرحله اولیه توسعه است." "ما اکنون باید آن را بهبود ببخشیم تا بتواند نیازهای بیشتری از طراحان مانند مصرف برق ، تأخیر در مدار و اندازه را در نظر بگیرد. در نتیجه ، ما همچنین دوست داریم متدولوژی را برای سایر برنامه های فراتر از پردازش تصویر بکار ببریم ."

http://bookmark-template.com/story6989875/پمپ-وکیوم-اصفهان

محققان MIT ، Draper ، و Brigham و Hospital Hospital یک کپسول قابل هضم طراحی کرده اند که با استفاده از فناوری بی سیم بلوتوث قابل کنترل است. این کپسول که می تواند برای تحویل داروها ، احساس شرایط محیطی و یا هر دو مورد سفارشی سازی شود ، می تواند حداقل یک ماه در معده بماند ، اطلاعات را منتقل کند و به دستورالعمل های تلفن هوشمند کاربر پاسخ دهد.

این کپسول ها که با استفاده از فناوری چاپ 3 بعدی ساخته می شوند ، می توانند برای ارائه انواع داروهای مختلف برای درمان انواع بیماری ها بخصوص در مواردی که داروها باید در مدت زمان طولانی مصرف شوند ، اعزام شوند. آنها همچنین می توانند برای حساسیت به عفونت ها ، واکنش های آلرژیک یا سایر رویدادها طراحی شده و سپس در پاسخ به ترشح یک داروی آزاد شوند.

Giovanni Traverso ، یک دانشمند بازدید کننده در گروه مهندسی مکانیک MIT ، می گوید: "سیستم ما می تواند نظارت و درمان با حلقه بسته را به شما ارائه دهد ، به موجب آن یک سیگنال می تواند به شما در هدایت تحویل دارو یا تنظیم دوز دارو کمک کند." پیوستن به دانشکده در سال 2019.

این دستگاه ها همچنین می توانند برای برقراری ارتباط با سایر دستگاههای پزشکی پوشیدنی و قابل لمس استفاده شوند ، که می تواند اطلاعات لازم را برای ارتباط با تلفن هوشمند بیمار یا پزشک فراهم کند.

رابرت لانجر ، استاد مؤسسه دیوید اچ كوچ و عضو مؤسسه كیچ برای انتگرال MIT می گوید: "ما از این نمایش چاپ 3 بعدی هیجان زده هستیم و اینكه چگونه فناوری های قابل هضم می توانند به وسیله دستگاههای جدیدی كه كاربردهای بهداشتی موبایل را تسهیل می كنند ، به مردم كمك كنند." تحقیق سرطان.

لانجر و تراورس نویسندگان ارشد این تحقیق هستند که در شماره 13 دسامبر از فناوری های پیشرفته مواد مشاهده می شود . یونگ لین کنگ ، سابق سابق MIT که هم اکنون استادیار دانشگاه یوتا است ، نویسنده اصلی این مقاله است.

ارتباطات بی سیم

چند سال گذشته ، لانگر ، تراورسو و همكارانشان بر روی انواع حسگرهای قابل مصرف و كپسولهای انتقال دارو مشغول كار بودند كه به عقیده آنها برای تحویل طولانی مدت داروهایی كه در حال حاضر باید تزریق شوند مفید است. آنها همچنین می توانند به بیماران برای حفظ رژیم های دقیق دوز مورد نیاز برای بیماران مبتلا به HIV یا مالاریا کمک کنند.

محققان در آخرین مطالعه خود تصمیم گرفتند بسیاری از ویژگیهایی را که قبلاً ایجاد کرده بودند ترکیب کنند. در سال 2016 ، محققان کپسول ستاره ای را با شش بازوی طراحی کردند که قبل از اینکه در یک کپسول صاف قرار گیرند ، تاشو می شوند. پس از بلع ، کپسول حل می شود و بازوها گسترش می یابد و به دستگاه اجازه می دهد تا در معده جای بگیرد. به طور مشابه ، دستگاه جدید پس از بلعیدن به شکل Y باز می شود. این باعث می شود دستگاه قبل از شکسته شدن در قطعات کوچکتر و عبور از دستگاه گوارش ، حدود یک ماه معده را بماند.

