查看“WikiEdge:ArXiv速递/2025-03-28”的源代码
←
WikiEdge:ArXiv速递/2025-03-28
跳转到导航
跳转到搜索
因为以下原因，您没有权限编辑该页面：
您请求的操作仅限属于该用户组的用户执行：
用户
您可以查看和复制此页面的源代码。
== 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。针对NNC方法，我们对一组[[波前传感器]]重建数据（分解为15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]）应用了[[自组织映射]](SOM)训练。通过分析SOM相邻[[权重]]距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用联合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。通过设定0.8的[[不一致性截断值]]，最终确定7个簇作为系统分割的最大数量。此外，采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个非重叠簇的数据分割中获得了0.905的平均[[轮廓系数]]值。研究表明，HC的联合连接与相异度算法结合KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠——后者若改变SOM尺寸或不一致性截断值可能导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Depolarization studies on low-depolarizing Cu/Ti and Ni(Mo)/Ti neutron supermirrors * '''中文标题'''：低去极化Cu/Ti与Ni(Mo)/Ti中子超镜的去极化研究 * '''发布日期'''：2025-03-28 16:03:35+00:00 * '''作者'''：Jose Manuel Gómez-Guzmán, Karina Bernert, Anton Devishvili, Christine Klauser, Bastian Märkisch, Ulrich Schmidt, Torsten Soldner * '''分类'''：physics.ins-det *'''原文链接'''：http://arxiv.org/abs/2503.22561v1 '''中文摘要'''：[[中子超镜]](SMs)是众多[[散射]]和[[粒子物理实验]]的关键组件。由于[[Ni(Mo)/Ti超镜]]相较于[[Ni/Ti超镜]]具有更低的[[饱和磁化强度]]，迄今被广泛应用于[[极化中子束]]传输实验。然而，新一代[[β衰变实验]]要求超镜每次反射的[[退极化率]]低于10^-4才能达到目标精度，而[[Ni(Mo)/Ti超镜]]反射导致的[[极化中子束]]退极化尚未达到该精度量级的测量结果。近期开发的[[Cu/Ti超镜]]相比[[Ni(Mo)/Ti超镜]]具有极低[[饱和磁化强度]]，可能成为替代方案。本文测试了两种镜面的性能：首先在[[SuperADAM中子反射仪]]上测量[[Ni(Mo)]]和[[Cu]]单层的四态[[极化中子反射率]](PNR)曲线，通过全[[极化分析]]显示两种材料的[[磁散射长度密度]](mSLD)存在差异，其中[[Cu]]的mSLD低于[[Ni(Mo)]]；该结果在m=2的[[Ni(Mo)/Ti超镜]]和[[Cu/Ti超镜]]四态PNR曲线全[[极化分析]]中得到验证。其次利用[[Opaque Test Bench装置]]测量相同超镜反射后的[[退极化率]](D)，在1σ置信水平下获得[[退极化率]]上限：D_Cu/Ti(4N5)<7.6×10^-5、D_Ni(Mo)/Ti<8.5×10^-5、D_Cu/Ti(2N6)<6.0×10^-5（其中(4N5)对应[[钛]]纯度99.995%，(2N6)对应99.6%）。统计[[不确定度分析]]表明三种超镜均适用于新一代[[β衰变实验]]，且未发现[[退极化率]]与[[q值]]或样品所处[[磁化场]]的显著相关性。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示虽然68%的企业已实施[[DevSecOps]]，但采用过程受到[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）的阻碍。尽管73%的企业领导层将[[安全]]作为优先事项，[[自动化]]缺口仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Understanding Software Vulnerabilities in the Maven Ecosystem: Patterns, Timelines, and Risks * '''中文标题'''：理解Maven生态系统中的软件漏洞：模式、时间线与风险 * '''发布日期'''：2025-03-28 12:52:07+00:00 * '''作者'''：Md Fazle Rabbi, Rajshakhar Paul, Arifa Islam Champa, Minhaz F. Zibran * '''分类'''：cs.SE *'''原文链接'''：http://arxiv.org/abs/2503.22391v1 '''中文摘要'''：[[软件库]]和[[可复用组件]]中的[[漏洞]]会引发重大[[安全挑战]]，尤其在[[Maven]]这类[[依赖密集型生态系统]]中。本文采用[[Goblin框架]]对[[Maven生态系统]]的[[漏洞]]进行了大规模分析，重点研究[[漏洞类型]]特征、[[文档记录]]延迟及[[修复时间线]]的影响。我们识别出77,393个存在[[漏洞]]的版本，涉及226种独特[[CWE]]漏洞类型。平均而言，[[漏洞]]需要近五年时间被记录，4.4年时间被修复，部分[[漏洞]]甚至超过十年仍未解决。[[漏洞记录]]与[[修复]]的延迟给[[库使用者]]带来[[安全风险]]，凸显了[[Maven生态系统]]需要更审慎高效的[[漏洞管理机制]]。 == 摘要 == * '''原文标题'''：Cross-Technology Generalization in Synthesized Speech Detection: Evaluating AST Models with Modern Voice Generators * '''中文标题'''：跨技术泛化在合成语音检测中的评估：基于AST模型与现代语音生成器的研究 * '''发布日期'''：2025-03-28 15:07:26+00:00 * '''作者'''：Andrew Ustinov, Matey Yordanov, Andrei Kuchma, Mikhail Bychkov * '''分类'''：cs.SD, cs.CR, eess.AS *'''原文链接'''：http://arxiv.org/abs/2503.22503v1 '''中文摘要'''：本文评估了音频[[频谱变换器]]([[AST]])架构在[[合成语音]]检测中的应用，重点关注其在不同现代[[语音生成]]技术间的[[泛化能力]]。通过采用[[差异化增强]]策略，该模型在测试[[ElevenLabs]]、[[NotebookLM]]和[[Minimax AI]][[语音生成器]]时总体达到0.91%的[[等错误率]]。值得注意的是，仅使用单一技术102个样本进行[[训练]]后，模型展现出强大的跨技术[[泛化能力]]，在完全未见过的[[语音生成器]]上实现3.3%的[[等错误率]]。本研究为快速适应新兴[[合成技术]]建立了[[基准]]，并证明基于[[变换器]]的架构能够识别不同[[神经语音合成]]方法中的共有[[伪影]]，有助于构建更[[鲁棒]]的[[语音验证系统]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：openKARST：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的[[流动]]和[[输运]]仍是[[水文地质]]研究的难点领域。这些系统的[[流态]]高度动态，常出现[[自由表面流]]与完全[[压力流]]、[[层流]]与[[湍流]]（[[雷诺数]]常超百万）的相互转换。这些转换可能同时在网络内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。openKARST采用[[迭代格式]]求解瞬态[[动力波方程]]，并通过高效[[向量化]]结构优化计算。通过结合[[Preissmann狭缝法]]与[[Darcy-Weisbach方程]]/[[Manning方程]]计算[[摩擦损失]]，实现了光滑/粗糙圆形管道中自由表面流与压力流的转换。为减少[[Colebrook-White方程]]常见的数值波动，采用[[Churchill连续公式]]计算[[摩擦因子]]来动态模拟层流-湍流转换。该代码支持岩溶系统常见[[边界条件]]，并提供[[网络导入]]、[[导出]]及[[可视化]]功能。通过多组[[解析解]]对比和[[实验室实验]]验证了代码可靠性，最后通过模拟[[墨西哥]][[Ox Bel Ha]]（目前最大探明岩溶网络之一）的[[合成补给事件]]展示了openKARST的实际应用能力。 == 摘要 == * '''原文标题'''：Comparison of plasma dynamics in Coronal Holes and Quiet Sun using flux emergence simulations * '''中文标题'''：利用磁通浮现模拟对比日冕洞与宁静太阳的等离子体动力学 * '''发布日期'''：2025-03-28 15:13:56+00:00 * '''作者'''：Vishal Upendran, Durgesh Tripathi, Bhargav Vaidya, Mark Cheung, Takaaki Yokoyama * '''分类'''：astro-ph.SR, physics.plasm-ph, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2503.22509v1 '''中文摘要'''：本文通过2.5维[[磁流体动力学]]通量浮现模拟，对比研究了[[冕洞]]（CHs）与[[宁静区]]（QS）的[[等离子体]]动力学特性。新浮现通量与背景[[磁场]]的[[重联]]过程会形成具有高温边界的冷致密等离子团，以及速度达$\approx50$ km s$^{-1}$的冷热喷流。我们对[[过渡区]]和[[日冕]]温度谱线进行了[[光谱合成]]分析。与宁静区相比，冕洞在喷流（下沉流）阶段表现出[[辐射强度]]减弱、上升流（下降流）增强及[[谱线宽度]]变化。热谱线的速度和宽度在冕洞中与z=0处垂直磁场呈强正相关，而冷谱线强度仅呈弱相关——这一现象在宁静区未出现。冕洞喷流期间，[[Si IV]]谱线的上升流与其他谱线上升流（下降流）呈正（反）相关，其下降流则与其他谱线上升流（下降流）呈正（反）相关；但在下沉流阶段，Si IV与其他谱线速度无显著关联。喷流期的相关性源于热冷喷流的时空同源性，而下沉流期的无关联性则表明热冷等离子体发生解耦。这些结果证明，[[大气层]]中通量浮现与背景磁场的重联过程，共同构成了[[太阳风]]形成与[[日冕加热]]的统一物理图景。 == 摘要 == * '''原文标题'''：CAT: A GPU-Accelerated FHE Framework with Its Application to High-Precision Private Dataset Query * '''中文标题'''：CAT：一种GPU加速的全同态加密框架及其在高精度私有数据集查询中的应用 * '''发布日期'''：2025-03-28 08:20:18+00:00 * '''作者'''：Qirui Li, Rui Zong * '''分类'''：cs.CR, cs.DC *'''原文链接'''：http://arxiv.org/abs/2503.22227v1 '''中文摘要'''：我们推出了一款开源[[GPU加速]]的[[全同态加密]]框架[[CAT]]，在功能性和效率上均超越现有解决方案。该框架采用三层架构：核心[[数学基础]]层、预计算元素与组合操作桥接层、以及[[API]]可访问的[[FHE算子]]层。通过并行执行操作、明确定义的[[密文]]数据布局模式、[[内核融合]]/分段以及双[[GPU池]]等技术，显著提升了整体执行效率。此外，其[[内存管理]]机制确保了服务器端适用性并防止[[数据泄露]]。 基于该框架，我们实现了三种广泛使用的[[FHE方案]]：[[CKKS]]、[[BFV]]和[[BGV]]。测试结果表明，在[[Nvidia 4090]]上运行时，特定操作相比[[CPU]]实现最高可获得2173倍加速，较当前最优[[GPU加速]]方案提升1.25倍。我们还通过基于[[CKKS]]的隐私[[数据库查询]]进行场景验证，相比[[CPU]]版本实现33倍加速。所有查询任务均可在单[[GPU]]上1秒内处理高达$10^3$行数据集，仅需2-5GB[[存储空间]]。 该实现已通过全面[[稳定性测试]]，可轻松部署于商用[[GPU]]。我们期望这项工作能通过提供强大、工业级开源工具，显著推进前沿[[FHE算法]]与各类实际系统的集成。 == 摘要 == * '''原文标题'''：Search for electroweak production of vector-like leptons in $τ$-lepton and $b$-jet final states in $pp$ collisions at $\sqrt{s}$ = 13 TeV with the ATLAS detector * '''中文标题'''：在$\sqrt{s}$=13 TeV的$pp$对撞中利用ATLAS探测器寻找τ轻子和b喷注末态下类矢量轻子的电弱产生 * '''发布日期'''：2025-03-28 16:30:27+00:00 * '''作者'''：ATLAS Collaboration * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.22581v1 '''中文摘要'''：摘要：本文提出对[[矢量轻子]]对产生的搜寻研究，考虑其衰变为第三代[[标准模型]]([[SM]])[[夸克]]和[[矢量轻夸克]]($U_1$)的过程，该过程由被称为'[[4321模型]]'的[[SM]]紫外完备扩展理论所预言。基于$U_1$衰变为第三代[[SM]][[费米子]]的假设，末态可能包含多个[[$\tau$轻子]]和[[$b$夸克]]。此项搜寻基于[[大型强子对撞机]][[Run 2]]期间[[ATLAS探测器]]记录的$\sqrt{s}=13$ TeV[[质子-质子对撞]]数据集，对应[[积分亮度]]高达140 fb$^{-1}$。未观察到显著超出[[SM]][[背景预期]]的信号，并作为[[矢量轻子]][[质量]]的函数给出了[[截面]]与[[分支比]]的95%[[置信水平]][[上限]]。对[[矢量轻子]][[质量]]设置的[[下限]][[观测值]]([[预期值]])为910 GeV (970 GeV)。此外，结果还被解释为具有与第三代[[夸克]]和[[轻子]][[$R$宇称]][[破坏耦合]]的[[超对称模型]]，获得[[希格斯微子]][[质量]][[下限]][[观测值]]([[预期值]])为880 GeV (940 GeV)，[[wino]][[质量]][[下限]]为1170 GeV (1170 GeV)。 == 摘要 == * '''原文标题'''：Bottomonium suppression in pNRQCD and open quantum system approach * '''中文标题'''：pNRQCD与开放量子系统方法中的底偶素抑制 * '''发布日期'''：2025-03-28 15:09:45+00:00 * '''作者'''：Ajaharul Islam, Nora Brambilla, Miguel Ángel Escobedo, Michael Strickland, Antonio Vairo, Peter Vander Griend * '''分类'''：hep-ph *'''原文链接'''：http://arxiv.org/abs/2503.22507v1 '''中文摘要'''：摘要：通过将[[势非相对论量子色动力学]]([[pNRQCD]])[[有效场论]]应用于[[开放量子系统]]框架，我们推导出描述[[重夸克偶素]][[约化密度矩阵]]演化的[[Lindblad方程]]，其精度达到[[束缚能]]与[[介质温度]]之比的下一个[[领头阶]]([[NLO]])[1]。相较于[[领头阶]][[截断]]，所推导的[[NLO Lindblad方程]]能更可靠地描述低温下[[夸克-胶子等离子体]]中[[重夸克偶素]]的演化。为进行[[现象学]]研究，我们采用[[量子轨迹算法]]对该方程进行[[数值求解]]。通过对[[蒙特卡洛采样]]的[[量子跃迁]]取平均，我们获得了无需截断所考虑状态[[角动量]][[量子数]]的解。我们的分析强调了[[量子跃迁]]在[[底偶素]]于[[夸克-胶子等离子体]]中[[非平衡演化]]过程的重要性[2]。