آیا ویندوز ایمیل شما را ذخیره می کند؟ راحت ترین فکر نیست ، زیرا در عناوین داده های کاربران فیس بوک در اوایل سال جاری بهبود می یابیم. با این حال، از نظر ذخیره ایمیل برداشت توجه جوئل Hruska ، ExtremeTech در ، و دیگر ناظران تکنولوژی به تازگی زمانی که آنها از یک کشف اخلال توسط دست جرمی Skeggs .
Skeggs ، یک تحلیلگر پزشکی قانونی ، تصمیم طراحی ویندوز 8.1 و 10 را شایسته نگاه دقیق تر دانست. Skeggs آشکار در GitHub اظهار داشت: "WaitList.dat (لیست انتظار) فایل داده است که یافت شده است است که شامل تکمیل نشده متن از ایمیل، ارتباط و سند فایل را به صورت تابعی از ویندوز جستجو شاخص."
ZDNet موضوع دیگری را در مورد ویندوز و نامه گزارش داد. "یک ویژگی کوچک شناخته شده ویندوز فایلی را ایجاد می کند که متن استخراج شده از همه ایمیل ها و پرونده های متن ساده موجود در رایانه شخصی شما را ذخیره کند ، که بعضی اوقات ممکن است رمزهای عبور یا مکالمات خصوصی را فاش کند."
بلند و کوتاه، فایل WaitList.dat "را می توان در کمتر از یک ثانیه کپی و به احتمال زیاد حاوی اطلاعات حساس و یا کلمه عبور بر روی کامپیوتر بسیاری از مردم خواهد شد، گفت:" اشعیا Mayersen در تخصصی موبایل .
خوب ، ابتدا در مورد ویندوز 8.1: "من در هنگام بررسی یک رایانه شخصی ویندوز 8.1 برای حضور یک ایمیل شناخته شده ، اثر" WaitList.dat "را شناسایی کردم. یک نسخه از این ایمیل برای من تهیه شده است و بخشی از تحقیقات مربوط به شناسایی این موضوع است یا خیر. این ایمیل تا کنون در رایانه متولی وجود نداشته است .پس از پردازش بایگانی صندوق پستی .PST و .OST بر روی رایانه شخصی ، وجود ایمیل را شناسایی نکردم. سپس نسخه های سایه را پردازش کردم ، حکاکی و پردازش برای فروشگاه های مختلف صندوق پستی و پرونده های ایمیل ، و هنوز ایمیل را شناسایی نکردید. به عنوان یک تلاش نهایی ، جستجوی رشته ای برای ایمیل انجام دادمخط موضوع در کل تصویر پزشکی قانونی. 1 ضربه در "WaitList.dat" دریافت کردم. با بررسی این پرونده 140 مگابایتی ، ابرداده و متنی کامل از بیش از 36،000 ایمیل و اسناد شناسایی شد که مدت سه سال به طول انجامید. "
Hruska یک نکته کلیدی را تأکید کرد که "داده های ذخیره شده در WaitList.dat هنگام حذف اسناد حذف نمی شوند" ، و به نوبه خود می تواند برای بازیابی اطلاعات از رایانه شخصی استفاده شود.
اگر کاربران نگران باشند که این پرونده بیش از حد لانه شاخ است ، می توانند آن را ریشه کن کنند. Cimpanu در ZDNet گفت كه برای كسانی كه نگران داده های خود هستند ، "تنها کاری كه باید انجام دهید حذف پرونده WaitList.dat و غیرفعال كردن تشخیص دست نویس است."
سیمپانو در زمان نگارش اظهار داشت که هیچ مدرکی مبنی بر بارگذاری داده ها در مایکروسافت و هیچ بدافزار وجود ندارد. در همان زمان ، او گفت ، "خوب خواهد بود که مایکروسافت یک به روزرسانی را منتشر کند که پرونده را کمی ایمن تر ذخیره کند."
Latesthackingnews.com با نگاهی به شناخت دست نویس Windows ، گفت: "بسیاری از کاربران ویندوز که به عنوان روشهای ورودی ، صفحه لمسی یا قلم را ترجیح می دهند ، از اهمیت این ویژگی مطلع هستند ."
Skeggs نوشت: "از زمان انتشار ویندوز 8 و رابط کاربری" Metro "، ورودی صفحه لمسی در تعداد فزاینده ای از دستگاههای ویندوز از جمله مایکروسافت سرفیس پرو / کتاب ، دو درج ، لپ تاپ قابل تبدیل و تبلت انجام شده است. از این روند استفاده کرده است ، و تبدیل بین دست نوشته های لمسی / قلم به متن رایانه را در نرم افزارهایی مانند OneNote انجام داده است. "
تیمی به سرپرستی دانشگاه کالیفرنیا سن دیگو ، یک رویکرد طراحی نرم افزاری سخت افزاری و نرم افزاری عصبی را طراحی کرده اند که می تواند آموزش شبکه عصبی را با انرژی و کارآمدتر انجام دهد. کار آنها می تواند روزی امکان ایجاد شبکه های عصبی را در دستگاه های کم مصرف مانند تلفن های هوشمند ، لپ تاپ و دستگاه های تعبیه شده فراهم کند.