یکی از این بازوها شامل چهار محفظه کوچک است که می توان انواع مواد مخدر را بارگیری کرد. این داروها می توانند در پلیمرهایی بسته شوند که به آنها اجازه می دهد به تدریج طی چند روز آزاد شوند. محققان همچنین پیش بینی می کنند که آنها می توانند محفظه هایی را که از راه دور از طریق ارتباط بی سیم بلوتوث باز می شوند ، طراحی کنند.

این دستگاه همچنین می تواند حسگرهایی را کنترل کند که محیط معده را کنترل کرده و اطلاعات را از طریق سیگنال بی سیم رله کند. در کار قبلی ، محققان سنسورهایی طراحی کرده اند که می توانند علائم حیاتی مانند ضربان قلب و ضربان تنفس را تشخیص دهند. در این مقاله ، آنها نشان دادند كه كپسول می تواند برای نظارت بر دما و انتقال اطلاعات به طور مستقیم به تلفن هوشمند در طول بازو استفاده شود.

کنگ می گوید: "محدوده اتصال محدود شده یک پیشرفت امنیتی مطلوب است." "جداسازی خود از قدرت سیگنال های بی سیم در فضای فیزیکی کاربر می تواند دستگاه را از اتصالات ناخواسته محافظت کند ، و این باعث می شود یک جداسازی فیزیکی برای امنیت اضافی و محافظت از حریم خصوصی فراهم شود."

محققان برای فعال ساختن همه این عناصر پیچیده تصمیم به چاپ 3-D کپسولها گرفتند. این روش به آنها امکان می دهد تا همه اجزای مختلف حامل کپسول ها را به راحتی در خود جای دهند و کپسول را از لایه های متناوب پلیمرهای سفت و انعطاف پذیر بسازند ، که به آن در مقاومت در برابر اسید معده کمک می کند.

کنگ می گوید: "چاپ چند بعدی چند منظوره یک فناوری ساخت بسیار متنوع است که می تواند معماری و دستگاه های کاربردی بی نظیری را ایجاد کند ، که با تکنیک های ساخت معمولی قابل ساخت نیستند." "ما به طور بالقوه می توانیم الکترونیکی قابل هضم سفارشی ایجاد کنیم که دوره اقامت معده بر اساس یک برنامه پزشکی خاص تنظیم شود ، که می تواند به یک تشخیص شخصی و درمانی منجر شود که به طور گسترده ای در دسترس باشد."

پاسخ زودهنگام

محققان تصور می کنند که از این نوع سنسور می توان برای تشخیص علائم اولیه بیماری استفاده کرد و سپس با استفاده از داروهای مناسب پاسخ داد. به عنوان مثال ، می تواند برای نظارت بر افراد در معرض خطر بالای عفونت ، مانند بیمارانی که تحت شیمی درمانی یا داروهای سرکوب کننده سیستم ایمنی قرار دارند ، مورد استفاده قرار گیرد. در صورت شناسایی عفونت ، کپسول می تواند آنتی بیوتیک ها را آزاد کند. یا اگر دستگاه حساسیت آلرژی تشخیص دهد ، این دستگاه می تواند برای آزاد سازی آنتی هیستامین ها طراحی شود.

Traverso می گوید: "ما واقعاً از پتانسیل الکترونیک مقیم معده خوشحال هستیم تا بتواند به عنوان بسترهای لازم برای سلامت موبایل کمک کند تا از راه دور به بیماران کمک کند."

نسخه فعلی دستگاه از یک باتری کوچک اکسید نقره استفاده می شود. با این حال ، محققان در حال بررسی امکان تعویض باتری با منابع انرژی جایگزین مانند آنتن خارجی یا اسید معده هستند.

محققان نیز در حال توسعه انواع دیگر سنسور است که می تواند به کپسول گنجانیده کار. در این مقاله ، آنها سنسور دما را در خوک ها آزمایش کرده اند و تخمین می زنند که طی حدود دو سال ، آنها بتوانند آزمایش حسگرهای قابل خوردن را در بیماران انسانی شروع کنند. آنها شرکتی را راه اندازی کرده اند که مشغول توسعه فناوری برای استفاده انسانی است.

http://bookmark-dofollow.com/story6991068/پمپ-وکیوم-اصفهان

چه می شود اگر به جای روشن کردن ترموستات ، بتوانید از تکه های فن آوری بالا و انعطاف پذیر دوخته شده در لباس خود گرم کنید - ضمن اینکه به طور قابل توجهی صورتحساب برقی و رد کربن خود را کاهش می دهید؟

