Carte conceptuelle illustrant les "Risques de sécurité du cycle de vie complet d'un système d'IA", présentée dans un style de visualisation d'informations, concise et professionnelle. L'élément central est un grand cercle ou une zone de titre intitulée "Sécurité du cycle de vie complet d'un système d'IA". Disposées autour de celui-ci dans l'ordre chronologique, soit de manière circulaire, soit sous forme d'organigramme, se trouvent quatre étapes : 1) Acquisition et gouvernance des données : Icônes représentant des bases de données et des flux de données, avec les points de risque associés : empoisonnement et falsification des données, risques liés à la confidentialité et à la conformité (RGPD), biais sociaux et injustice, erreurs d'étiquetage et problèmes de qualité des données. 2) Entraînement et évaluation : Icônes représentant des réseaux neuronaux ou des grappes de serveurs, avec les points de risque : attaques de porte dérobée et d'empoisonnement, mémorisation conduisant à l'inférence d'appartenance et à l'inversion de modèle, robustesse contradictoire insuffisante (par exemple, attaques PGD) et manque de tests d'équipe rouge et d'analyse des portes dérobées. 3) Inférence et déploiement : Icônes représentant des services en ligne/interfaces cloud, avec les points de risque : attaques d'échantillons contradictoires, injection d'invite et débridage, contamination de la source de récupération RAG conduisant à des "attaques d'hallucination" et problèmes de sécurité de la chaîne d'approvisionnement découlant de plugins et d'appels d'outils malveillants. 4) Surveillance continue et gouvernance : Icônes représentant des écrans de surveillance ou des journaux d'audit, avec les points de risque : injection de contexte long et pollution de la mémoire de session, audits de sécurité insuffisants des données et du code mis à jour, et retrait et archivage inappropriés des modèles entraînant une fuite de paramètres et de données. En bas ou sur le côté du diagramme, ajoutez une bannière indiquant "Exigences de conformité et de réglementation fondées sur les risques", avec des étiquettes telles que "RGPD" et "Loi européenne sur l'IA", indiquant que ces réglementations imposent des exigences à l'échelle du cycle de vie en matière de gouvernance des données, de traçabilité, de surveillance humaine, de robustesse et de cybersécurité. Le schéma de couleurs global doit être froid et axé sur la technologie, avec une structure claire soulignant la relation entre "Étape → Risque → Conformité".
```python import os import re import numpy as np import pand...
![```python
import os
import re
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import torch
from torch.utils.data import Dataset, DataLoader
from tqdm import tqdm
import joblib
import matplotlib.pyplot as plt
# =========================
# Configuration
# =========================
class Config:
# ✅ Nouvelle version : Excel des points d'accumulation d'eau (ajout de la pluviométrie cumulée)
points_xlsx = r'F:\实验数据\CA_积水点融合\深度置信网络\样本输出_final\积水点_整合_step3_研究区内_新增累计降雨_719-723.xlsx'
# Résultats de la simulation CA et données géographiques
ca_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\CA模拟结果'
geo_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\地理数据' # building_density.npy, DEM.npy, road_density.npy, Slope.npy, Landuse.npy
# Patch & Échantillonnage
patch_size = 64
ca_dry_thr_cm = 1.0 # Seuil de profondeur d'eau pour les échantillons négatifs : < 1cm
tile_size = 200 # Taille de la tuile d'échantillonnage spatial uniforme pour les échantillons négatifs (unité : cellule de grille)
# Types d'encodage one-hot de l'occupation du sol (peut être ajusté en fonction de vos données réelles)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Lié à l'entraînement
output_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\DBN训练输出_64patch_mu'
```](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FBFJVaELXylgOOK0WatKO6tw6EfizLTx7%2F8a5d501e-e43d-4dfe-b168-5609ff4c3ef1%2F03d366b1-042e-4669-8cfb-aa5952cc4cb1.png&w=3840&q=75)