این پیشرفت در مقاله ای منتشر شده است که اخیراً در ارتباطات طبیعت منتشر شده است .
آموزش شبکه های عصبی برای انجام کارهایی مانند شناسایی اشیاء ، حرکت اتومبیل های خود رانندگی یا بازی کردن بازی ها ، قدرت و زمان محاسباتی زیادی را مصرف می کند. رایانه های بزرگ با صدها تا هزار پردازنده معمولاً برای یادگیری این کارها لازم هستند و زمان آموزش می تواند از هفته ها تا ماه ها به طول انجامد.
Duygu Kuzum ، استاد ارشد مهندسی برق و رایانه در این باره گفت: انجام این محاسبات شامل انتقال داده ها به جلو و عقب بین دو واحد جداگانه - حافظه و پردازنده - است و این بیشتر انرژی و زمان را در طول آموزش شبکه عصبی مصرف می کند. دانشکده مهندسی جاکوبز در UC سن دیگو.
برای برطرف کردن این مشکل ، کوزوم و آزمایشگاهش با Adesto Technologies همکاری کردند تا سخت افزار و الگوریتم هایی را ایجاد کنند که اجازه می دهد این محاسبات بطور مستقیم در واحد حافظه انجام شود و نیاز به تغییر داده های مکرر را برطرف می کند.
یوهان شی ، نویسنده اول ، دکتری مهندسی برق گفت: "ما از دو انتها - دستگاه و الگوریتم ها - برای حل حداکثر بهره وری انرژی در طول آموزش شبکه عصبی ، این مشکل را برطرف می کنیم ." دانشجوی گروه تحقیقاتی کوزوم در UC San Diego.
مؤلفه سخت افزاری نوعی تکنولوژی فوق العاده با کارآیی حافظه غیر فرار است. یک رم RAM (CBRAM) Conductive Bridging RAM (CBRAM) 512 کیلو بیت. این انرژی از 10 تا 100 برابر انرژی کمتری نسبت به فناوریهای پیشرو در حافظه مصرف می کند. این دستگاه مبتنی بر فناوری حافظه CBRAM Adesto است و در درجه اول از آن به عنوان یك وسیله ذخیره سازی دیجیتالی استفاده می شود كه دارای حالتهای 0 و 1 است ، اما كوزوم و آزمایشگاه وی نشان دادند كه می توان برنامه ریزی كرد كه دارای چندین حالت آنالوگ برای تقلید باشد. سیناپسهای بیولوژیکی در مغز انسان. این دستگاه به اصطلاح سیناپسی می تواند برای انجام محاسبات حافظه برای آموزش شبکه عصبی استفاده شود.
"حافظه داخلی چیپ در پردازنده های معمولی بسیار محدود است ، بنابراین آنها ظرفیت کافی برای انجام محاسبات و ذخیره سازی در همان تراشه را ندارند. اما در این روش ، ما یک آرایه حافظه با ظرفیت بالا داریم که می تواند محاسبات مربوط به عصبی را انجام دهد. آموزش شبکه در حافظه بدون انتقال داده به یک پردازنده خارجی. این کار باعث می شود عملکرد زیادی داشته باشد و باعث کاهش مصرف انرژی در حین آموزش شود. "
کوزوم ، که به مرکز محاسبات و امنیت یکپارچه ماشین در UC سن دیگو وابسته است ، تلاش کرد الگوریتم هایی را ایجاد کند که بتوان به راحتی روی این مجموعه دستگاه سیناپسی نقشه برداری کرد. این الگوریتم ها حتی در زمان آموزش شبکه عصبی صرفه جویی در انرژی و زمان بیشتری را نیز به همراه داشتند.
این روش برای اجرای یادگیری بدون نظارت در سخت افزار از یک نوع شبکه عصبی با انرژی استفاده می کند ، به نام یک شبکه عصبی پرشور. مهمتر از آن ، تیم کوزوم الگوریتم صرفه جویی در انرژی دیگری را که آنها با نام "نرم هرس" طراحی کرده اند ، اعمال می کند ، که باعث می شود آموزش شبکه عصبی با صرفه جویی زیادی از نظر دقت ، انرژی بسیار کارآمدتری داشته باشد.
درباره این سایت