مهندسان Rutgers و دانشگاه ایالتی اورگان با استفاده از پالسهای شدید نور ، به منظور ایجاد سیمهای نقره ای ریز با پلی استر ، روشی مقرون به صرفه برای ساخت لکه های گرمایش با دوام و بادوام پیدا کرده اند. طبق یک مطالعه تحت هدایت راتجرز در گزارش های علمی ، عملکرد گرمایش آنها نزدیک به 70 درصد بالاتر از تکه های مشابه ایجاد شده توسط محققان دیگر است .

آنها ارزان قیمت هستند ، می توانند باتری های سکه تولید کنند و قادر به تولید گرما در جایی هستند که بدن انسان به آن احتیاج دارد ، زیرا می توان آنها را به صورت تکه دوخت.

نویسنده ارشد راجیو مالهوترا ، استادیار گروه مهندسی مکانیک و هوافضا در دانشگاه راتجرز می گوید: "این مسئله در محیط ساخته شده اهمیت دارد ، جایی که ما با گرم کردن ساختمان ها انرژی زیادی را هدر می دهیم." برونزویک این بخش در دانشکده مهندسی است.

تخمین زده می شود که 47 درصد از انرژی جهانی برای گرمایش در داخل خانه استفاده می شود و 42 درصد از این انرژی برای گرم کردن فضای خالی و اشیاء به جای افراد به هدر می رود. حل بحران انرژی جهانی - مهمترین عامل در گرم شدن کره زمین - نیاز به کاهش شدید انرژی برای گرمایش داخل ساختمان دارد.

مدیریت حرارتی شخصی ، که بر روی نیاز بدن در گرم کردن بدن تمرکز دارد ، یک راه حل بالقوه در حال ظهور است. چنین تکه هایی ممکن است روزی به گرم کردن هر کسی که در خارج از منزل کار می کند یا کمک کند ، کمک کند.

مهندسان Rutgers و Oregon State ، با استفاده از "فشار شدید پالس نور" ، فیوزهای گرمایش بسیار کارآمد ، انعطاف پذیر ، با دوام و ارزان قیمت را برای فیوز کردن نانوسیمهای نقره - هزاران بار نازکتر از موی انسان - به الیاف پلی استر و با استفاده از پالسهای پرانرژی ایجاد کردند. سبک. براساس این تحقیق که توسط بنیاد ملی علوم و صندوق نوآوری تولید والمارت ایالات متحده انجام شده ، این روند 300 میلیونم ثانیه طول می کشد.

هنگامی که با وضعیت فعلی از هنر در تکه های حرارتی در مقایسه، ایجاد راتگرز و ایالتی اورگان تولید گرمای بیشتری در هر پچ منطقه و پس از خم شدن، شستشو و قرار گرفتن در معرض رطوبت و درجه حرارت بالا با دوام تر است.

مراحل بعدی شامل اینکه آیا می توان از این روش برای ایجاد پارچه های هوشمند دیگر از جمله سنسورها و مدارهای مبتنی بر پچ استفاده کرد. مهندسین همچنین می خواهند تعیین كنند كه چه تعداد لكه های مورد نیاز لازم است و باید كجا قرار گیرد تا افراد در حین كاهش مصرف انرژی داخل خانه ، آنها را راحت نگه دارند .

http://mediajx.com/story8040787/پمپ-وکیوم-اصفهان

تیمی از محققان JD AI Research و دانشگاه پکن اخیراً یک سیستم جستجوی وسایل نقلیه مترقی برای شبکه های نظارت تصویری با نام PVSS ایجاد کرده اند. سیستم آنها ، که در مقاله ای از قبل منتشر شده در arXiv ارائه شده است ، می تواند به طور مؤثر در جستجوی وسیله نقلیه خاصی که در فیلم های نظارت مشاهده می شود ، جستجو کند.

سیستم های جستجوی وسایل نقلیه می توانند کاربردهای مفیدی داشته باشند ، از جمله آنها امکان حمل و نقل دقیق تر و نظارت خودکار. به عنوان مثال ، چنین سیستمهایی می توانند به کاربران اجازه دهند وسیله نقلیه پرس و جو ، منطقه جستجو و فاصله زمانی را وارد کنند تا دریابند که وسیله نقلیه در زمانهای مختلف در طول روز کجا قرار داشته است.