此外，我们证明[[单态]]从[[八重态]][[构型]]的[[量子再生]]机制对于解释[[底偶素抑制]]的[[实验观测]]至关重要。本研究所用的[[重夸克偶素]][[输运系数]]与近期[[格点QCD]][[测定]]结果相符。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个泽尼克变量在[[输入空间]]中的分布和结构，我们通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方面，通过结合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。同时设定0.8的[[不一致性]]截断值确定最大聚类数，最终将系统分割为7个聚类。此外采用KMC方法建立聚类分割效率的量化指标，在将数据分割为K=5个[[非重叠聚类]]时获得0.905的平均[[轮廓值]]。而NNC分析表明15个变量可通过8个聚类的集体影响来表征。研究证实，相较于单独使用NNC或HC评估（改变SOM尺寸或不一致性截断值可能导致全新聚类构型），结合HC的连接与相异度算法和KMC形成的聚类方案更为可靠。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采纳情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[SME]]从业者的调查数据，发现虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了进一步推广。尽管73%的企业领导层高度重视[[安全性]]，[[自动化缺口]]仍然存在——仅12%的组织实现了每次提交都进行[[安全扫描]]。 研究结果突显出[[安全工具]]的加速整合趋势，特别是[[API安全]](63%)和[[软件成分分析]](62%)的采用率较高，但[[容器安全]]采用率仍偏低(34%)。展望未来，[[SME]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这凸显了主动采用[[AI]]驱动[[安全增强]]的必要性。基于研究发现，本研究提出了增强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：openKARST：一种新型开源岩溶系统流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的[[流动]]与[[输运]]仍是[[水文地质]]研究的难点领域。这些系统的[[流态]]高度动态，常出现[[自由表面流]]与[[完全压力流]]、[[层流]]与[[湍流]]（[[雷诺数]]常超百万）的相互转换。这些转换可能同时在网络内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。openKARST采用[[迭代格式]]求解[[瞬态动力波方程]]，并通过高效[[向量化]]结构优化。通过结合[[Preissmann槽法]]与[[Darcy-Weisbach方程]]/[[Manning方程]]计算[[摩擦损失]]，实现了[[光滑/粗糙圆形管道]]中[[自由表面流]]与[[压力流]]的转换。为减少[[Colebrook-White方程]]常见的[[数值波动]]，采用[[Churchill连续公式]]计算[[摩擦因子]]来模拟[[层流]]-[[湍流]]的动态切换。该代码支持[[岩溶系统]]常见[[边界条件]]，以及[[网络导入/导出]]和[[可视化]]功能。通过对比[[解析解]]和[[实验室实验]]进行验证，最后通过模拟[[墨西哥]][[Ox Bel Ha]]（目前最大探明[[岩溶系统]]之一）的[[合成补给事件]]展示其应用。 == 摘要 == * '''原文标题'''：Comparison of plasma dynamics in Coronal Holes and Quiet Sun using flux emergence simulations * '''中文标题'''：基于磁通量浮现模拟的日冕洞与宁静太阳等离子体动力学比较 * '''发布日期'''：2025-03-28 15:13:56+00:00 * '''作者'''：Vishal Upendran, Durgesh Tripathi, Bhargav Vaidya, Mark Cheung, Takaaki Yokoyama * '''分类'''：astro-ph.SR, physics.plasm-ph, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2503.22509v1 '''中文摘要'''：本文通过2.5维[[磁流体动力学]]通量浮现模拟，对比研究了[[冕洞]]（CHs）与[[宁静区]]（QS）的[[等离子体]]动力学特性。新浮现通量与背景[[磁场]]的[[重联]]过程会形成具有高温边界的冷致密等离子体团，以及速度约50 km/s的冷热喷流。我们在[[过渡区]]和[[日冕]]温度谱线上进行了[[光谱]]合成分析。与宁静区相比，冕洞在喷流（下沉流）阶段表现出[[辐射强度]]减弱、上升流（下降流）超额及[[谱线宽度]]变化。热谱线的速度和线宽在冕洞中与z=0处垂直磁场呈强正相关，而冷谱线强度仅呈弱相关——此现象未见于宁静区。冕洞喷流期间，[[Si IV]]谱线的上升流与其他谱线上升流（下降流）呈正（反）相关；其下降流与其他谱线上升流（下降流）的关联性则与宁静区相反。下沉流阶段未发现Si IV与其他谱线速度的强相关性。喷流期的相关性源于热冷喷流空间同源性，而下沉流期的无关联性则表明热冷等离子体解耦。这些结果证明，[[大气]]中通量浮现与背景磁场的重联过程共同支撑了[[太阳风]]形成与[[日冕加热]]的统一机制。 == 摘要 == * '''原文标题'''：Bottomonium suppression in pNRQCD and open quantum system approach * '''中文标题'''：pNRQCD与开放量子系统方法中的底偶素抑制 * '''发布日期'''：2025-03-28 15:09:45+00:00 * '''作者'''：Ajaharul Islam, Nora Brambilla, Miguel Ángel Escobedo, Michael Strickland, Antonio Vairo, Peter Vander Griend * '''分类'''：hep-ph *'''原文链接'''：http://arxiv.org/abs/2503.22507v1 '''中文摘要'''：摘要：通过将[[势非相对论量子色动力学]]([[pNRQCD]])[[有效场论]]应用于[[开放量子系统]]框架，我们推导出描述[[重夸克偶素]][[约化密度矩阵]]演化的[[Lindblad方程]]，其精度达到[[束缚态]]能量与介质温度比值的[[次领头阶]]([[NLO]])[1]。与[[领头阶]]截断相比，所推导的NLO Lindblad方程能更可靠地描述低温下[[夸克-胶子等离子体]]中重夸克偶素的演化。为进行现象学应用，我们采用[[量子轨迹算法]]对该方程进行数值求解。通过对[[蒙特卡洛采样]]的[[量子跃迁]]取平均，我们获得了不考虑所研究态[[角动量]][[量子数]]截断的解。我们的分析强调了量子跃迁在夸克-胶子等离子体中[[底偶素]]态[[非平衡演化]]中的重要性[2]。此外，我们证明[[单态]]从[[八重态]]构型的量子再生对于解释底偶素抑制的实验观测至关重要。本研究中使用的重夸克偶素[[输运系数]]与近期[[格点QCD]]测定结果相符。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。针对NNC方法，我们对一组[[波前传感器]]重建数据应用了[[自组织映射]](SOM)训练，这些数据被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个泽尼克变量在[[输入空间]]中的分布和结构，我们通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用结合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。同时通过设置0.8的[[不一致性截断值]]确定最大簇数，最终将系统分割为7个簇。此外，采用KMC方法建立[[聚类分割]]效率的量化指标，在将数据分割为K=5个非重叠簇时获得0.905的[[平均轮廓值]]。另一方面，NNC分析表明15个变量可通过8个簇的集体影响来表征。研究证实，相较于单独使用NNC或HC评估（改变SOM尺寸或不一致性截断值可能导致全新聚类构型），结合HC的连接与相异度算法与KMC共同形成的聚类方案是更可靠的解决方案。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：中小企业DevSecOps推进：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405位[[中小企业]]专业人士的[[调查数据]]，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业[[领导层]]高度重视[[安全性]]，[[自动化缺口]]仍然存在，仅12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI驱动]]的[[安全增强]]措施。基于研究结果，本文提出了提升[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：开源喀斯特：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的非均质性，复杂[[岩溶系统]]中的[[流动]]与[[输运]]始终是[[水文地质]]研究的难点领域。这些系统的[[流态]]具有高度动态性，会经历从[[自由水面流]]到完全[[承压流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的转变。这些转变可能同时在网络内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。[[openKARST]]采用迭代格式求解瞬态[[动力波方程]]，并通过高效[[向量化]]结构进行优化。通过结合[[Preissmann狭缝法]]与[[Darcy-Weisbach方程]]、[[曼宁公式]]计算[[摩擦损失]]，实现了光滑/粗糙[[圆形管道]]中[[自由水面流]]向[[承压流]]的转换。为减少[[Colebrook-White方程]]常见的数值波动，采用[[Churchill连续公式]]计算[[摩擦因子]]来模拟[[层流]]到[[湍流]]的动态切换。[[openKARST]]支持[[岩溶系统]]中的常见[[边界条件]]，并提供[[网络导入]]、[[导出]]及[[可视化]]功能。代码通过多个[[解析解]]的对比验证，并经过[[实验室实验]]校验。最后通过模拟[[墨西哥]][[Ox Bel Ha系统]]（全球最大探明[[岩溶网络]]之一）的[[合成补给]]事件，展示了[[openKARST]]的应用能力。 == 摘要 == * '''原文标题'''：On the anisotropic velocity distribution of newborn pickup ions in the heliosheath * '''中文标题'''：日鞘中新生拾取离子的各向异性速度分布 * '''发布日期'''：2025-03-28 21:00:56+00:00 * '''作者'''：Senbei Du, Merav Opher, Marc Kornbleuth * '''分类'''：physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2503.22873v1 '''中文摘要'''：[[新生拾取离子]]在[[日球鞘]]内各向异性[[速度分布]]的演化对于理解[[星际边界探测器]]([[IBEX]])观测到的[[能量中性原子]]([[ENA]])通量至关重要。[[日球鞘]]中的[[拾取离子]]包含两个主要成分：穿越[[日球层]][[终止激波]]的传输离子和在[[日球鞘]]内局部产生的离子。本研究重点讨论后者局部产生成分的[[速度分布]]。我们发现，由[[中性]][[太阳风]][[电荷交换]]产生的[[拾取离子]]可能是观测到的100eV至1keV能量范围内[[ENA]]通量的重要来源。此外，[[新生拾取离子]]在[[日球鞘]]内能保持高度各向异性的[[速度分布]]，这是因为[[太阳风]]流在[[终止激波]]减速后[[动力学不稳定性]]较弱。[[混合动力学模拟]]表明，在接近[[终止激波]]的[[日球鞘]]条件下，[[镜像不稳定性]]是主导模式。我们估算[[中性]][[太阳风]]和各向异性效应可能使[[新生拾取离子]]的预期[[相空间密度]]增强超过100倍。 == 摘要 == * '''原文标题'''：Comparison of plasma dynamics in Coronal Holes and Quiet Sun using flux emergence simulations * '''中文标题'''：基于磁通浮现模拟的冕洞与宁静太阳等离子体动力学比较 * '''发布日期'''：2025-03-28 15:13:56+00:00 * '''作者'''：Vishal Upendran, Durgesh Tripathi, Bhargav Vaidya, Mark Cheung, Takaaki Yokoyama * '''分类'''：astro-ph.SR, physics.plasm-ph, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2503.22509v1 '''中文摘要'''：本文通过2.5维[[磁流体动力学]]通量浮现模拟，对比研究了[[冕洞]]（CHs）与[[宁静区]]（QS）的[[等离子体]]动力学特性。新浮现通量与背景[[磁场]]的[[重联]]过程会形成具有高温边界的冷致密等离子团，以及速度约50 km/s的冷热喷流。我们在[[过渡区]]和[[日冕]]温度谱线上进行了[[光谱合成]]分析。与宁静区相比，冕洞在喷流（下沉流）阶段表现出[[辐射强度]]减弱、上流（下流）超额及[[谱线展宽]]现象。喷流和下沉流阶段中，冕洞高温谱线的速度和展宽与z=0处垂直磁场呈强正相关，而低温谱线强度仅呈弱相关——这一特征在宁静区未出现。冕洞喷流期间，[[Si IV]]谱线的上流与其他谱线上流（下流）呈正（反）相关性，其下流则与其他谱线上流（下流）呈正（反）相关性；下沉流阶段则未发现Si IV与其他谱线速度的强关联。喷流期的相关性源于冷热喷流的时空同源性，而下沉流阶段的相关性缺失表明冷热等离子体发生解耦。这些结果证明，大气中通量浮现及其与背景磁场的重联过程，为[[太阳风]]形成和[[日冕加热]]提供了统一解释框架。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在[[输入空间]]的分布结构，我们通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解读。在HC方法中，采用差异-连接组合矩阵计算进行数据划分，0.9651的高[[共表型相关系数]]值验证了该方法的有效性。通过设定0.8的[[不一致性阈值]]确定最大聚类数，最终将系统分割为7个簇。同时采用KMC方法建立聚类分割效率的量化指标，在K=5的[[非重叠聚类]]中获得0.905的平均[[轮廓系数]]。研究表明，NNC分析显示15个变量可通过8个簇的集体影响来表征。通过HC的联合连接与差异算法结合KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠，因为改变SOM规模或不一致性阈值可能导致完全不同的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，发现尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了其采用。虽然73%的企业领导层高度重视[[安全性]]，但[[自动化]]缺口仍然存在，仅12%的组织在每次提交时执行[[安全扫描]]。 研究结果突显出[[安全工具]]日益增长的整合趋势，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍然较低(34%)。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这凸显了主动采用[[AI]]驱动[[安全增强]]的必要性。基于研究发现，本研究提出了增强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：开源喀斯特：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的[[流动]]与[[输运]]仍是[[水文地质]]研究的难点领域。这些系统的[[流态]]具有高度[[动态性]]，会经历从[[自由水面流]]到完全[[压力流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的转变。这些转变可能同时在网络内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。