Описание промпта
ИИ Безопасность ├─ Основные Цели (CIA + Соответствие требованиям + Надежность) │ ├─ Конфиденциальность │ ├─ Целостность │ ├─ Доступность │ ├─ Соответствие требованиям │ └─ Надежное Поведение │ ├─ Контролируемость при злонамеренных атаках │ ├─ Стабильность при неожиданных сбоях │ └─ Поддержание ожидаемого поведения при изменениях окружающей среды │ ├─ Концептуальные Границы и Связанные Концепции │ ├─ Связь с Надежностью / Устойчивостью │ │ ├─ Надежность / Устойчивость: Фокусируется на незлонамеренных, случайных возмущениях │ │ │ ├─ Шум датчиков │ │ │ └─ Дрейф распределения данных │ │ └─ ИИ Безопасность: Фокусируется на преднамеренных, злонамеренных и тщательно разработанных атаках │ │ └─ Враждебные Возмущения (FGSM и т.д.) │ ├─ Связь с Традиционной Кибербезопасностью / Инженерией Безопасности │ │ ├─ Традиционная Безопасность: Защищает инфраструктуру, сети и данные │ │ │ ├─ Брандмауэры │ │ │ ├─ Обнаружение вторжений │ │ │ ├─ Контроль доступа │ │ │ └─ Криптографические приложения │ │ └─ ИИ Безопасность: Углубляется в поведение модели и зависимости данных │ │ └─ Например: Атаки с черным ходом не могут быть обнаружены традиционным сканированием уязвимостей │ └─ Позиция в рамках Надежного ИИ │ ├─ Другие столпы Надежного ИИ │ │ ├─ Справедливость │ │ ├─ Объяснимость / Интерпретируемость │ │ ├─ Прозрачность │ │ └─ Конфиденциальность │ └─ Безопасность - основа Надежного ИИ
![Научная иллюстрация, изображающая:
```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
# =========================
# Конфигурация
# =========================
class Config:
# ✅ Новая версия: Excel с точками скопления воды (добавлены кумулятивные осадки)
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'
# Результаты моделирования CA и географические данные
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
# Патч и выборка
patch_size = 64
ca_dry_thr_cm = 1.0 # Порог глубины воды для отрицательных образцов: < 1 см
tile_size = 200 # Размер ячейки пространственно равномерной выборки отрицательных образцов (единица: ячейка сетки)
# Типы one-hot кодирования землепользования (можно настроить в соответствии с вашими фактическими данными)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Связанное с обучением
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)