روشهای جستجوی وسایل نقلیه موجود به طور معمول فرض می کنند که تمام تصاویر وسیله نقلیه از فیلم های نظارتی به خوبی خرد می شوند ، با استفاده از ویژگی های تصویری یا شماره پلاک برای شناسایی وسیله نقلیه هدف در این تصاویر. این رویکردها عمدتاً بر تطابق وسایل نقلیه مبتنی بر محتوا ، که همچنین به عنوان شناسایی مجدد خودرو (Re-Id) شناخته می شود ، تمرکز دارند.

در سال های اخیر ، توصیف کننده های دست ساز و شبکه های عصبی کانولشن (CNNs) این روشها را بسیار بهبود بخشیده اند. با این وجود ، شناسایی یک وسیله نقلیه خاص که صرفاً براساس ویژگی ها انجام می شود ، می تواند یک کار بسیار چالش برانگیز باشد که ناشی از تغییرات درون نمونه ای در دوربین های مختلف و اختلافات بین نمونه بین وسایل نقلیه مشابه است. در برخی موارد ، به دلیل وضوح پایین و نویز ، پلاک های تصاویر را نیز می توان در تصاویر نظارتی نادرست تشخیص داد.

محققان در مقاله خود توضیح می دهند: "یک سیستم جستجوی کامل وسیله نقلیه باید مشکلات مربوط به تشخیص وسیله نقلیه ، نمایندگی ، نمایه سازی ، ذخیره سازی ، تطبیق و موارد دیگر را در نظر بگیرد." "علاوه بر این ، جستجوی مبتنی بر ویژگی نمی تواند دقیقاً همان وسیله نقلیه را بخاطر تغییرات درون نمونه ای در دوربین های مختلف و محیط بسیار نامشخص پیدا کند."

PVSS ، سیستم جستجوی پیشرفته وسایل نقلیه توسعه یافته توسط محققان ، محدودیتهای رویکردهای فعلی را برطرف می کند. این سیستم از سه ماژول اصلی تشکیل شده است: خزنده اطلاعات خودرو ، نمایه ساز خودرو بر اساس ویژگی های چند دانه ای و جستجوی پیشرفته وسایل نقلیه.

محققان در مقاله خود می نویسند: "برای تضمین دقت و کارایی بالا در حین جستجو ، یک سری ساختار داده برای سیستم جستجوی وسیله نقلیه طراحی شده است." "در خزنده ، نه تنها محتوای بصری بلکه اطلاعات متنی از شبکه های نظارتی استخراج می شود. داده های چند حالته سپس توسط مدل های مبتنی بر یادگیری عمیق برای به دست آوردن ویژگی های تبعیض آمیز و قوی وسایل نقلیه مورد سوء استفاده قرار می گیرند ، که سپس توسط چند سطح سازماندهی می شوند. شاخص ها: در فرایند جستجو ، وسیله نقلیه به صورت پیشرونده جستجو می شود ، از جمله جستجوی از درشت به ریز در دامنه ویژگی و جستجوی از نزدیک به دوردست در فضای فیزیکی. "

در اصل ، مؤلفه خزنده وسایل نقلیه در فیلم های نظارت ، انتقال تصاویر وسیله نقلیه ضبط شده ، ابرداده و سایر اطلاعات متنی را به ابر یا سرور ردیابی و ردیابی می کند. پس از آن ، مؤلفه ایندکسل خودرو ویژگی های چند دانه وسایل نقلیه مانند ویژگی های تصویری و اثر انگشت صفحه پلاک را استخراج و فهرست بندی می کند.

پرس و جو که شامل تصویر وسیله نقلیه ورودی ، و همچنین محدوده زمانی و دامنه مورد علاقه مکانی است ، سپس به مؤلفه جستجوگر وسیله نقلیه منتقل می شود ، که به تدریج وسیله نقلیه را در پایگاه داده تصویر جستجو می کند.

لینک فیلم: https://www.namasha.com/v/gFaRKlVT

محققان سیستم جستجوی پیشرفته وسایل نقلیه خود را در مجموعه داده های VeRi ، که شامل بیش از 50،000 تصویر جمع آوری شده از 20 دوربین نظارت در تنظیمات دنیای واقعی است ، ارزیابی کردند. در این آزمایشات ، PVSS به نتایج قابل توجهی دست یافت و از همه روشهای جستجوی ظاهری و روشهای چند مودال که با آن مقایسه شده بود ، پیشی گرفت.