openKARST采用[[迭代方案]]求解[[瞬态动力波方程]]，并通过高效[[向量化]]结构进行优化。通过结合[[Preissmann狭缝法]]与[[达西-韦斯巴赫方程]]、[[曼宁方程]]的[[摩擦损失]]计算，实现了光滑/粗糙[[圆形管道]]中自由水面流与压力流的转换。为减少[[Colebrook-White方程]]常见的[[数值波动]]，采用[[Churchill连续公式]]计算[[摩擦因子]]来模拟层流-湍流的动态切换。openKARST支持岩溶系统中的常见[[边界条件]]，以及[[网络导入]]、[[导出]]和[[可视化]]功能。代码通过多个[[解析解]]的对比验证，并经过[[实验室实验]]校验。最后，我们通过模拟[[墨西哥]][[Ox Bel Ha系统]]（目前探明最大岩溶网络之一）的[[合成补给事件]]，展示了openKARST的应用。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。对于NNC方法，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个泽尼克变量在[[输入空间]]中的分布结构，通过分析SOM邻近[[权重]]距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用联合[[相异度]]-连接[[矩阵]]计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。此外，通过设定0.8的[[不一致性截断值]]确定最大簇数，最终将系统分割为7个簇。同时采用KMC方法建立[[聚类分割]]效率的量化指标，在将数据分割为K=5个非重叠簇时获得0.905的平均[[轮廓值]]。研究表明，NNC分析显示15个变量可通过8个簇的集体影响来表征。最终证实，结合HC的连接与相异度算法与KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠，因为改变SOM尺寸或不一致性截断值可能导致完全不同的[[聚类构型]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：中小企业DevSecOps推进：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采纳情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了全面采用。尽管73%的企业领导层高度重视[[安全性]]，[[自动化缺口]]仍然存在——仅12%的组织在每次[[代码提交]]时执行[[安全扫描]]。 研究发现突显了[[安全工具]]的加速整合趋势，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预期[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出增强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：开源喀斯特：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：摘要：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]特征，复杂[[岩溶系统]]中的水流与[[溶质运移]]始终是[[水文地质]]研究的难点领域。这些系统中的[[流态]]具有高度动态性，会经历从[[自由水面流]]到完全[[承压流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的转变。此类转变可能同时在[[管网]]内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。openKARST采用[[迭代格式]]求解[[瞬态动力波方程]]，并通过高效[[向量化]]结构进行优化。通过结合[[Preissmann狭缝法]]与[[达西-魏斯巴赫方程]]/[[曼宁公式]]计算[[摩擦损失]]，实现了光滑/粗糙[[圆形管道]]中自由水面流向承压流的转换。为缓解[[Colebrook-White方程]]常见的数值波动问题，采用[[Churchill连续公式]]计算[[摩擦因子]]来动态模拟层流-湍流转换。该代码支持岩溶系统中的常见[[边界条件]]，并提供[[管网]]导入、导出及[[可视化]]功能。通过多组[[解析解]]对比完成代码验证，并经由[[实验室实验]]进行确认。最后，我们通过模拟[[墨西哥]][[Ox Bel Ha系统]]（目前最大勘探岩溶网络之一）的[[合成补给事件]]，展示了openKARST的实际应用。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]](ML)技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学[[像差]]。为理解15个[[泽尼克变量]]在[[输入空间]]的分布结构，我们通过分析SOM[[邻域]]权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对[[系统结构]]特性的可视化解读。在HC方法中，采用差异-连接组合[[矩阵计算]]进行[[数据划分]]，0.9651的高[[共表型]][[相关系数]]验证了该方法的有效性。通过设定0.8的[[不一致性]][[阈值]]确定最大[[聚类数]]为7组。同时采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5的[[非重叠聚类]]中获得0.905的平均[[轮廓系数]]。研究表明，HC的联合连接-差异[[算法]]与KMC的组合方案比单独使用NNC或HC更可靠——改变SOM尺寸或不一致性阈值可能导致完全不同的[[聚类构型]]，而组合方法能通过8个聚类表征全部15个变量。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SMEs]])对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了其采用。尽管73%的企业[[领导层]]高度重视[[安全性]]，[[自动化]]缺口仍然存在——仅12%的组织在每次[[代码提交]]时执行[[安全扫描]]。 研究发现突显了[[安全工具]]的加速整合，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预期[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI]]驱动的[[安全增强]]措施。基于研究结果，本文提出增强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：开源喀斯特：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的[[流动]]与[[输运]]仍是[[水文地质]]研究的难点领域。这些系统的[[流态]]具有高度[[动态性]]，会经历从[[自由表面流]]到完全[[压力流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的转变。这些转变可能同时在网络内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。[[openKARST]]采用[[迭代]]方案求解[[瞬态]][[动力波方程]]，并通过高效[[向量化]]结构进行优化。通过结合[[Preissmann狭缝法]]与[[Darcy-Weisbach方程]]/[[Manning方程]]计算[[摩擦损失]]，实现了光滑/粗糙[[圆形管道]]中[[自由表面流]]与[[压力流]]的转换。为减少[[Colebrook-White方程]]常见的[[数值波动]]，采用[[Churchill连续公式]]计算[[摩擦因子]]来模拟[[层流]]-[[湍流]]的动态切换。该代码支持[[岩溶系统]]常见[[边界条件]]，以及[[网络导入/导出]]和[[可视化]]功能。通过对比[[解析解]]和[[实验室实验]]进行代码验证，最后通过模拟[[墨西哥]][[Ox Bel Ha]]（目前最大探明[[岩溶系统]]之一）的[[合成补给事件]]展示其应用。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]][[光学像差]]。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布结构，通过分析[[SOM邻近权重距离]]、[[SOM样本命中]]、[[SOM权重位置]]和[[SOM权重平面]]，形成了对[[系统结构]]特性的[[可视化]]解释。在HC方面，采用结合[[相异度]]-[[连接矩阵]]计算的方法进行[[数据划分]]，该方法的高[[共表相关系数]]值(c=0.9651)验证了其有效性。同时通过设定0.8的[[不一致性截断值]]确定最大聚类数，最终将系统分割为7个聚类。此外，采用KMC方法建立[[聚类分割]]效率的[[量化指标]]，在K=5个[[非重叠聚类]]时获得0.905的[[平均轮廓值]]。NNC分析则表明15个变量可通过8个聚类的[[集体影响]]来表征。研究证实，相较于单独使用NNC或HC（改变[[SOM尺寸]]或[[不一致性截断值]]会导致全新[[聚类构型]]），结合HC的[[连接]]与[[相异度]][[算法]]与KMC共同形成的[[聚类方案]]是更可靠的解决方案。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采纳情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了其推广。尽管73%的企业[[领导层]]高度重视[[安全性]]，[[自动化]]缺口仍然存在——仅12%的组织在每次[[代码提交]]时执行[[安全扫描]]。 研究发现突显出[[安全工具]]日益增长的整合趋势，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这强调了主动采用[[AI驱动安全]]增强的必要性。基于研究结果，本文提出了增强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：开源喀斯特：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的[[流动]]与[[输运]]仍是[[水文地质]]研究的难点领域。这些系统的[[流态]]高度动态化，存在从[[自由水面流]]到完全[[压力流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的多种[[流态转换]]。这些转换可能因管道[[粗糙度]]特性和[[直径分布]]而在网络中同时发生。[[openKARST]]采用[[迭代格式]]求解[[瞬态动力波方程]]，并通过高效[[向量化]]结构优化计算。通过结合[[Preissmann狭缝法]]与[[Darcy-Weisbach方程]]、[[曼宁公式]]计算[[摩擦损失]]，实现了光滑/粗糙圆形管道中[[自由水面流]]与[[压力流]]的转换。为减少[[Colebrook-White方程]]常见的[[数值波动]]，采用[[Churchill连续公式]]计算[[摩擦因子]]来模拟[[层流]]-[[湍流]]的动态切换。该代码支持[[岩溶系统]]常见[[边界条件]]，并提供[[网络导入/导出]]及[[可视化]]功能。通过多组[[解析解]]对比验证代码准确性，并经过[[实验室实验]]校验。最后以[[墨西哥]][[Ox Bel Ha]]岩溶系统（全球最大探明[[岩溶网络]]之一）的[[合成补给事件]]模拟，展示了[[openKARST]]的实际应用能力。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻权重距离、样本命中分布、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性，同时设定0.8的[[不一致性阈值]]最终产生7个[[聚类]]。此外采用KMC方法量化[[聚类分割]]效率，当数据划分为K=5个非重叠聚类时获得0.905的[[平均轮廓系数]]。研究表明，HC的联合连接-相异度算法与KMC的组合方案比单独使用NNC或HC更可靠——后者中改变SOM尺寸或不一致性阈值会导致全新的聚类构型，而NNC分析显示15个变量可通过8个聚类的协同作用实现特征化。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采纳情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[SME]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了全面采用。尽管73%的企业领导层高度重视[[安全性]]，[[自动化缺口]]仍然存在——仅12%的组织实现了每次提交代码时进行[[安全扫描]]。 研究发现突显出[[安全工具]]（特别是[[API安全]][63%]和[[软件成分分析]][62%]）的整合度持续提升，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预期[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这强调了主动采用[[AI]]驱动[[安全增强]]的必要性。基于研究结果，本文提出增强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：开源喀斯特：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：摘要：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的水流与[[溶质运移]]始终是[[水文地质]]研究的难点领域。这些系统的[[流态]]具有高度动态性，会经历从[[自由水面流]]到[[完全承压流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的转变。这些转变可能同时在网络内发生，具体取决于[[管道粗糙度]]特性和[[直径分布]]。openKARST采用[[迭代方案]]求解[[瞬态动力波方程]]，并通过高效[[向量化]]结构进行优化。通过结合[[Preissmann狭缝法]]与[[达西-魏斯巴赫方程]]/[[曼宁公式]]计算[[摩擦损失]]，实现了光滑/粗糙[[圆形管道]]中自由水面流与承压流的转换。为减少[[Colebrook-White方程]]常见的数值波动，采用[[Churchill连续公式]]计算[[摩擦因子]]来模拟层流-湍流的动态切换。openKARST支持岩溶系统常见[[边界条件]]，以及[[网络导入/导出]]和[[可视化]]功能。代码通过多个[[解析解]]对比验证，并经过[[实验室实验]]校验。最后通过模拟[[墨西哥]][[Ox Bel Ha]]（目前最大勘探岩溶网络之一）的[[合成补给事件]]，展示了openKARST的应用。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集包含15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻[[权重]]距离、样本命中分布、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性。设定0.8的[[不一致性阈值]]后，最终获得7个[[聚类]]用于系统分割。同时采用KMC方法量化聚类分割效率，当数据划分为K=5个非重叠聚类时，获得0.905的平均[[轮廓系数]]值。研究表明，HC的联合连接-相异度算法与KMC的组合方案比单独使用NNC或HC更具可靠性——后者中改变SOM尺寸或不一致性阈值会导致全新的聚类构型，而NNC分析显示15个变量可通过8个聚类的协同影响实现特征化。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采纳情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了全面采用。尽管73%的企业领导层高度重视[[安全性]]，[[自动化]]缺口仍然存在——仅12%的组织实现了每次提交[[代码]]时进行[[安全扫描]]。 研究发现突显出[[安全工具]]整合度的提升，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预期[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这强调了主动采用[[AI]]驱动[[安全增强]]的必要性。基于研究结果，本文提出增强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：开源喀斯特：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的[[流动]]与[[输运]]仍是[[水文地质]]研究的难点领域。这些系统的[[流态]]具有高度[[动态性]]，会经历从[[自由表面流]]到完全[[压力流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的转变。