TrustedSec продолжает публиковать исследования из серии Hiding in Plain Sight, посвященные анализу нетривиальных методов для хранения данных или полезных нагрузок
В предыдущим отчете исследовался простой метод кодирования полезной нагрузки в значения RGB файла PNG и размещения его в публичных местах - imgDevil (на Github)
Теперь же ресерчеры решили поэкспериментировать с методом сокрытия данных - в некотором смысле, безфайловым»решением для хранения данных, который получил название dirDevil
Представленный метод реализует сокрытие вредоносного кода и данных в структурах папок
Плюсы и минусы метода - в отчете, а PoC - на GitHub
В предыдущим отчете исследовался простой метод кодирования полезной нагрузки в значения RGB файла PNG и размещения его в публичных местах - imgDevil (на Github)
Теперь же ресерчеры решили поэкспериментировать с методом сокрытия данных - в некотором смысле, безфайловым»решением для хранения данных, который получил название dirDevil
Представленный метод реализует сокрытие вредоносного кода и данных в структурах папок
Плюсы и минусы метода - в отчете, а PoC - на GitHub
TrustedSec
dirDevil: Hiding Code and Content Within Folder Structures
Ml
Могут ли моральные терзания человека подчиняться законам математической логики? На этот вопрос в своей книге «Алгебра совести» ответил В.А. Лефевр, советский учёный, ставший профессором Калифорнийского университета Он предложил радикальную идею: совесть…
Если Лефевр строил модели стабильного мира, а Анисимова анализировала тоталитарные секты как лаборатории манипуляции, то работа С.Ю. Малкова и его коллег из МГУ представляет собой математический ответ на вызовы цифровой войны, где добро и зло перестают быть константами, превращаясь в переменные под давлением пропаганды
Их модель вводит в уравнение морального выбора ключевой фактор современности: информационное насилие, способное перепрограммировать саму структуру совести
Основная формула —
G = F(V, I, M) · (1 – γ·C) — показывает, как манипуляции подавляют готовность к добру
Здесь F(V, I, M) представляет собой базовый уровень моральной готовности, который зависит от ценностных установок V, силы личного убеждения I и общего уровня лжи в среде M
На эту базу давит эффект зомбирования (1 – γ·C)
При M = 70 % (тоталитарная пропаганда) и C = 0.9 (когнитивное искажение) даже сильное намерение I не может спасти исход — G падает в 3–5 раз
Представьте человека, искренне верящего в помощь ближнему (I и V высоки), но под воздействием пропаганды (M=70 %), которой он доверяет (C=0.9), и подавленной воли (γ=0.8) он легко соглашается на донос или участие в травле
Таким образом, модель объясняет, почему люди в авторитарных системах совершают непонятные извне поступки: их моральный компас калибруется ложью, а не внутренними убеждениями
Малков выявил тревожную закономерность: когда M превышает 50 % и γ растёт, общества неизбежно скатываются к «утилитарному коллапсу» — состоянию, в котором мораль вытесняется чистым расчётом личной выгоды
Ценности размываются — добро сводится к сиюминутной выгоде, деонтологические нормы, такие как справедливость и честность, маргинализируются, и возникает положительная обратная связь: падение морали подпитывает цинизм, который, в свою очередь, создаёт условия для новых волн манипуляции
Анализ позднего СССР подтверждает эту теорию: при M = 65 % и γ = 0.8 моральные принципы рухнули, уступив место криминальному хаосу 1990-х
Сегодня западные общества с M = 55 % и γ = 0.7 приближаются к «моральному переломному моменту», когда к 2040 году этика уступит холодному расчёту в критически важных общественных решениях
Однако модель Малкова — это не смертный приговор, а схема сопротивления
Строгий контроль над M (снижение уровня обмана до 30–40 % посредством фактчекинга) увеличивает G на 200 %
Чёткое определение V («человеческая жизнь — высшая ценность») создаёт буфер против манипуляций, а тренировка рефлексивности снижает C, действуя как вакцина от когнитивных вирусов
Религия (если не извращается изнутри себя) здесь действует как стабилизатор: каноны традиционных конфессий фиксируют V, не давая манипуляторам переопределять добро и зло
Практическое применение модели Малкова уже меняет реальность
В этике Ml эта формула лежит в основе алгоритмов, в которых самоуправляемые автомобили рассчитывают G, сопоставляя безопасность пассажиров с жизнью пешеходов через призму «этики робототехники»
В видеоиграх динамика, подобная γ·C, моделирует, как подчинение «тёмному» нарративу постепенно разрушает моральный выбор
В образовании «рефлексивные симуляторы» обучают студентов распознавать манипуляции в условиях искусственно завышенного M
Если М > 50 %, то «свободы воли не существует», но совесть не исчезает, пока есть силы противостоять перепрограммированию