محققان در مقاله خود می نویسند: "آزمایش های گسترده روی مجموعه داده های جستجوی وسایل نقلیه در مقیاس بزرگ که از شبکه نظارتی در دنیای واقعی جمع آوری شده است ، نتایج پیشرفته سیستم پیشنهادی را نشان می دهد."

صخره های آلفاستار اگر همین نام آن نشان از غرور و افتخار مکان دارد ، به خوبی کسب می شود.

AlphaStar یکی از افراد مشهور AI AI bot du jour است ، زیرا سایت های فناوری شاهد مسابقه ای هستند که اخیراً از اینترنت پخش شده است.

"AlphaStar" در نمایشی که حول مسابقات مقابل حریف های برتر StarCraft بود ، از جریان مستقیم رونمایی شد. در پایان روز ، AlphaStar اکثر مسابقات را در برابر بازیکنان حرفه ای جهان به دست آورد. ناظران Gamester گفتند ، بیایید با آن روبرو شویم ، AlphaStar حتی از آن مسابقه مسابقه یاد گرفته است ، و ممکن است دفعه بعدی غیر قابل شکست باشد.

Ryan Whitwam در ExtremeTech گفت: "DeepMind دارای هوش مصنوعی است که بهترین بازیکنان جهان StarCraft II را ضرب و شتم می کند ، و حتی نزدیک هم نیست ." و ، بله ، او در مورد AlphaStar صحبت می کرد.

دیوید سیلبر ، مدیرعامل ، پروژه AlphaStar ، DeepMind ، گفت كه این تیم می خواستند پروژه StarCraft را برای مقیاس و سرعت بخشیدن به پیش ببرند. StarCraft چیست؟ همانطور که بلیزارد اظهار داشت ، "بازی های StarCraft به عنوان یک" چالش بزرگ "برای جامعه هوش مصنوعی ظهور کرده اند ، زیرا آنها محیط مناسبی برای محک پیشرفت در برابر مشکلاتی مانند برنامه ریزی ، مقابله با عدم اطمینان و استدلال مکانی هستند."

DeepMind ، بخشی از گروه Alphabet ، بازی ها را جدی می گیرد و StarCraft ، یک رقیب اصلی ، برای تحقیقات AI کاملاً مفید است. همانطور که وبلاگ نویسان DeepMind می گویند ، این جامعه به دنبال "بازیهایی با پیچیدگی در حال افزایش است که عناصر مختلفی از هوش مورد نیاز برای حل مشکلات علمی و دنیای واقعی را ضبط می کند ".

"بازی های StarCraft به عنوان یک" چالش بزرگ "برای جامعه AI ظاهر شده اند زیرا آنها محیط مناسبی برای محک پیشرفت در برابر مشکلاتی مانند برنامه ریزی ، مقابله با عدم اطمینان و استدلال مکانی هستند ."

در StarCraft II ، پخش کننده چند وظیفه ای مجبور است هر دو به صورت خرد و کلان فکر کند. تیم DeepMind گفت ، بازیکنان اقتصاد با تصویر بزرگ و کنترل سطح میکرو را کنترل می کنند ، "آنها را به مرزهای توانایی های استراتژیک و تاکتیکی خود فشار می آورد."

دانشمند جدید مشخصات خاصی ارائه داده است. "در StarCraft II ، بازیکنان باید ارتش را در سراسر زمین کنترل کنند. آنها باید زیرساخت ها را بنا کنند و سود کوتاه مدت را با مزایای بلند مدت به دست آورند . آنها همچنین همیشه نمی توانند نقشه کامل را ببینند ، بنابراین باید بر روی اصناف و شهود عمل کنند. از اقدام محکم. "

بنابراین، چه کسی بود گیمر های حرفه ای انسان را دیدم که ربات آنها را در بهترین تلاش خود را به ضرب و شتم نیست اجازه دهید که اتفاق می افتد؟

اسامی بازیکنان MaNa و TLO است. آنها Grzegorz "MaNa" Komincz از لهستان و Dario "TLO" Wunsch از آلمان هستند. Devin Coldewey در TechCrunch گفت: MaNa و TLO از تیم مایعات رقابتی هستند .