这些转变可能同时在网络内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。[[openKARST]]采用[[迭代]]方案求解[[瞬态动力波方程]]，并通过高效[[向量化]]结构进行优化。通过结合[[Preissmann狭缝法]]与[[Darcy-Weisbach方程]]及[[曼宁公式]]计算[[摩擦损失]]，实现了光滑/粗糙[[圆形管道]]中[[自由表面流]]与[[压力流]]的转换。为减少[[Colebrook-White方程]]常见的[[数值波动]]，采用[[Churchill连续公式]]计算[[摩擦因子]]来模拟[[层流]]-[[湍流]]的动态切换。该代码支持[[岩溶系统]]常见[[边界条件]]，并提供[[网络导入]]、[[导出]]及[[可视化]]功能。通过对比[[解析解]]和[[实验室实验]]进行代码验证，最后通过模拟[[墨西哥]][[Ox Bel Ha]]（目前最大勘探[[岩溶网络]]之一）的[[合成补给事件]]展示其应用。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)三种[[机器学习]]技术进行了比较，以评估它们在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集包含15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻[[权重]]距离、样本命中分布、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性。设定0.8的[[不一致性阈值]]后，最终获得7个[[聚类]]用于系统分割。同时采用KMC方法量化聚类分割效率，当数据划分为K=5个非重叠聚类时，获得0.905的平均[[轮廓系数]]值。研究表明，HC的结合连接与相异度算法与KMC协同形成的聚类方案，比单独使用NNC或HC更具可靠性——后者中改变SOM规模或不一致性阈值会导致全新的聚类构型。值得注意的是，NNC分析显示15个变量可通过8个聚类的集体影响来表征。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采纳情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了全面采用。尽管73%的企业领导层高度重视[[安全性]]，[[自动化]]缺口仍然存在——仅12%的组织实现了每次提交[[代码]]时进行[[安全扫描]]。 研究发现突显出[[安全工具]]整合度的提升，特别是[[API安全]](63%)和[[软件成分分析]](62%)的应用，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预期[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这强调了主动采用[[AI]]驱动[[安全增强]]的必要性。基于研究结果，本文提出增强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：开源喀斯特：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的[[流动]]与[[输运]]仍是[[水文地质]]研究的难点领域。这些系统的[[流态]]具有高度[[动态性]]，会经历从[[自由表面流]]到完全[[承压流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的转变。这些转变可能同时在网络内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。openKARST采用[[迭代方案]]求解[[瞬态动力波方程]]，并通过高效[[向量化]]结构进行优化。通过结合[[Preissmann狭缝法]]与[[达西-韦斯巴赫方程]]及[[曼宁方程]]的[[摩擦损失]]计算，实现了光滑/粗糙[[圆形管道]]中[[自由表面流]]向[[承压流]]的转换。为减少[[Colebrook-White方程]]常见的[[数值波动]]，采用[[Churchill连续公式]]计算[[摩擦系数]]来动态模拟[[层流]]到[[湍流]]的切换。openKARST支持[[岩溶系统]]中的常见[[边界条件]]，以及[[网络导入]]、[[导出]]和[[可视化]]功能。代码通过多个[[解析解]]的对比验证，并经过[[实验室实验]]校验。最后通过模拟[[墨西哥]][[Ox Bel Ha系统]]（目前最大探明[[岩溶网络]]之一）的[[合成补给事件]]，展示了openKARST的应用能力。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]](ML)技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]。通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。同时设定0.8的[[不一致性阈值]]确定最大聚类数，最终将系统分割为7个聚类。此外采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠聚类时获得0.905的平均[[轮廓系数]]值。NNC分析表明15个变量可通过8个聚类的集体影响来表征。研究证实，相较于单独使用NNC或HC方法（改变SOM尺寸或不一致性阈值会导致全新聚类构型），结合HC的连接与相异度算法与KMC的联合聚类方案更为可靠。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SMEs]])对[[DevSecOps]]的采纳情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[SME]]专业人员的调查数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了其推广。尽管73%的企业领导层高度重视[[安全性]]，[[自动化缺口]]仍然存在——仅12%的组织在每次[[代码提交]]时执行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[SMEs]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动]]的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。对于NNC，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]][[光学像差]]。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布结构，通过分析[[SOM邻域权重距离]]、[[SOM样本命中]]、[[SOM权重位置]]和[[SOM权重平面]]，形成了对[[系统结构]]特性的可视化解释。在HC方面，采用[[联合相异度]]-[[连接矩阵]]计算进行[[数据划分]]，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。同时通过设定0.8的[[不一致性截断值]]确定最大簇数，最终获得7个簇用于[[系统分割]]。此外，采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个[[非重叠簇]]的[[数据分割]]中获得了0.905的[[平均轮廓系数]]值。而NNC分析表明15个变量可通过8个簇的[[集体影响]]来表征。研究证实，结合HC的[[连接]]与[[相异度算法]]及KMC形成的[[聚类方案]]，比单独使用NNC或HC评估更为可靠——后者改变[[SOM尺寸]]或[[不一致性截断值]]可能导致全新的[[聚类构型]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了其采用。尽管73%的企业[[领导层]]高度重视[[安全性]]，[[自动化]]缺口仍然存在——仅12%的组织在每次[[代码提交]]时执行[[安全扫描]]。 研究发现突显出[[安全工具]]日益增长的整合趋势，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这强调需要主动采用[[AI]]驱动的[[安全增强]]措施。基于研究结果，本文提出了提升[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：开源喀斯特：一种新型的岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的[[流动]]与[[输运]]仍是[[水文地质]]研究的难点领域。这些系统的[[流态]]具有高度[[动态性]]，会经历从[[自由表面流]]到完全[[压力流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的转变。这些转变可能同时在网络内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。[[openKARST]]采用[[迭代格式]]求解[[瞬态动力波方程]]，并通过高效[[向量化]]结构进行优化。光滑/粗糙圆形管道中[[自由表面流]]与[[压力流]]的转换通过[[Preissmann槽法]]实现，结合[[Darcy-Weisbach方程]]和[[Manning方程]]计算[[摩擦损失]]。为减少[[Colebrook-White方程]]常见的[[数值波动]]，采用[[Churchill连续公式]]计算[[摩擦因子]]来模拟[[层流]]-[[湍流]]的动态切换。[[openKARST]]支持[[岩溶系统]]中常见的[[边界条件]]，以及[[网络导入]]、[[导出]]和[[可视化]]功能。代码通过多个[[解析解]]的对比验证，并经过[[实验室实验]]校验。最后，我们通过模拟[[墨西哥]][[Ox Bel Ha系统]]（目前探明最大[[岩溶网络]]之一）的[[合成补给事件]]，展示[[openKARST]]的应用。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]](ML)技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。为理解15个泽尼克变量在[[输入空间]]的分布结构，通过分析SOM邻域权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解读。对于HC方法，采用差异-连接矩阵联合计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。通过设定0.8的[[不一致性阈值]]确定最大聚类数，最终将系统分割为7个聚类。同时采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠聚类时获得0.905的平均[[轮廓系数]]值。研究表明，HC的联合连接-差异算法与KMC相结合的聚类方案，比单独使用NNC或HC更具可靠性——后者改变SOM规模或不一致性阈值会导致全新的聚类构型，而NNC分析显示15个变量可通过8个聚类的协同影响实现特征化。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的[[调查数据]]，结果显示尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业[[领导层]]高度重视[[安全性]]，但[[自动化缺口]]仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI]]驱动的[[安全增强措施]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：openKARST: A novel open-source flow simulator for karst systems * '''中文标题'''：openKARST：一种新型岩溶系统开源流动模拟器 * '''发布日期'''：2025-03-28 10:53:33+00:00 * '''作者'''：Jannes Kordilla, Marco Dentz, Juan J. Hidalgo * '''分类'''：physics.flu-dyn *'''原文链接'''：http://arxiv.org/abs/2503.22320v1 '''中文摘要'''：我们推出基于[[Python]]的开源代码[[openKARST]]，用于模拟[[岩溶管道网络]]中的[[水流]]。由于管道网络的[[非均质性]]，复杂[[岩溶系统]]中的[[流动]]与[[输运]]仍是[[水文地质]]研究的难点领域。这些系统的[[流态]]具有高度[[动态性]]，会经历从[[自由表面流]]到完全[[压力流]]、[[层流]]到[[湍流]]（[[雷诺数]]常超百万）的转变。这些转变可能同时在网络内发生，具体取决于管道[[粗糙度]]特性和[[直径分布]]。openKARST采用[[迭代]]方案求解[[瞬态动力波方程]]，并通过高效[[向量化]]结构进行优化。光滑/粗糙圆形管道中自由表面流向压力流的转换，通过[[Preissmann狭缝法]]结合[[Darcy-Weisbach方程]]和[[Manning方程]]计算[[摩擦损失]]实现。为减少[[Colebrook-White方程]]常见的数值波动，采用连续的[[Churchill公式]]计算[[摩擦因子]]来模拟层流到湍流的动态切换。openKARST支持岩溶系统中常见的[[边界条件]]，以及[[网络导入]]、[[导出]]和[[可视化]]功能。代码通过多个[[解析解]]的对比验证，并经过[[实验室实验]]校验。最后，我们通过模拟[[墨西哥]][[Ox Bel Ha系统]]（目前最大探明岩溶网络之一）的[[合成补给事件]]，展示openKARST的应用。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。对于NNC，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行训练，该数据集被分解为15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方面，采用结合[[相异度]]-连接矩阵计算的方法进行数据划分，该方法的高共表型相关系数值(c=0.9651)证实了其有效性。通过设定0.8的[[不一致性]]截断值，最终确定7个簇作为系统分割的最大数量。此外，采用KMC方法建立聚类分割效率的定量度量，在K=5个非重叠簇的数据分割中获得了0.905的平均轮廓值。NNC分析表明15个变量可通过8个簇的集体影响来表征。研究证实，结合HC的连接与相异度算法及KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠——后者若改变SOM尺寸或不一致性截断值可能导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：中小企业DevSecOps推进：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了采用进程。尽管73%的企业领导层高度重视[[安全性]]，[[自动化]]缺口仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison of plasma dynamics in Coronal Holes and Quiet Sun using flux emergence simulations * '''中文标题'''：利用磁通浮现模拟对比日冕洞与宁静太阳的等离子体动力学 * '''发布日期'''：2025-03-28 15:13:56+00:00 * '''作者'''：Vishal Upendran, Durgesh Tripathi, Bhargav Vaidya, Mark Cheung, Takaaki Yokoyama * '''分类'''：astro-ph.SR, physics.plasm-ph, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2503.22509v1 '''中文摘要'''：本文通过2.5维[[磁流体动力学]]通量浮现模拟，对比研究了[[冕洞]]（CHs）和[[宁静区]]（QS）的[[等离子体]]动力学。新浮现通量与原有通量之间的[[磁重联]]会形成具有高温边界的冷密[[等离子体]]团，以及速度约50 km/s的冷热[[喷流]]。我们在探测[[过渡区]]和[[日冕]]温度的光谱线上进行了[[光谱合成]]。与[[宁静区]]相比，[[冕洞]]在[[喷流]]（[[下沉流]]）期间表现出强度减弱、[[上流]]（[[下流]]）超额及[[谱线宽度]]变化。热谱线的速度和宽度在[[冕洞]]中与z=0处的垂直[[磁场]]呈强正相关，而冷谱线强度仅呈弱相关——这种特征在[[宁静区]]未出现。[[冕洞]][[喷流]]期间，[[Si IV]]谱线的[[上流]]与其他谱线的[[上流]]（[[下流]]）呈正（反）相关，其[[下流]]则与其他谱线的[[上流]]（[[下流]]）呈正（反）相关；但在[[下沉流]]阶段，[[Si IV]]与其他谱线速度无显著关联。