探索后疫情时代的未来办公新变局
|
风险管理框架是由美国国家标准技术研究院(NIST)于2010年制定和发布，之后被美国国防部(DoD)采用，以作为信息安全组织对风险管理流程进行增强和标准化的准则。几乎所有希望加强网络安全和风险管理的公司都可以使用该框架。 风险管理是通过实施有助于进行早期风险检测和处理的安全控制措施来保护组织机构资产和系统的手段。风险管理框架通过将网络安全和风险管理融入到系统开发过程的早期阶段，以帮助企业将更多体系和监督机制引入到系统开发生命周期中，从而实现这一目标。 虽然要求联邦机构在为政府平台开发系统时遵循该风险管理框架，但该框架也可以帮助非政府企业进行IT风险管理。 风险类别 将风险分为七个高级类别有助于企业更好地了解风险来自何处，或风险可能来自何处。通过以这种方式对风险进行分类，组织机构可以快速缩小他们在开发周期中需要关注的范围，以解决所有问题，并对如何建立安全策略有更清晰的了解。 风险类别包括：
风险管理框架的步骤 风险管理框架是通过对信息安全实施严格的控制来帮助企业使风险管理标准化。风险管理框架的最新版本于2018年发布，您需要遵循其七个步骤来正确地实施。风险管理框架的七步方法的最终目标是进入运行授权(ATO)阶段，即允许系统在政府环境中运行的阶段。 以下是如何通过遵循风险管理框架的七个步骤来进入运行授权阶段：
网站7月14日报道，新加坡南洋理工大学和悉尼科技大学的研究人员最近在《自然·电子学》杂志发文公布了一种机器学习架构，可通过分析可伸缩应变传感器捕捉到的图像识别人类手势。 项目研究人员Xiaodong Chen在接受TechXplore采访时说：“人脑如何处理信息?我们对此很感兴趣。在人脑中，思维、规划和灵感等高级感知活动，不仅依赖特定的感官信息，还与不同传感器的多感官信息综合整合有关。这为我们结合视觉信息和躯体感觉信息，实现高精度手势识别提供了启示。” 人类在解决实际任务时，通常会整合从周围环境收集到的视觉和体感信息。两种类型的信息是互补的，当它们结合在一起时，能够为解决问题提供更好的方案。因此，在开发人类手势识别技术时，Chen等需要确保该技术能够整合多个传感器收集到的不同类型的感知信息。Chen解释：“为了实现目标，我们对传感器进行了改进。与目前使用的可穿戴传感器相比，新设计的可伸缩、高适应性传感器可以更准确地收集肢体感觉数据。我们还开发了一种仿生体感-视觉(BSV)学习框架，它可以合理地融合视觉信息与体感信息。” Chen等开发的BSV学习框架以多种方式复制了人类大脑的体感-视觉信息融合途径，表现出三大特点：首先，它的多层、层级结构以人工神经网络模仿大脑。其次，系统中的部分分段网络处理模式与大脑中的神经网络处理模态大致相同。最后，BSV架构具备新开发的稀疏神经网络融合特征。 在初步评估实验中，Chen等设计的BSV学习架构的表现优于单式识别方法(只处理视觉或体感数据的方法)。值得注意的是，它能比此前开发的三种多模态识别技术(加权平均融合SV-V，加权强调融合SV-T和加权倍增融合SV-M)更准确地识别人类手势。 Chen说：“与单式识别和常见多模态识别相比，我们开发的仿生学习架构具有更高的识别精度。而在图像有噪声、曝光不足或曝光过度等非理想条件下，它的识别精度也相对更高。”
BSV学习架构可用于制造医疗机器人，或者开发更先进的虚拟现实、增强现实和娱乐技术。Chen说：“BSV独特的仿生特性使其优于多数现有技术。这已经被实验结果证实。下一步，我们将尝试构建基于仿生融合的虚拟现实和增强现实系统。” （编辑：信阳站长网） 【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! |