لینک فیلم: https://www.namasha.com/v/sVom78jN
بسیاری از سایتها گزارش از نتایج نبردها و StarCraft II برنده بودند. کریس استوکل واکر در New Scientist گزارش داد که "در دو سری بهترین از پنج سری ، هوش مصنوعی DeepMind دو حرفه ای برتر را 5 بر صفر شکست داد."

DeepMind پنج نسخه از AI ، AlphaStar خود ایجاد کرد و آنها را آموزش داد. آموزش آنها شامل فیلم هایی از بازی های انسانی بود. به گفته وبلاگ نویسان DeepMind ، یک شبکه عصبی عمیق که مستقیماً از داده های بازی خام با یادگیری نظارت شده و تقویت یادگیری آموزش می گیرد. AlphaStar ، اضافه شده Coldewey ، از تماشای بازی انسانها در ابتدا آموخته است ، "اما خیلی زود مهارت های خود را با بازی در برابر جنبه های خود رعایت کرد.

ویکتور تانگرمان برای Futurism در تعطیلات AlphaStar "حزب را تمام کرد" ، و "ماشین ها دست بالا را دارند" تلفظ کرد. داستان اصلی وی این بود که "شركت هوش مصنوعی انقلابی DeepMind با نام AlphaStar ، فقط در بازی StarCraft II تسلط داشت. یك بازی ویدیویی استراتژی علمی تخیلی با ضرب و شتم دو نفر از بهترین بازیکنان جهان پنج بازی به صفر."

سیم به زنگ زنگ پیوست. یک پیروزی دیگر برای رباتها. تام سیمونیت هیچ دلیلی برای رقیق کردن درام درباره "یک جریان سه ساعته در یوتیوب که در آن بیگانگان و روبات ها با مرگ می جنگند" پیدا نکردند .

با توجه به پیروزی چشمگیر در سمت AI ، زمین بازی ممکن است چگونه باشد؟

تیمی از محققان دانشگاه پکن و JD AI Research اخیراً یک چارچوب استدلال چند دانه برای شناخت روابط اجتماعی تهیه کرده اند. چارچوب آنها ، در مقاله ای که از قبل در مورد arXiv منتشر شده است ، برای تجزیه و تحلیل تصاویر افراد در صحنه های مختلف و پیش بینی رابطه اجتماعی بین آنها آموزش داده شده است.

استنباط موثر در روابط اجتماعی بین مردم می تواند به عوامل هوشمند کمک کند تا درک بهتری از رفتارها و عواطف انسانی داشته باشند. شناخت رابطه اجتماعی مبتنی بر تصویر مستلزم توانایی طبقه بندی رابطه بین جفت افراد در یک تصویر در انواع روابط از پیش تعریف شده ، مانند دوستان ، خانواده ، آشنایان ، غریبه ها و غیره است.

ابزارهای شناسایی ارتباطات اجتماعی مبتنی بر تصویر می توانند کاربردهای مفیدی داشته باشند ، به عنوان مثال در جمع آوری تصویر شخصی و درک رویدادهای اجتماعی. پیشرفت های اخیر در یادگیری عمیق ، فرصت های جدیدی را برای شناخت روابط اجتماعی گشوده است و منجر به پیشرفت های چشمگیر در عملکرد می شود.

با این وجود ، به طور خودکار به رسمیت شناختن روابط اجتماعی در تصاویر ، تاکنون چالش برانگیز بوده است ، خصوصاً به دلیل شکاف اساسی بین حوزه های محتوای بصری و روابط اجتماعی. اکثر رویکردهای موجود با استفاده از ویژگیهای پردازش جداگانه مانند صورت ، ظاهر بدن و سرنخهای متنی کار می کنند.

محققان در مقاله خود نوشتند: "روشهای موجود برای شناخت روابط اجتماعی معمولاً از ویژگیهای بصری سطح پایین مانند ظاهر افراد ، ویژگیهای چهره و اشیاء متنی استفاده می کنند." "اگرچه برخی از رویکردها روابط بین اشخاص و اشیاء را مورد بررسی قرار می دهند ، اما تنها همزیستی را در یک تصویر در نظر می گیرند. با این وجود ، تنها با توجه به نمایندگی تک دانه ای می توان به سختی بر شکاف دامنه بین ویژگیهای بصری و روابط اجتماعی غلبه کرد."