[[喷流]]期的相关性源于热冷[[喷流]]空间起源的重合，而[[下沉流]]阶段相关性的缺失则表明热冷[[等离子体]]发生解耦。这些结果证明，[[大气]]中通量浮现及其与原有通量的[[磁重联]]过程，共同构成了[[太阳风]]形成与[[日冕加热]]的统一机制。 == 摘要 == * '''原文标题'''：Understanding Software Vulnerabilities in the Maven Ecosystem: Patterns, Timelines, and Risks * '''中文标题'''：理解Maven生态系统中的软件漏洞：模式、时间线与风险 * '''发布日期'''：2025-03-28 12:52:07+00:00 * '''作者'''：Md Fazle Rabbi, Rajshakhar Paul, Arifa Islam Champa, Minhaz F. Zibran * '''分类'''：cs.SE *'''原文链接'''：http://arxiv.org/abs/2503.22391v1 '''中文摘要'''：[[软件库]]和可复用组件中的[[漏洞]]会引发重大[[安全挑战]]，尤其在[[Maven]]这类依赖密集型[[生态系统]]中。本文采用[[Goblin]]框架对[[Maven生态系统]]的漏洞进行了大规模分析，重点关注[[漏洞类型]]特征、文档记录延迟及[[修复时间线]]的影响。研究共识别出77,393个存在漏洞的版本，涉及226种独特[[CWE]]漏洞类型。平均而言，漏洞需要近五年时间被记录，4.4年时间被修复，部分漏洞甚至超过十年仍未解决。漏洞记录与修复的延迟给库使用者带来[[安全风险]]，凸显了[[Maven生态系统]]需要更审慎高效的[[漏洞管理]]机制。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻[[权重]]距离、样本命中率、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性。设定0.8的[[不一致性阈值]]后，最终获得7个[[聚类]]用于系统分割。同时采用KMC方法量化[[聚类分割]]效率，当数据划分为K=5个非重叠聚类时，获得0.905的[[平均轮廓系数]]。研究表明，HC的结合连接与相异度算法与KMC协同形成的聚类方案，比单独使用NNC或HC更具可靠性——后者中改变SOM规模或不一致性阈值会导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践及未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的[[调查数据]]，结果显示：尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业[[领导层]]优先考虑[[安全性]]，[[自动化缺口]]仍然存在，仅12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI驱动]]的[[安全增强]]措施。基于研究结果，本文提出了提升[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison of plasma dynamics in Coronal Holes and Quiet Sun using flux emergence simulations * '''中文标题'''：利用磁通浮现模拟对比日冕洞与宁静太阳的等离子体动力学 * '''发布日期'''：2025-03-28 15:13:56+00:00 * '''作者'''：Vishal Upendran, Durgesh Tripathi, Bhargav Vaidya, Mark Cheung, Takaaki Yokoyama * '''分类'''：astro-ph.SR, physics.plasm-ph, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2503.22509v1 '''中文摘要'''：本文通过2.5维[[磁流体动力学]]通量浮现模拟，对比研究了[[冕洞]]（CHs）与[[宁静太阳]]（QS）的[[等离子体]]动力学。新浮现通量与背景[[磁场]]的[[重联]]过程会形成具有高温边界的冷致密等离子团，以及速度约50 km/s的冷热喷流。我们在[[过渡区]]和[[日冕]]温度的[[光谱线]]上进行[[光谱合成]]分析。与宁静太阳相比，冕洞在喷流（下沉流）阶段表现出[[辐射强度]]减弱、上升流（下沉流）超额及[[谱线展宽]]现象。喷流和下沉流阶段，冕洞高温谱线的速度和展宽与z=0处垂直磁场呈强正相关，而低温谱线强度仅呈弱相关——这一特征在宁静太阳中未出现。冕洞喷流期间，[[Si IV]]谱线的上升流与其他谱线上升流（下沉流）呈正（反）相关，其下沉流与其他谱线上升流（下沉流）呈正（反）相关；但在下沉流阶段，Si IV与其他谱线速度无显著关联。喷流期的相关性源于热冷喷流在时空上的同源共位，而下沉流阶段相关性的缺失则表明热冷等离子体发生解耦。这些结果证明，大气中通量浮现及其与背景磁场的重联过程，为[[太阳风]]形成和[[日冕加热]]提供了统一解释框架。 == 摘要 == * '''原文标题'''：Understanding Software Vulnerabilities in the Maven Ecosystem: Patterns, Timelines, and Risks * '''中文标题'''：理解Maven生态系统中的软件漏洞：模式、时间线与风险 * '''发布日期'''：2025-03-28 12:52:07+00:00 * '''作者'''：Md Fazle Rabbi, Rajshakhar Paul, Arifa Islam Champa, Minhaz F. Zibran * '''分类'''：cs.SE *'''原文链接'''：http://arxiv.org/abs/2503.22391v1 '''中文摘要'''：[[软件库]]和[[可复用组件]]中的[[漏洞]]会引发重大[[安全隐患]]，这在[[Maven]]等[[依赖密集型生态系统]]中尤为突出。本文采用[[Goblin]]框架对[[Maven生态系统]]的漏洞进行了大规模分析，重点研究[[漏洞类型]]特征、[[文档记录]]延迟及[[修复时间线]]的影响。我们共识别出77,393个存在漏洞的版本，涉及226种独特[[CWE]]漏洞类型。平均而言，漏洞需要近五年时间才能被记录，4.4年才能完成修复，部分漏洞甚至超过十年仍未解决。漏洞记录与修复的延迟给[[库使用者]]带来了[[安全风险]]，这凸显了[[Maven生态系统]]需要更审慎高效的[[漏洞管理机制]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了对比分析，以评估这三种[[机器学习]]技术在大数据集聚类组织中的计算优势。针对NNC方法，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻权重距离、样本命中分布、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性，同时设定0.8的[[不一致性阈值]]最终产生7个[[聚类]]。KMC方法则通过[[轮廓系数]]平均值0.905（K=5非重叠聚类）提供了聚类分割效率的量化指标。研究表明，HC的联合连接-相异度算法与KMC的组合方案比单独使用NNC或HC更具可靠性——后者中SOM尺寸或不一致性阈值的改变会导致完全不同的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了采用。尽管73%的企业[[领导层]]优先考虑[[安全性]]，但[[自动化]]缺口仍然存在，只有12%的组织在每次提交时进行[[安全扫描]]。 我们的发现突出了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），尽管[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI]]驱动的[[安全增强]]措施的必要性。基于我们的发现，本研究提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学[[像差]]。通过分析SOM邻域权重距离、样本命中、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性。设定0.8的[[不一致性阈值]]后，最终获得7个[[聚类]]用于系统分割。同时采用KMC方法量化聚类分割效率，当数据划分为K=5个非重叠聚类时，获得0.905的平均[[轮廓系数]]。研究表明，NNC分析可将15个变量表征为8个聚类的集体影响，而HC的联合连接/相异度算法与KMC的组合方案比单独使用NNC或HC更可靠——后者改变SOM规模或不一致性阈值会导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的[[调查数据]]，结果显示尽管68%的企业已实施[[DevSecOps]]，但采用过程仍受[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）的阻碍。尽管73%的企业[[领导层]]高度重视[[安全性]]，但[[自动化缺口]]依然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），尽管[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动的安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集（分解为15个[[泽尼克系数]]），用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个泽尼克变量在[[输入空间]]中的分布结构，通过分析SOM邻域权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对[[系统结构]]特性的可视化解释。在HC方面，采用联合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。同时通过设定0.8的[[不一致性截断值]]确定最大聚类数，最终获得7个系统分割聚类。此外采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠聚类分割中获得了0.905的[[平均轮廓系数]]值。而NNC分析表明15个变量可通过8个聚类的集体影响来表征。研究证实，结合HC的连接与相异度算法及KMC形成的聚类方案，比单独使用NNC或HC评估更可靠——改变SOM规模或不一致性截断值可能导致全新的[[聚类构型]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了采用进程。尽管73%的企业领导层高度重视[[安全性]]，[[自动化缺口]]仍然存在，仅12%的组织在每次提交时执行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI]]驱动的[[安全增强]]措施。基于研究结果，本文提出了提升[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，我们将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布和结构，我们分析了[[SOM邻近权重距离]]、[[SOM样本命中]]、[[SOM权重位置]]和[[SOM权重平面]]，以形成对[[系统结构]]特性的可视化解释。在HC方面，数据通过结合[[相异度]]-[[连接矩阵]]计算进行分区，该方法的高[[共表型相关系数]]值(c=0.9651)证实了其有效性。此外，通过设置0.8的[[不一致性截断值]]确定了最大聚类数，最终将系统分割为7个聚类。同时采用KMC方法建立[[聚类分割]]效率的定量度量，在将数据分割为K=5个[[非重叠聚类]]时获得了0.905的[[平均轮廓值]]。另一方面，NNC分析表明15个变量可通过8个聚类的[[集体影响]]来表征。研究确定，通过HC的结合[[连接]]与[[相异度算法]]与KMC共同形成的[[聚类方案]]，比单独通过NNC或HC评估更为可靠，因为改变[[SOM规模]]或[[不一致性截断值]]可能导致完全不同的[[聚类配置]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业领导层高度重视[[安全性]]，[[自动化缺口]]仍然存在，仅12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动的安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集（分解为15个[[泽尼克系数]]），用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布和结构，通过分析SOM[[邻域]][[权重]][[距离]]、SOM[[样本]][[命中]]、SOM权重[[位置]]和SOM权重[[平面]]，形成了对[[系统]][[结构]][[特性]]的[[可视化]][[解释]]。在HC方面，采用联合[[相异度]]-[[连接矩阵]]计算进行[[数据]][[划分]]，该方法有效性通过较高的[[共表型]][[相关系数]]值(c=0.9651)得到验证。此外，通过设定0.8的[[不一致性]][[截断值]]确定最大[[聚类数]]，最终将系统分割为7个聚类。同时采用KMC方法建立[[聚类]][[分割]][[效率]]的[[量化]][[指标]]，在将数据分割为K=5个[[非重叠]][[聚类]]时获得0.905的[[平均]][[轮廓值]]。NNC分析则表明15个变量可通过8个聚类的[[集体]][[影响]]来表征。研究证实，结合HC的[[连接]]与[[相异度]][[算法]]与KMC形成的[[聚类]][[方案]]，比单独使用NNC或HC评估更可靠——后者若改变SOM[[尺寸]]或[[不一致性]][[截断值]]可能导致全新的[[聚类]][[构型]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示：尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业领导层高度重视[[安全性]]，[[自动化]]缺口仍然存在，仅12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI]]驱动的[[安全增强]]措施。基于研究结果，本文提出了提升[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)三种[[机器学习]]技术进行了比较，以评估它们在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对一组[[波前传感器]]重构数据（分解为15项[[泽尼克系数]]）进行[[训练]]，这些数据表征了[[流体透镜]]传输的[[相位前]]光学[[像差]]。通过分析SOM邻域权重距离、样本命中率、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过高达0.9651的[[共表型相关系数]]得以验证。设定0.8的[[不一致性阈值]]后，最终确定系统分割为7个[[聚类]]。此外，采用KMC方法量化聚类分割效率，当数据划分为K=5个非重叠聚类时，获得平均[[轮廓系数]]0.905。研究表明，HC的结合连接与相异度算法与KMC协同形成的聚类方案，比单独使用NNC或HC更具可靠性——后者若改变SOM规模或不一致性阈值会导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示：尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业领导层高度重视[[安全性]]，[[自动化缺口]]仍然存在，仅12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI驱动]]的[[安全增强]]措施。基于研究结果，本文提出了提升[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动]]的[[安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用研究 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，用于表征[[流体透镜]]传输的[[相位前像差]]。通过分析SOM相邻[[权重]]距离、样本命中率、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，其有效性通过高达0.9651的[[共表型相关系数]]得以验证。设定0.8的[[不一致性阈值]]后，最终确定系统分割为7个[[聚类]]。同时采用KMC方法量化聚类分割效率，当数据分割为K=5个非重叠聚类时，获得平均[[轮廓系数]]0.905。