润湿特性对多孔介质缓慢干燥过程影响的数值模拟

采用二维孔隙网络模型,对不同孔隙结构下亲水多孔介质与憎水多孔介质的缓慢干燥过程进行模拟,考察润湿特性的改变对二维多孔介质干燥过程中液相分布、蒸发速率以及干燥总时间的影响。模拟结果表明,忽略重力与黏性力影响时,多孔介质干燥过程只受毛细压力控制,亲水多孔介质蒸发端为无规则形状,而憎水多孔介质蒸发端则根据孔隙尺寸分布与喉孔比的不同呈现不同的特性;干燥总时间与润湿特性、蒸发速率、孔隙结构相关;当喉孔比相同时,紧凑多孔介质的干燥总时间小于非紧凑多孔介质;当喉孔比较小时,亲水多孔介质的干燥总时间小于憎水多孔介质;当喉孔比较大时,憎水与亲水多孔介质的干燥总时间可以近乎相等。     

非均质多孔介质内超临界二氧化碳驱替盐水过程的孔隙网络模拟

针对CO2在非均匀多孔介质内的储存过程,建立二维动态孔隙网络模型,对含盐水的介质中超临界CO2驱替盐水的过程进行模拟计算。提出用非均匀性来衡量二维动态孔隙网络模型中喉道的分布特性,通过建立3种非均匀性不同的二维动态孔隙网络模型,分析非均匀性对CO2封存的影响。模拟计算结果表明,非均匀性越大的二维动态孔隙网络模型,驱替过程中超临界CO2的前进端越不稳定,且最后突破时的超临界CO2饱和度越低;通过分析稳定驱替下不同时刻的CO2分布,揭示非均匀性的影响机理;非均匀性越大,陷住的含盐水孔隙更多是导致突破时超临界CO2饱和度越低的主要原因。     

人工智能的逆向工程——反向智能研究综述

在大数据时代,人工智能得到了蓬勃发展,尤其以机器学习、深度学习为代表的技术更是取得了突破性进展.随着人工智能在实际场景中的广泛应用,人工智能的安全和隐私问题也逐渐暴露出来,并吸引了学术界和工业界的广泛关注.以机器学习为代表,许多学者从攻击和防御的角度对模型的安全问题进行了深入的研究,并且提出了一系列的方法.然而,当前对机器学习安全的研究缺少完整的理论架构和系统架构.从训练数据逆向还原、模型结构反向推演、模型缺陷分析等角度进行了总结和分析,建立了反向智能的抽象定义及其分类体系.同时,在反向智能的基础上,将机器学习安全作为应用对其进行简要归纳.最后探讨了反向智能研究当前面临的挑战以及未来的研究方向.建立反向智能的理论体系,对于促进人工智能健康发展极具理论意义.     

基于真实数据感知的模型功能窃取攻击

目的 模型功能窃取攻击是人工智能安全领域的核心问题之一,目的是利用有限的与目标模型有关的信息训练出性能接近的克隆模型,从而实现模型的功能窃取。针对此类问题,一类经典的工作是基于生成模型的方法,这类方法利用生成器生成的图像作为查询数据,在同一查询数据下对两个模型预测结果的一致性进行约束,从而进行模型学习。然而此类方法生成器生成的数据常常是人眼不可辨识的图像,不含有任何语义信息,导致目标模型的输出缺乏有效指导性。针对上述问题,提出一种新的模型窃取攻击方法,实现对图像分类器的有效功能窃取。方法 借助真实的图像数据,利用生成对抗网络(generative adversarial net,GAN)使生成器生成的数据接近真实图像,加强目标模型输出的物理意义。同时,为了提高克隆模型的性能,基于对比学习的思想,提出一种新的损失函数进行网络优化学习。结果 在两个公开数据集CIFAR-10(Canadian Institute for Advanced Research-10)和SVHN(street view house numbers)的实验结果表明,本文方法能够取得良好的功能窃取效果。在CIFAR-10数据集上,相比目前较先进的方法,本文方法的窃取精度提高了5%。同时,在相同的查询代价下,本文方法能够取得更好的窃取效果,有效降低了查询目标模型的成本。结论 本文提出的模型窃取攻击方法,从数据真实性的角度出发,有效提高了针对图像分类器的模型功能窃取攻击效果,在一定程度上降低了查询目标模型代价。