数据及平台驱动的AI创新微软智能云和智能边缘

随着智能设备的发展,预计在2020年,全球的物联网设备所产生的数据将达到20B.那么这些设备所产生的数据应当如何处理?这是一个非常棘手的问题.微软的世界观将我们的智能云平台的某些能力,延伸到边缘设备中,形成我们所倡导的智能云业务.因为如果将所有数据处理都放到云端,那么云端的计算将无法承受.所以我们尽可能将云端的计算能力与人工智能迁移到边缘.

面向自动驾驶的大规模图像安全传输与可信人工智能技术研究

近年来,随着大数据和云计算技术的发展,人工智能(Artificial Intelligence,AI)技术已深入到交通领域的方方面面.作为交通产业与人工智能,大数据和物联网等新一代信息技术深度融合的产物,自动驾驶为解决交通安全,道路拥堵,能源消耗和环境污染等问题提供了新的解决方案,有望成为此次人工智能热潮中最具价值的应用场景.快速发展的自动驾驶技术和日益复杂的车载系统对系统安全提出了新的挑战.一方面,车载传感器采集的海量信息为自动驾驶系统的智能升级提供了有力支撑.但传统基于计算复杂度的公钥密码体系无法满足当前采集的海量图像信息安全传输和实时响应要求.另一方面,资源密集型的AI算法通常需要云平台提供的计算和存储资源完成AI模型的训练和预测.但包括云平台在内的远端服务所使用的基础设施通常由不受信任的第三方管理.如何将AI安全地融入到自动驾驶系统已成为其发展过程中亟待解决的问题.针对上述问题,本文重点分析了面向自动驾驶的大规模图像安全传输技术与可信AI算法.具体从以下三个方面展开研究:(1)针对传统基于公钥的数据保护方法无法满足自动驾驶系统海量数据实时安全传输的问题.本文提出一种基于可视密码的安全,高效的图像分存方案,解决了自动驾驶数据保护与实时响应之间的矛盾.通过融合秘密共享的阈值特性与图像的视觉友好特性,可视密码将复杂的加解密操作转换为简单的布尔运算,为海量图像的隐私保护提供了一种无密钥依赖的解决方案,去除了传统加密方法中带来的性能损失,为自动驾驶这类大数据应用的数据保护提供了一种新的理论方法.(2)针对可视密码解密图像中的噪声干扰问题,本文利用迁移学习方法将从大规模数据集训练出的高精度模型参数迁移到面向加密图像这类有损数据的识别模型中.利用迁移学习的强泛化能力消除了可视密码中的干扰信号导致识别精度下降的问题,为加密数据集的高精度识别提供了一种新的技术方案.(3)针对运行在不可信云平台中的自动驾驶AI算法易受攻击的问题.本文提出一种基于可信执行环境(Trusted Execution Environment,TEE)的AI算法运行时保护方案.利用动态依赖分析和Lib OS(Library Operating System)技术让现有AI识别系统无需代码重构即可直接运行在安全区中,防止运行过程中敏感数据被嗅探.该方案屏蔽了传统隐私保护技术底层的复杂性,为TEE中的应用创建了一种更为友好的运行模型.本文利用远程认证机制进一步防止分存的识别模板数据被包括操作系统在内的不可信第三方窃取,从而保护运行在不可信的云平台中的AI识别系统的安全性与可信性.在多个交通图像数据集上的实验结果显示,本论文提出的方案在保护大规模图像数据的安全传输与可信运行的同时,保持了AI模型的高精度识别特性.

AI+IoT平台赋能智能化商业生态

前景可观的智能家居市场不仅催生了智能家居企业,也催生了提供智能化解决方案的物联网平台。涂鸦智能在Io T的赛道上,致力于构建开放的生态平台,实现"人工智能+制造业"的服务闭环。

基于AI大数据的物联网安全监测平台

随着万物互联的快速发展,物联网日趋网络化,集成化,智能化.目前市场上的智能联网设备大多处于无防护状态,存在安全漏洞,极易被攻击.当终端受到网络攻击和入侵时,用户无法感知,无法管控,给信息化生活带来严重危害,甚至危害网络关键基础设施,危害国家安全.针对物联网安全现状,基于AI大数据分析,面向泛物联场景,安恒提供集资产识别,安全检测,安全审计,安全运营于一体的安全管理平台,分别从资产风险梳理,边界安全监测,网络空间测绘,威胁入侵监测及安全态势感知5大维度对资产信息威胁进行实时感知,以可视化形式多维度地展示当前资产安全状态.