研究表明，HC的联合连接-相异度算法与KMC的组合方案比单独使用NNC或HC更为可靠——后者在改变SOM规模或不一致性阈值时会导致完全不同的聚类构型。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用研究 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)三种[[机器学习]]技术进行了比较，以评估它们在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对一组[[波前传感器]]重构数据进行[[训练]]，这些数据通过15项[[泽尼克系数]]分解，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个泽尼克变量在[[输入空间]]的分布结构，我们通过分析SOM邻域权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过高达0.9651的[[共表型相关系数]]值得到验证。同时设定0.8的[[不一致性]]截断值确定最大聚类数，最终获得7个聚类。此外采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个非重叠聚类时获得0.905的平均轮廓值。NNC分析则显示15个变量可通过8个聚类的集体影响来表征。研究表明，相较于单独使用NNC或HC方法（改变SOM规模或不一致性截断值会导致全新聚类构型），结合HC的连接与相异度算法与KMC的联合聚类方案更为可靠。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将[[大数据集]]组织成[[聚类]]时的计算优势。对于NNC，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布和结构，通过分析[[SOM邻近权重距离]]、[[SOM样本命中]]、[[SOM权重位置]]和[[SOM权重平面]]，形成了对[[系统结构]]特性的可视化解释。在HC方面，采用[[联合相异度]]-[[连接矩阵]]计算进行[[数据分区]]，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。此外，通过设定0.8的[[不一致性截断值]]确定最大聚类数为7个。同时采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个[[非重叠聚类]]时获得0.905的[[平均轮廓值]]。NNC分析则表明15个变量可通过8个聚类的[[集体影响]]来表征。研究证实，相较于单独使用NNC或HC（改变[[SOM尺寸]]或[[不一致性截断值]]会导致全新[[聚类构型]]），结合HC的[[连接]]与[[相异度算法]]与KMC能提供更可靠的[[聚类解决方案]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：中小企业DevSecOps推进：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SMEs]])对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[SME]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了其采用。尽管73%的企业领导层优先考虑[[安全性]]，[[自动化缺口]]仍然存在，仅12%的组织在每次提交时执行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[SMEs]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动的安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison of plasma dynamics in Coronal Holes and Quiet Sun using flux emergence simulations * '''中文标题'''：利用磁通浮现模拟对比日冕洞与宁静太阳的等离子体动力学 * '''发布日期'''：2025-03-28 15:13:56+00:00 * '''作者'''：Vishal Upendran, Durgesh Tripathi, Bhargav Vaidya, Mark Cheung, Takaaki Yokoyama * '''分类'''：astro-ph.SR, physics.plasm-ph, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2503.22509v1 '''中文摘要'''：本文通过2.5维[[磁流体动力学]]通量浮现模拟，对比研究了[[冕洞]]（CHs）与[[宁静区]]（QS）的[[等离子体]]动力学。新浮现通量与背景[[磁场]]的[[重联]]过程会形成具有高温边界的冷致密等离子体团，以及速度约50 km/s的冷热[[喷流]]。我们在[[过渡区]]和[[日冕]]温度谱线上进行了[[光谱]]合成分析。与宁静区相比，冕洞在喷流（下沉流）阶段表现出[[辐射强度]]减弱、上流（下流）超额及[[谱线宽度]]变化。热谱线的速度和宽度在冕洞中与z=0处垂直磁场呈强正相关，而冷谱线强度仅呈弱相关（该现象未见于宁静区）。冕洞喷流期间，[[Si IV]]谱线的上流与其他谱线上流（下流）呈正（反）相关，其下流则与其他谱线上流（下流）呈正（反）相关；下沉流阶段则未发现Si IV与其他谱线速度的强关联。喷流期的相关性源于热冷喷流空间起源的重合，而下沉流阶段的相关性缺失表明热冷等离子体发生解耦。这些结果证明，[[大气]]中通量浮现与背景磁场的重联为[[太阳风]]形成和[[日冕加热]]提供了统一解释框架。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将[[大数据集]]组织成[[聚类]]时的计算优势。对于NNC，将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个泽尼克变量在[[输入空间]]中的分布和结构，通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。对于HC，采用联合相异度-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。此外，通过设置0.8的[[不一致性截断值]]确定最大聚类数为7个。同时采用KMC方法建立聚类分割效率的定量度量，在将数据分割为K=5个[[非重叠聚类]]时获得0.905的平均[[轮廓值]]。NNC分析表明15个变量可通过8个聚类的集体影响来表征。研究证实，结合HC的连接与相异度算法以及KMC形成的聚类方案，比单独通过NNC或HC评估更为可靠，因为改变SOM规模或不一致性截断值可能导致全新的[[聚类构型]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：中小企业DevSecOps推进：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了采用。尽管73%的企业领导层优先考虑[[安全性]]，[[自动化缺口]]仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 我们的发现突出了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动的安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison of plasma dynamics in Coronal Holes and Quiet Sun using flux emergence simulations * '''中文标题'''：利用磁通浮现模拟对比日冕洞与宁静太阳的等离子体动力学 * '''发布日期'''：2025-03-28 15:13:56+00:00 * '''作者'''：Vishal Upendran, Durgesh Tripathi, Bhargav Vaidya, Mark Cheung, Takaaki Yokoyama * '''分类'''：astro-ph.SR, physics.plasm-ph, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2503.22509v1 '''中文摘要'''：本文通过2.5维[[磁流体动力学]]通量浮现模拟，对比研究了[[冕洞]]（CHs）与[[宁静区]]（QS）的[[等离子体]]动力学。新浮现通量与背景[[磁场]]的[[重联]]过程形成了具有高温边界的冷致密等离子体团，以及速度约50 km/s的冷热[[喷流]]。我们在[[过渡区]]和[[日冕]]温度的光谱线上进行了[[光谱合成]]。与宁静区相比，冕洞在喷流（[[下沉流]]）阶段表现出[[辐射强度]]减弱、[[上升流]]（下沉流）超额及[[谱线加宽]]现象。喷流和下沉流期间，冕洞高温谱线的速度和[[线宽]]与z=0处垂直磁场呈强正相关，而低温谱线强度仅显示弱相关——这一特征在宁静区未出现。冕洞喷流期间，[[Si IV]]谱线的上升流与其他谱线上升流（下沉流）呈正（反）相关，其下沉流则与其他谱线上升流（下沉流）呈正（反）相关；下沉流阶段则未发现Si IV与其他谱线速度的强关联。喷流期的相关性源于热冷喷流空间位置的重合，而下沉流阶段相关性的缺失表明热冷等离子体发生[[解耦]]。这些结果证明，[[大气层]]中通量浮现与背景磁场的重联过程，为[[太阳风]]形成和[[日冕加热]]提供了统一解释框架。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。针对NNC方法，我们对[[波前传感器]]重建数据集（分解为15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差）应用了[[自组织映射]](SOM)训练。通过分析SOM相邻[[权重]]距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用结合[[相异度]]-连接矩阵计算进行数据划分，0.9651的高[[共表型相关系数]]值验证了该方法的有效性。通过设定0.8的[[不一致性]]截断值确定最大聚类数为7个。同时采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠聚类时获得0.905的平均[[轮廓值]]。研究表明，结合HC的连接与相异度算法和KMC形成的聚类方案，比单独使用NNC或HC（改变SOM规模或不一致性截断值会导致全新聚类构型）更具可靠性，其中15个变量可通过8个聚类的集体影响来表征。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采纳情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了全面采用。尽管73%的企业领导层高度重视[[安全性]]，[[自动化]]缺口仍然存在——仅12%的组织实现了每次提交[[代码]]时进行[[安全扫描]]。 研究发现突显出[[安全工具]]的加速整合趋势，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预期[[人工智能]]和[[机器学习]]将深刻影响[[DevSecOps]]发展，强调需要主动采纳[[AI]]驱动的[[安全增强]]方案。基于研究结果，本文提出强化[[CI/CD管道]]安全的战略最佳实践，包括[[自动化流程]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]机制。 == 摘要 == * '''原文标题'''：Comparison of plasma dynamics in Coronal Holes and Quiet Sun using flux emergence simulations * '''中文标题'''：利用磁通浮现模拟对比日冕洞与宁静太阳的等离子体动力学 * '''发布日期'''：2025-03-28 15:13:56+00:00 * '''作者'''：Vishal Upendran, Durgesh Tripathi, Bhargav Vaidya, Mark Cheung, Takaaki Yokoyama * '''分类'''：astro-ph.SR, physics.plasm-ph, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2503.22509v1 '''中文摘要'''：本文通过2.5维[[磁流体动力学]]通量浮现模拟，对比研究了[[冕洞]]（CHs）和[[宁静太阳]]（QS）中的[[等离子体]]动力学。新浮现通量与原有通量之间的[[磁重联]]会形成具有热边界的冷致密等离子团，以及速度约50 km/s的冷热喷流。我们在探测[[过渡区]]和[[日冕]]温度的光谱线上进行了[[光谱合成]]。与宁静太阳相比，冕洞在喷流（下沉流）期间表现出强度减弱、上流（下流）超额及谱线宽度变化。喷流和下沉流期间，冕洞中热谱线的速度和线宽与z=0处垂直[[磁场]]呈强正相关，而冷谱线强度仅呈弱相关——这一现象在宁静太阳中未出现。冕洞喷流期间，[[Si IV]]谱线的上流与其他谱线的上流（下流）呈正（反）相关，其下流则与其他谱线的上流（下流）呈正（反）相关；下沉流期间Si IV与其他谱线速度无强相关性。喷流期的相关性源于热冷喷流在时空上的同源共位，而下沉流期的无相关性则表明热冷等离子体发生解耦。这些结果证明，大气中通量浮现及与原有通量的重联过程，共同构成了[[太阳风]]形成与[[日冕加热]]的统一机制。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，我们将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在输入空间中的分布和结构，我们分析了SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，以形成对系统结构特性的可视化解释。在HC方面，通过结合[[相异度]]-连接矩阵计算对数据进行分区，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。此外，通过设置0.8的[[不一致性截断值]]确定最大聚类数为7个。同时采用KMC方法建立聚类分割效率的定量度量，在将数据分割为K=5个非重叠聚类时获得0.905的[[平均轮廓值]]。另一方面，NNC分析表明15个变量可通过8个聚类的集体影响来表征。研究证实，结合HC的连接与相异度算法以及KMC形成的聚类方案，比单独通过NNC或HC评估更为可靠，因为改变SOM规模或不一致性截断值可能导致全新的聚类配置。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了其推广。虽然73%的企业领导层高度重视[[安全性]]，但[[自动化]]缺口仍然存在，仅12%的组织实现了每次提交[[代码]]都进行[[安全扫描]]。 研究发现突显了[[安全工具]]的加速整合趋势，特别是[[API安全]](63%)和[[软件成分分析]](62%)工具，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预期[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI]]驱动的[[安全增强]]方案。基于研究结果，本文提出了提升[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。针对NNC方法，我们对[[波前传感器]]重建数据集（分解为15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差）应用了[[自组织映射]](SOM)训练。通过分析SOM相邻[[权重]]距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用结合[[相异度]]-[[连接矩阵]]计算进行数据划分，该方法有效性通过高[[共表相关系数]]值(c=0.9651)得以验证。通过设置0.8的[[不一致性截断值]]，最终确定7个聚类用于系统分割。此外，采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠聚类分割中获得了0.905的平均[[轮廓系数]]值。研究表明，HC的结合连接与相异度算法与KMC共同形成的聚类方案，比单独使用NNC或HC评估更为可靠——后者中改变SOM尺寸或不一致性截断值可能导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的[[调查数据]]，结果显示尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业[[领导层]]优先考虑[[安全性]]，但[[自动化缺口]]仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 我们的研究结果突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），尽管[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于我们的发现，本研究提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动的安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。