Это не благодарное занятие — математизация совести, а
«Мистический дар» описать как «инженерный объект», но будет формула, по которой можно рассчитать, что человек выберет: добро или зло
Их модель вводит в уравнение морального выбора ключевой фактор современности: информационное насилие, способное перепрограммировать саму структуру совести
Основная формула —
G = F(V, I, M) · (1 – γ·C) — показывает, как манипуляции подавляют готовность к добру
Здесь F(V, I, M) представляет собой базовый уровень моральной готовности, который зависит от ценностных установок V, силы личного убеждения I и общего уровня лжи в среде M
На эту базу давит эффект зомбирования (1 – γ·C)
При M = 70 % (тоталитарная пропаганда) и C = 0.9 (когнитивное искажение) даже сильное намерение I не может спасти исход — G падает в 3–5 раз
Представьте человека, искренне верящего в помощь ближнему (I и V высоки), но под воздействием пропаганды (M=70 %), которой он доверяет (C=0.9), и подавленной воли (γ=0.8) он легко соглашается на донос или участие в травле
Таким образом, модель объясняет, почему люди в авторитарных системах совершают непонятные извне поступки: их моральный компас калибруется ложью, а не внутренними убеждениями
Малков выявил тревожную закономерность: когда M превышает 50 % и γ растёт, общества неизбежно скатываются к «утилитарному коллапсу» — состоянию, в котором мораль вытесняется чистым расчётом личной выгоды
Ценности размываются — добро сводится к сиюминутной выгоде, деонтологические нормы, такие как справедливость и честность, маргинализируются, и возникает положительная обратная связь: падение морали подпитывает цинизм, который, в свою очередь, создаёт условия для новых волн манипуляции
Анализ позднего СССР подтверждает эту теорию: при M = 65 % и γ = 0.8 моральные принципы рухнули, уступив место криминальному хаосу 1990-х
Сегодня западные общества с M = 55 % и γ = 0.7 приближаются к «моральному переломному моменту», когда к 2040 году этика уступит холодному расчёту в критически важных общественных решениях
Однако модель Малкова — это не смертный приговор, а схема сопротивления
Строгий контроль над M (снижение уровня обмана до 30–40 % посредством фактчекинга) увеличивает G на 200 %
Чёткое определение V («человеческая жизнь — высшая ценность») создаёт буфер против манипуляций, а тренировка рефлексивности снижает C, действуя как вакцина от когнитивных вирусов
Религия (если не извращается изнутри себя) здесь действует как стабилизатор: каноны традиционных конфессий фиксируют V, не давая манипуляторам переопределять добро и зло
Практическое применение модели Малкова уже меняет реальность
В этике Ml эта формула лежит в основе алгоритмов, в которых самоуправляемые автомобили рассчитывают G, сопоставляя безопасность пассажиров с жизнью пешеходов через призму «этики робототехники»
В видеоиграх динамика, подобная γ·C, моделирует, как подчинение «тёмному» нарративу постепенно разрушает моральный выбор
В образовании «рефлексивные симуляторы» обучают студентов распознавать манипуляции в условиях искусственно завышенного M
Если М > 50 %, то «свободы воли не существует», но совесть не исчезает, пока есть силы противостоять перепрограммированию
Это не благодарное занятие — математизация совести, а
«Мистический дар» описать как «инженерный объект», но будет формула, по которой можно рассчитать, что человек выберет: добро или зло
❤1
Представлен Einstein Fields (`EinFields`) — неявные нейронные сети для сжатия вычислительно затратных 4D-симуляции из области численной относительности в компактные веса нейросети
Вместо традиционных дискретных сеточных методов
Модель выучивает это фундаментальное геометрическое представление из аналитических или численных решений, а все остальные физические величины, такие как тензоры кривизны и траектории частиц (геодезические), выводятся уже постфактум с помощью автоматического дифференцирования (AD)
Подход решает проблему колоссальных вычислительных затрат и огромных объёмов хранения данных в численной относительности
Использование AD позволяет получать производные, которые на порядки точнее традиционных конечно-разностных методов
Это открывает путь к более эффективному, гибкому и точному способу хранения, анализа и извлечения физических инсайтов из сложных симуляций пространства-времени, что потенциально может привести к созданию нового класса гибридных моделей на стыке Ml и
фундаментальной науки
Численная относительность (NR) — краеугольный камень современной физики, позволяющий симулировать экстремальные явления
Симуляции известны своей ресурсоёмкостью: требуют петаскейльных суперкомпьютеров для решения сложных, нелинейных уравнений поля (УПЭ) на дискретных пространственно-временных сетках