مروری بر چارچوب استدلال چند دانه ای. اعتبار: ژانگ و همکاران.
با تجزیه و تحلیل ویژگیها به صورت جداگانه ، روشهای موجود برای شناسایی روابط اجتماعی به طور معمول قادر به ضبط معانی چند ذره ای ، مانند صحنه های کلی یا مکانهایی که افراد در یک تصویر قرار دارند ، و همچنین تعامل بین افراد و اشیاء نیست. برای رسیدگی به این محدودیت ها ، تیم محققان دانشگاه پکن و JD AI Research یک چارچوب استدلال چند دانه ای برای شناخت روابط اجتماعی در تصاویر طراحی کردند.

چارچوب آنها دانش کلی جهانی را از کل صحنه و جزئیات سطح میانی از مناطقی که افراد و اشیاء در یک تصویر قرار دارند ، کسب می کند. همچنین دانه های ریز و درشت نقاط کلیدی مردم را کشف می کند تا از تعامل بین افراد و اشیاء پرده برداری کند.

لینک فیلم: https://www.namasha.com/v/dFHRrToj

محققان در مقاله خود توضیح دادند: "به طور خاص ، نمودارهای شخصیت-هدایت شده برای شخص منفی و نمودار شخص-درخشان به منظور مدل سازی اقدامات از افراد به موضوع و تعامل بین افراد زوج به ترتیب پیشنهاد می شوند." "بر اساس این نمودارها ، استدلال در رابطه اجتماعی توسط شبکه های حلقوی نمودار انجام می شود. سرانجام ، ویژگی های جهانی و دانش استدلالی به عنوان یک بازنمایی جامع برای شناخت روابط اجتماعی ادغام می شوند."

محققان مدل خود را بر روی دو مجموعه داده روابط اجتماعی در مقیاس بزرگ ، یعنی افراد در زمینه اجتماعی (PISC) و مجموعه افراد در آلبوم عکس (PIPA) ارزیابی کردند. مجموعه داده PISC حاوی تصاویری از روابط اجتماعی مشترک در زندگی روزمره است ، در حالی که مجموعه داده PIPA حاوی تصاویر حاشیه نویسی بر اساس نظریه حوزه اجتماعی است که زندگی اجتماعی را به پنج حوزه و 16 روابط مختلف تقسیم می کند. در این آزمونها ، مدل آنها نتایج چشمگیری به دست آورد ، و از بسیاری از روشهای پیشرفته و برتر استفاده می کند.

با وجود این نتایج دلگرم کننده ، توسعه ابزار برای به رسمیت شناختن روابط اجتماعی بسیار چالش برانگیز است ، به خصوص وقتی این روابط صمیمی مانند روابط بین دوستان ، خانواده یا زوجین باشد ، که تشخیص بینندگان انسانی نیز می تواند دشوار باشد. در آینده محققان قصد دارند روشهای جدیدی را برای کشف نشانه های زمینه در تصاویر و غلبه بر چالش های ناشی از کمبود داده های موجود برای برخی از انواع روابط اجتماعی کشف کنند.

در این زمان ، خبرها کلماتی از قبیل اشکالات ، ویروس ها و بدافزارها را بطور مکرر آشنا کرده اند ، به طوری که کاربران رایانه در مورد نحوه جلوگیری از قربانی شدن در طیف وسیعی از تهاجم های امنیتی ، به آموزش خودآموزی می پردازند.

اکنون می توان "Malvertisers" را به لیست بدحجابی اضافه کرد که ناظران امنیتی را روی انگشتان خود نگه می دارند. سرفصل Ars Technica موردی بود. "Malvertisers کاربران Mac را با کد ثابت شده در تصویر هدف قرار می دهد." برنامه نویسی HTML5 به تبلیغات مخرب کمک می کند تا از اسکنر جلوگیری کنند. الیا استین از محرمانه آنچه را که اکنون با آن روبرو هستیم توضیح داد. براساس وبلاگ Confiant ، این Confirm و Malwarebytes بودند که این بار تبلیغاتی مبتنی بر استگانوگرافی را مشاهده کردند.