针对NNC方法，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]。为理解15个泽尼克变量在[[输入空间]]中的分布与结构，通过分析SOM相邻[[权重]]距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对[[系统结构]]特性的可视化解释。对于HC方法，采用联合[[相异度]]-连接[[矩阵]]计算进行[[数据划分]]，该方法有效性通过较高的[[共表型]][[相关系数]]值(c=0.9651)得以验证。同时通过设定0.8的[[不一致性]]截断值确定最大聚类数，最终获得7个聚类用于[[系统分割]]。此外，采用KMC方法建立[[聚类分割]]效率的量化指标，在将数据分割为K=5个非重叠聚类时获得0.905的平均[[轮廓值]]。而NNC分析表明15个变量可通过8个聚类的集体影响来表征。研究证实，结合HC的连接与相异度算法与KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠——后者若改变SOM尺寸或不一致性截断值可能导致全新的[[聚类构型]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的[[调查数据]]，结果显示虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了采用进程。尽管73%的企业[[领导层]]高度重视[[安全性]]，[[自动化缺口]]仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动的安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。对于NNC，将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集，该数据集被分解为15个[[泽尼克系数]]，表征了[[流体透镜]]传输的[[相位前]]光学像差。为了理解15个泽尼克变量在[[输入空间]]中的分布和结构，通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。对于HC，采用结合[[相异度]]-连接矩阵计算的方法进行数据划分，该方法的高共表相关系数值(c=0.9651)证实了其有效性。此外，通过设置0.8的[[不一致性]]截断值确定了最大簇数，最终将系统分割为7个簇。同时采用KMC方法建立[[聚类分割]]效率的定量度量，在将数据分割为K=5个非重叠簇时获得了0.905的平均轮廓值。另一方面，NNC分析表明15个变量可以通过8个簇的集体影响来表征。研究证实，结合HC的连接与相异度算法以及KMC形成的聚类方案，比单独通过NNC或HC评估更为可靠，因为改变SOM尺寸或不一致性截断值可能导致完全不同的聚类配置。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了采用进程。尽管73%的企业领导层将[[安全]]作为优先事项，[[自动化缺口]]仍然存在，仅12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全的战略最佳实践，包括[[自动化]]、[[领导力驱动]]的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集包含15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻[[权重]]距离、样本命中分布、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性。设定0.8的[[不一致性阈值]]后，最终确定系统分割为7个[[聚类]]。同时采用KMC方法量化聚类分割效率，当数据划分为K=5个非重叠聚类时，获得0.905的平均[[轮廓系数]]。研究表明，HC的联合连接-相异度算法与KMC的组合方案比单独使用NNC或HC更为可靠——后者中SOM尺寸或不一致性阈值的改变可能导致完全不同的聚类构型。NNC分析则显示15个变量可通过8个聚类的集体影响来表征。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD流水线的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的[[调查数据]]，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业[[领导层]]优先考虑[[安全性]]，[[自动化缺口]]仍然存在，仅12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI驱动]]的[[安全增强]]措施。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]]技术在将大型[[数据集]]组织成簇时的计算优势。对于NNC，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行训练，该数据集被分解为15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方面，采用联合相异度-连接矩阵计算进行数据分区，该方法有效性通过高达0.9651的[[共表型相关系数]]值得以验证。通过设置0.8的[[不一致性截断值]]确定了最大簇数为7个。同时采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠簇的数据分割中获得了0.905的[[平均轮廓系数]]值。研究表明，HC的联合连接与相异度算法结合KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠，因为改变SOM规模或不一致性截断值可能导致完全不同的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示：尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业领导层优先考虑[[安全性]]，但[[自动化]]缺口仍然存在，仅12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI]]驱动的[[安全增强]]措施。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。针对NNC方法，我们对[[波前传感器]]重建数据集（分解为15项[[泽尼克系数]]）应用[[自组织映射]](SOM)训练，这些系数表征了[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解读。在HC方法中，采用联合相异度-连接矩阵计算进行数据划分，0.9651的高[[共表型相关系数]]验证了该方法的有效性。通过设定0.8的[[不一致性截断值]]确定最大簇数为7个。同时采用KMC方法量化聚类分割效率，在K=5个非重叠簇时获得0.905的平均[[轮廓系数]]。研究表明，HC的联合连接算法与相异度算法结合KMC形成的聚类方案，比单独使用NNC或HC更可靠——后者中改变SOM尺寸或不一致性截断值会导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了采用。尽管73%的企业领导层优先考虑[[安全性]]，[[自动化]]缺口仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI驱动]]的[[安全增强]]措施。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。针对NNC方法，我们对一组[[波前传感器]]重建数据应用了[[自组织映射]](SOM)训练，这些数据被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布和结构，我们通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用结合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。此外，通过设定0.8的[[不一致性截断值]]确定最大聚类数为7个。同时采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠聚类时获得0.905的[[平均轮廓值]]。NNC分析则表明15个变量可通过8个聚类的集体影响来表征。研究证实，相较于单独使用NNC或HC方法（改变SOM规模或不一致性截断值会导致全新聚类构型），结合HC的连接与相异度算法与KMC的联合聚类方案更为可靠。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业领导层优先考虑[[安全性]]，但[[自动化缺口]]仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动的安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在输入空间中的分布结构，通过分析SOM邻域权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解读。在HC方面，采用联合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。同时设定0.8的[[不一致性截断值]]确定最大聚类数，最终获得7个聚类用于系统分割。此外，采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠聚类分割中获得了0.905的[[平均轮廓系数]]值。而NNC分析表明15个变量可通过8个聚类的集体影响来表征。研究证实，相较于单独使用NNC或HC（改变SOM尺寸或不一致性截断值会导致全新聚类构型），结合HC的联合连接-相异度算法与KMC能提供更可靠的聚类解决方案。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示：尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业[[领导层]]高度重视[[安全性]]，但[[自动化]]缺口仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。针对NNC方法，我们对[[波前传感器]]重建数据集（分解为15个[[泽尼克系数]]）应用[[自组织映射]](SOM)训练，这些系数表征了[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解读。在HC方法中，采用联合相异度-连接矩阵计算进行数据划分，该方法有效性通过高共表型相关系数值(c=0.9651)得以验证。通过设定0.8的不一致性截断值，最终确定7个簇作为系统分割方案。同时采用KMC方法建立聚类分割效率的量化指标，在K=5的非重叠簇划分中获得0.905的平均轮廓值。研究表明，HC的联合连接-相异度算法与KMC的组合方案比单独使用NNC或HC更可靠——改变SOM尺寸或不一致性截断值会导致全新聚类构型，而组合方法能通过8个簇的集体影响来表征全部15个变量。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法分析405位[[SME]]从业者的调查数据表明：尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其推广。虽然73%的企业领导层优先考虑[[安全性]]，但[[自动化]]缺口仍然存在——仅12%的组织在每次[[代码提交]]时执行[[安全扫描]]。 研究发现突显了[[安全工具]]的加速整合，尤其是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍较低（34%）。展望未来，[[SMEs]]预计[[人工智能]]和[[机器学习]]将显著影响[[DevSecOps]]发展，这强调需主动采用[[AI]]驱动的[[安全增强]]措施。基于研究结果，本文提出强化[[CI/CD管道]]安全的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，我们将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]。为了理解15个[[泽尼克变量]]在[[输入空间]]中的分布和结构，我们分析了SOM相邻[[权重距离]]、SOM样本命中、SOM权重位置和SOM权重平面，从而形成对[[系统结构]]特性的可视化解释。在HC的情况下，数据通过结合[[相异度]]-[[连接矩阵]]计算进行分区，该方法的高[[共表型相关系数]]值(c=0.9651)证实了其有效性。此外，通过设置0.8的[[不一致性截断值]]确定了最大聚类数，最终产生7个聚类用于[[系统分割]]。同时采用KMC方法建立[[聚类分割]]效率的[[定量度量]]，在将数据分割为K=5个非重叠聚类时获得了0.905的平均[[轮廓值]]。另一方面，NNC分析表明15个变量可以通过8个聚类的[[集体影响]]来表征。研究确定，通过HC的结合[[连接]]与[[相异度]][[算法]]与KMC共同形成的[[聚类方案]]，比单独通过NNC或HC评估更为可靠，因为改变SOM大小或[[不一致性截断值]]可能导致完全不同的[[聚类配置]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示：尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了其采用。尽管73%的企业领导层高度重视[[安全性]]，[[自动化缺口]]仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动]]的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻[[权重]]距离、样本命中分布、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性。设定0.8的[[不一致性阈值]]后，最终获得7个[[聚类]]用于系统分割。同时采用KMC方法量化聚类分割效率，当数据划分为K=5个非重叠聚类时，获得0.905的[[平均轮廓系数]]。研究表明，HC的联合连接-相异度算法与KMC的组合方案比单独使用NNC或HC更可靠——后者中SOM尺寸或不一致性阈值的改变会导致全新的聚类构型，而NNC分析显示15个变量可通过8个聚类的协同作用实现特征化。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示尽管68%的企业已实施[[DevSecOps]]，但[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）阻碍了采用。尽管73%的企业领导层优先考虑[[安全性]]，但[[自动化缺口]]仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全性的战略最佳实践，包括[[自动化]]、[[领导力驱动的安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行训练，该数据集包含15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻权重距离、样本命中分布、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性。设定0.8的[[不一致性阈值]]后，最终获得7个聚类用于系统分割。同时采用KMC方法建立聚类分割效率的量化指标，当数据划分为K=5个非重叠聚类时，获得0.905的[[平均轮廓系数]]值。研究表明，HC的联合连接-相异度算法与KMC相结合的聚类方案，比单独使用NNC或HC更具可靠性——后者中改变SOM规模或不一致性阈值会导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SMEs]])对[[DevSecOps]]的采纳情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了其推广。尽管73%的企业领导层高度重视[[安全性]]，[[自动化]]缺口仍然存在——仅12%的组织在每次[[代码提交]]时执行[[安全扫描]]。 研究发现突显了[[安全工具]]的加速整合趋势，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，这强调了主动采用[[AI]]驱动[[安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集（分解为15个[[泽尼克系数]]），用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]。