В статье представлен Einstein Fields — новый подход, который стремится переосмыслить эту вычислительную задачу, объединяя принципы общей теории относительности с мощью нейронных полей
Суть идеи в том, чтобы перейти от явного, сеточного хранения данных к компактному, непрерывному и дифференцируемому нейронному представлению
Вместо хранения терабайтов точек данных, вся 4D-симуляция пространства-времени сжимается в веса неявной нейронной сети
Это не просто метод сжатия данных, а фундаментально новый способ взаимодействия с симулированными пространствами-временами и извлечения из них физики
Методология: выучиваем ткань пространства-времени
Ядро
Метрика — это фундаментальный объект в общей теории относительности, кодирующий геометрию пространства-времени и управляющий всем, от расстояний и углов до путей света и материи
Методология строится на нескольких ключевых принципах:
Декомпозиция искажения: чтобы повысить эффективность обучения, модель обучается не на полной метрике, а на её «искажении» — тривиальный плоский фон Минковского
Это позволяет сети выучивать только интересные «складки» и «изгибы» пространства-времени, не тратя свою ёмкость на повторное изучение огромного, неизменного плоского фона
Einstein Fields: A Neural Perspective To Computational General Relativity
Sandeep S. Cranganore, Andrei Bodnar, Arturs Berzins, Johannes Brandstetter
https://arxiv.org/abs/2507.11589
https://github.com/AndreiB137/EinFields
https://arxiviq.substack.com/p/einstein-fields-a-neural-perspective
Вместо традиционных дискретных сеточных методов
EinFields моделирует метрический тензор — как непрерывную функцию пространственно-временных координат Модель выучивает это фундаментальное геометрическое представление из аналитических или численных решений, а все остальные физические величины, такие как тензоры кривизны и траектории частиц (геодезические), выводятся уже постфактум с помощью автоматического дифференцирования (AD)
Подход решает проблему колоссальных вычислительных затрат и огромных объёмов хранения данных в численной относительности
EinFields достигают коэффициентов сжатия до 4000x, сохраняя при этом высокую точность Использование AD позволяет получать производные, которые на порядки точнее традиционных конечно-разностных методов
Это открывает путь к более эффективному, гибкому и точному способу хранения, анализа и извлечения физических инсайтов из сложных симуляций пространства-времени, что потенциально может привести к созданию нового класса гибридных моделей на стыке Ml и
фундаментальной науки
Численная относительность (NR) — краеугольный камень современной физики, позволяющий симулировать экстремальные явления
Симуляции известны своей ресурсоёмкостью: требуют петаскейльных суперкомпьютеров для решения сложных, нелинейных уравнений поля (УПЭ) на дискретных пространственно-временных сетках
В статье представлен Einstein Fields — новый подход, который стремится переосмыслить эту вычислительную задачу, объединяя принципы общей теории относительности с мощью нейронных полей
Суть идеи в том, чтобы перейти от явного, сеточного хранения данных к компактному, непрерывному и дифференцируемому нейронному представлению
Вместо хранения терабайтов точек данных, вся 4D-симуляция пространства-времени сжимается в веса неявной нейронной сети
Это не просто метод сжатия данных, а фундаментально новый способ взаимодействия с симулированными пространствами-временами и извлечения из них физики
Методология: выучиваем ткань пространства-времени
Ядро
EinFields — это нейронная сеть (обычно многослойный перцептрон, MLP), которая выучивает представление метрического тензораМетрика — это фундаментальный объект в общей теории относительности, кодирующий геометрию пространства-времени и управляющий всем, от расстояний и углов до путей света и материи
Методология строится на нескольких ключевых принципах:
Декомпозиция искажения: чтобы повысить эффективность обучения, модель обучается не на полной метрике, а на её «искажении» — тривиальный плоский фон Минковского
Это позволяет сети выучивать только интересные «складки» и «изгибы» пространства-времени, не тратя свою ёмкость на повторное изучение огромного, неизменного плоского фона
Einstein Fields: A Neural Perspective To Computational General Relativity
Sandeep S. Cranganore, Andrei Bodnar, Arturs Berzins, Johannes Brandstetter
https://arxiv.org/abs/2507.11589
https://github.com/AndreiB137/EinFields
https://arxiviq.substack.com/p/einstein-fields-a-neural-perspective
arXiv.org
Einstein Fields: A Neural Perspective To Computational General Relativity
We introduce Einstein Fields, a neural representation that is designed to compress computationally intensive four-dimensional numerical relativity simulations into compact implicit neural network...