Confiant نام payload را به عنوان VeryMal نامگذاری کرد. تأیید گزارش شده تبلیغات شجاعانه زیر پوشش به روزرسانی های Flash و نرم افزار تعمیر رایانه شخصی.

Shaun Nichols در The Register این مشکل را "عملیاتی بدخیم کننده که از طریق تصاویر تبلیغی مسموم پخش می شود" ارائه کرد.

دن گودین در Ars Technica گزارش داد كه " حمله بمب گذاری دو روزه 5 میلیون بار در روز انجام شد. در هسته طوفان" JavaScript بسیار استتار شده بود كه در تصاویر خیره شده بود تا یك تروجان روی Mac بازدید كنندگان نصب شود. "

Ionut Ilascu در BleepingComputer به طور مشابه گزارش کرد که Confiant گفت که این کمپین اخیر VeryMal " بین 11 تا 13 ژانویه دو روز به طول انجامید و فقط بازدید کنندگان ایالات متحده را هدف قرار داد."

برنامه های جالب استفاده از آسیب پذیری جاوا اسکریپت در مکینت ها برای تغییر مسیر مرورگرها به سایت "در جایی که شما فرصتی برای نصب یک به روز رسانی Flash" دارید استفاده می شود. به نظر می رسد از 11 تا 13 ژانویه فعال ترین بوده است ، اما شواهد نشان می دهد که فعال از دسامبر، گفت: " PC چشم انداز .

BleepingComputer گزارش داد: "تجزیه و تحلیل از آدام توماس از Malwarebytes نشان می دهد که بروزرسانی phony یک نصب کننده adware macOS است که به Shlayer معروف است."

بنابر گزارشها، این بود پنهاننگاری مبتنی بر محموله آگهی حذف یک Shlayer تروجان در افراد با استفاده از مکینتاش.

Trl Shlayer؟ ممکن است در مورد این مورد در سال گذشته مطالعه کرده باشید که محققان OSX / Shlayer و مخرب Mac را کشف کردند. سال گذشته در یک بلاگ امنیتی ، جوشوا لانگ ، یک تحلیلگر امنیتی در Intego ، اظهار داشت: در حالی که بدافزار مبدل به عنوان بروزرسانی Adobe Flash Player چیز جدیدی نبود ، برخی از نصب های نصب کننده های Flash Player جعلی روشی برای بارگیری محتوای اضافی داشتند.

استین در پاسخ به سؤال خواننده: "برای اینکه به این بدافزار آلوده شوید ، باید تبلیغی را از کمپین مهاجم دیده باشید. همه کسانی که این تبلیغ را می بینند به نصب کننده بدافزار هدایت نمی شوند ، اما معدودی از قالب های متناسب با آنچه مهاجم به دنبال اراده است. "

لینک فیلم: https://www.namasha.com/v/vqciaSWB

در همین حال ، سایت Confiant مجموعه ای تأثیرگذار از اثرات سوء استفاده کننده در تجارت را فراهم کرده است. به دلیل این برداشت های مخرب چه اتفاقی می افتد؟ وبلاگ Confient تأثیر را بررسی کرد.

"شما ناشر دارید که به طور مستقیم از جلسات قطع شده کاربر ، پول خود را از دست می دهد ، و پول آینده را از افزایش استفاده برای مسدود کردن آگهی و از دست دادن اعتماد کاربر از دست می دهد. تبادل آگهی هایی وجود دارد که دسترسی به موجودی خود را در حین مبارزه با عفونت قطع کرده و خواهند داشت. برخی از ناشران موجودی خود را به طور دائم بیرون می کشند. تبلیغات در نتیجه تقلب در تبلیغات از دستگاه های آلوده گیر می آیند. و اجازه ندهیم از کاربر که اکنون یک دستگاه آلوده دارد ، غافل شویم. "

محرمانه تأثیر هزینه را برای اوج یازدهم ژانویه نشان داد و به بیش از 1.2 میلیون دلار رسید.

آیا به دنبال یک برآورد دور از کد مخرب در تصاویر تبلیغی هستید؟ Catalin Cimpanu در ZDNet به گزارش GeoEdge از نوامبر گذشته اشاره کرد: کد مخرب پنهان شده در تصاویر تبلیغاتی باعث خسارت های مالی شبکه های تبلیغاتی شده است که در سال 2018 حدود 1.13 میلیارد دلار تخمین زده شده است.