为理解15个泽尼克变量在[[输入空间]]中的分布结构，通过分析SOM邻近[[权重]]距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了[[系统结构]]特性的可视化解释。在HC方面，采用结合[[相异度]]-[[连接矩阵]]计算进行[[数据划分]]，该方法有效性通过高[[共表相关系数]]值(c=0.9651)得以验证。同时通过设定0.8的[[不一致性]]截断值确定最大聚类数，最终获得7个聚类用于[[系统分割]]。此外采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个非重叠聚类时获得0.905的平均[[轮廓值]]。而NNC分析表明15个变量可通过8个聚类的集体影响来表征。研究证实：相较于单独使用NNC或HC（改变SOM尺寸或不一致性截断会导致全新聚类构型），结合HC的连接/相异度算法与KMC能提供更可靠的[[聚类解决方案]]。 == 摘要 == * '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines * '''中文标题'''：中小企业DevSecOps推进：安全CI/CD管道的挑战与最佳实践 * '''发布日期'''：2025-03-28 16:55:41+00:00 * '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner * '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9 *'''原文链接'''：http://arxiv.org/abs/2503.22612v1 '''中文摘要'''：本研究评估了[[中小型企业]]([[SME]])对[[DevSecOps]]的采用情况，识别出关键挑战、最佳实践及未来趋势。基于[[技术接受模型]]([[TAM]])和[[创新扩散理论]]([[DOI]])的混合研究方法，我们分析了405位[[中小企业]]专业人士的调研数据，结果显示：虽然68%的企业已实施[[DevSecOps]]，但[[技术复杂性]](41%)、[[资源限制]](35%)和[[文化阻力]](38%)阻碍了其采用。尽管73%的企业领导层优先考虑[[安全性]]，[[自动化]]缺口仍然存在——仅12%的组织在每次提交时执行[[安全扫描]]。 研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]](63%)和[[软件成分分析]](62%)，但[[容器安全]]采用率仍较低(34%)。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调需要主动采用[[AI]]驱动的[[安全增强]]措施。基于研究结果，本文提出了加强[[CI/CD管道]][[安全性]]的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]和[[跨团队协作]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。针对NNC方法，我们对一组[[波前传感器]]重建数据应用了[[自组织映射]](SOM)训练，这些数据被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在输入空间中的分布和结构，我们通过分析SOM邻近权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用结合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。同时设定0.8的[[不一致性截断值]]确定最大簇数，最终获得7个簇用于系统分割。此外，采用KMC方法建立[[聚类分割]]效率的量化指标，在将数据分割为K=5个非重叠簇时获得0.905的[[平均轮廓值]]。而NNC分析表明15个变量可通过8个簇的集体影响来表征。研究证实，结合HC的连接与相异度算法与KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠——后者若改变SOM尺寸或不一致性截断值可能导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。针对NNC方法，我们对一组[[波前传感器]]重建数据应用了[[自组织映射]](SOM)训练，这些数据被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为了理解15个[[泽尼克变量]]在输入空间中的分布和结构，我们通过分析SOM相邻权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用结合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。此外，通过设置0.8的[[不一致性截断值]]确定最大聚类数为7个。同时采用KMC方法建立聚类分割效率的量化指标，在K=5个非重叠聚类时获得0.905的[[平均轮廓值]]。NNC分析则表明15个变量可通过8个聚类的集体影响来表征。研究证实，相较于单独使用NNC或HC方法（改变SOM尺寸或不一致性截断值会导致全新聚类构型），结合HC的连接与相异度算法与KMC的联合聚类方案更为可靠。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。通过分析SOM相邻[[权重]]距离、样本命中分布、权重位置及权重平面，形成了对系统结构特性的可视化解读。在HC方法中，通过结合[[相异度]]-连接矩阵计算进行数据划分，高达0.9651的[[共表型相关系数]]验证了该方法的有效性。设定0.8的[[不一致性阈值]]后，最终获得7个[[聚类]]用于系统分割。同时采用KMC方法建立聚类分割效率的量化指标，在K=5的[[非重叠聚类]]中获得了0.905的[[平均轮廓系数]]。研究表明，结合HC的连接算法与相异度算法以及KMC形成的聚类方案，比单独使用NNC或HC更具可靠性——后者中改变SOM尺寸或不一致性阈值会导致全新的聚类构型。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。对于NNC，将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集（分解为15个[[泽尼克系数]]），用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克]]变量在[[输入空间]]中的分布结构，通过分析SOM邻域权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方面，采用联合[[相异度]]-连接矩阵计算进行数据划分，0.9651的高[[共表型]]相关系数值验证了该方法的有效性。通过设定0.8的[[不一致性]]截断值确定最大簇数为7个。同时采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个非重叠簇划分中获得0.905的平均[[轮廓值]]。NNC分析表明15个变量可通过8个簇的集体影响来表征。研究证实，相较于单独使用NNC或HC（改变SOM尺寸或不一致性截断会导致全新聚类构型），结合HC的联合连接-相异度算法与KMC能提供更可靠的[[聚类解决方案]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，我们将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布和结构，我们分析了[[SOM邻近权重距离]]、[[SOM样本命中]]、[[SOM权重位置]]和[[SOM权重平面]]，以形成对[[系统结构]]特性的可视化解释。在HC方面，通过结合[[相异度]]-[[连接矩阵]]计算对数据进行分区，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。此外，通过设置0.8的[[不一致性截断值]]确定最大聚类数为7个。同时采用KMC方法建立[[聚类分割]]效率的定量度量，在将数据分割为K=5个[[非重叠聚类]]时获得0.905的[[平均轮廓值]]。NNC分析则表明15个变量可通过8个聚类的[[集体影响]]来表征。研究证实，结合HC的连接与相异度算法和KMC形成的[[聚类方案]]，比单独使用NNC或HC评估更为可靠，因为改变[[SOM规模]]或[[不一致性截断值]]可能导致完全不同的[[聚类配置]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布和结构，我们通过分析SOM[[邻近权重]]距离、SOM[[样本命中]]、SOM[[权重位置]]和SOM[[权重平面]]，形成对[[系统结构]]特性的[[可视化]]解释。在HC方面，采用结合[[相异度]]-[[连接矩阵]]计算进行[[数据划分]]，该方法有效性通过较高的[[共表型]][[相关系数]]值(c=0.9651)得到验证。同时通过设定0.8的[[不一致性]][[截断值]]确定最大聚类数，最终将系统分割为7个聚类。此外，采用KMC方法建立[[聚类分割]][[效率]]的[[量化指标]]，在将数据分割为K=5个[[非重叠聚类]]时获得0.905的[[平均轮廓值]]。而NNC分析表明15个变量可通过8个聚类的[[集体影响]]来表征。研究证实，结合HC的[[连接]]与[[相异度]][[算法]]与KMC形成的[[聚类方案]]，比单独使用NNC或HC评估更为可靠——因为改变SOM[[尺寸]]或[[不一致性]][[截断值]]可能导致完全不同的[[聚类构型]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布和结构，我们通过分析[[SOM邻近权重距离]]、[[SOM样本命中]]、[[SOM权重位置]]和[[SOM权重平面]]，形成了对[[系统结构]]特性的[[可视化]]解释。在HC方面，通过结合[[相异度]]-[[连接矩阵]]计算进行[[数据划分]]，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。同时设定0.8的[[不一致性截断值]]确定最大[[聚类数]]为7个。此外采用KMC方法建立[[聚类分割]]效率的[[量化指标]]，在K=5个[[非重叠聚类]]时获得0.905的[[平均轮廓值]]。NNC分析则显示15个变量可通过8个聚类的[[集体影响]]来表征。研究表明，结合HC的[[连接]]与[[相异度算法]]与KMC形成的[[聚类方案]]，比单独使用NNC或HC评估更可靠——后者若改变[[SOM尺寸]]或[[不一致性截断值]]可能导致全新的[[聚类构型]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较分析，以评估这三种[[机器学习]]技术在组织大规模[[数据集]]时的计算优势。针对NNC方法，我们采用[[自组织映射]](SOM)对[[波前传感器]]重建数据集进行[[训练]]，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在输入空间的分布结构，通过分析SOM邻域权重距离、SOM样本命中率、SOM权重位置及SOM权重平面，形成了对系统结构特性的可视化解读。在HC方法中，采用差异-连接组合矩阵计算进行数据划分，0.9651的高[[共表型相关系数]]验证了该方法的有效性。通过设定0.8的[[不一致性阈值]]确定最大聚类数为7组。同时采用KMC方法量化聚类分割效率，当数据划分为K=5个非重叠簇时获得0.905的平均[[轮廓系数]]。研究表明，HC的联合连接-差异算法与KMC相结合的聚类方案比单独使用NNC或HC更可靠——后者改变SOM规模或不一致性阈值会导致全新的聚类构型，而NNC分析显示15个变量可通过8个簇的协同影响实现特征化。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类和K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，我们将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集，该数据集被分解为15个[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在输入空间中的分布和结构，我们分析了[[SOM邻近权重距离]]、[[SOM样本命中]]、[[SOM权重位置]]和[[SOM权重平面]]，以形成对系统结构特性的可视化解释。在HC方面，通过结合[[相异度]]-[[连接矩阵]]计算对数据进行分区，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得到验证。此外，通过设置0.8的[[不一致性截断值]]确定最大聚类数为7个。同时采用KMC方法建立[[聚类分割]]效率的定量度量，在将数据分割为K=5个非重叠聚类时获得0.905的平均[[轮廓值]]。NNC分析则表明15个变量可通过8个聚类的集体影响来表征。研究证实，结合HC的连接与相异度算法以及KMC形成的聚类方案，比单独通过NNC或HC评估更为可靠，因为改变[[SOM尺寸]]或[[不一致性截断值]]可能导致全新的聚类配置。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。针对NNC方法，我们对[[波前传感器]]重建数据集应用了[[自组织映射]](SOM)训练，该数据集通过15项[[泽尼克系数]]分解，表征了[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克变量]]在[[输入空间]]中的分布与结构，我们分析了SOM相邻[[权重距离]]、SOM样本命中、SOM权重位置和SOM权重平面，从而形成对[[系统结构]]特性的可视化解释。对于HC方法，通过结合[[相异度]]-[[连接矩阵]]计算进行[[数据划分]]，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。同时设定0.8的[[不一致性截断值]]确定最大聚类数，最终获得7个聚类用于[[系统分割]]。此外采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个非重叠聚类分割中获得0.905的[[平均轮廓系数]]值。而NNC分析表明15个变量可通过8个聚类的[[集体影响]]来表征。研究证实，相较于单独使用NNC或HC（改变SOM尺寸或[[不一致性截断值]]会导致全新[[聚类构型]]），结合HC的连接与[[相异度]]算法与KMC共同形成的[[聚类方案]]是更可靠的[[聚类解决方案]]。 == 摘要 == * '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses * '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用 * '''发布日期'''：2025-03-28 14:01:12+00:00 * '''作者'''：Graciana Puentes * '''分类'''：physics.optics, cs.LG *'''原文链接'''：http://arxiv.org/abs/2503.22448v1 '''中文摘要'''：摘要：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成[[聚类]]时的计算优势。对于NNC，将[[自组织映射]](SOM)训练应用于[[波前传感器]]重建数据集（分解为15项[[泽尼克系数]]），用于表征[[流体透镜]]传输的[[相位前]]光学像差。为理解15个[[泽尼克]]变量在[[输入空间]]中的分布结构，通过分析SOM邻域权重距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对[[系统结构]]特性的可视化解释。在HC方面，采用联合[[相异度]]-[[连接矩阵]]计算进行[[数据划分]]，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。同时设定0.8的[[不一致性截断]]值确定最大聚类数，最终获得7个聚类用于[[系统分割]]。此外采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个非重叠聚类分割中获得了0.905的[[平均轮廓值]]。而NNC分析表明15个变量可通过8个聚类的[[集体影响]]来表征。研究证实：相较于单独使用NNC或HC（改变SOM规模或不一致性截断会导致全新[[聚类构型]]），结合HC的连接/相异度算法与KMC能提供更可靠的[[聚类解决方案]]。
返回
WikiEdge:ArXiv速递/2025-03-28
。
导航菜单
个人工具
创建账号
登录
命名空间
项目页面
讨论
不转换
不转换
简体
繁體
大陆简体
香港繁體
澳門繁體
大马简体
新加坡简体
臺灣正體
查看
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
MediaWiki帮助
工具
链入页面
相关更改
特殊页面
页面信息