Descrição do Prompt
Segurança de IA ├─ Objetivos Principais (CID + Conformidade + Confiabilidade) │ ├─ Confidencialidade │ ├─ Integridade │ ├─ Disponibilidade │ ├─ Conformidade │ └─ Comportamento Confiável │ ├─ Controlável sob ataques maliciosos │ ├─ Estável durante falhas inesperadas │ └─ Mantém o comportamento esperado sob mudanças ambientais │ ├─ Limites Conceituais e Conceitos Relacionados │ ├─ Relação com Confiabilidade / Robustez │ │ ├─ Confiabilidade / Robustez: Foca em perturbações não maliciosas e aleatórias │ │ │ ├─ Ruído do sensor │ │ │ └─ Desvio da distribuição de dados │ │ └─ Segurança de IA: Foca em ataques deliberados, maliciosos e cuidadosamente projetados │ │ └─ Perturbação Adversarial (FGSM, etc.) │ ├─ Relação com a Cibersegurança Tradicional / Engenharia de Segurança │ │ ├─ Segurança Tradicional: Protege infraestrutura, redes e dados │ │ │ ├─ Firewalls │ │ │ ├─ Detecção de intrusão │ │ │ ├─ Controle de acesso │ │ │ └─ Aplicações criptográficas │ │ └─ Segurança de IA: Investiga o comportamento do modelo e as dependências de dados │ │ └─ Por exemplo: Ataques de backdoor não podem ser detectados por varredura de vulnerabilidades tradicional │ └─ Posição dentro da IA Confiável │ ├─ Outros pilares da IA Confiável │ │ ├─ Imparcialidade │ │ ├─ Explicabilidade / Interpretabilidade │ │ ├─ Transparência │ │ └─ Privacidade │ └─ Segurança é a base da IA Confiável
![```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
# =========================
# Configuração
# =========================
class Config:
# ✅ Nova versão: Excel dos pontos de acúmulo de água (adicionado precipitação acumulada)
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'
# Resultados da simulação CA & dados geográficos
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 & Amostragem
patch_size = 64
ca_dry_thr_cm = 1.0 # Limiar de profundidade da água para amostra negativa: < 1cm
tile_size = 200 # Tamanho do tile para amostragem espacial uniforme de amostras negativas (unidade: célula da grade)
# Tipos de one-hot encoding de uso do solo (pode ser ajustado de acordo com seus dados reais)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Relacionado ao treinamento
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)
