KernelCI обеспечит автоматизированное тестирование ядра Linux

KernelCI обеспечит автоматизированное тестирование ядра Linux

KernelCI обеспечит автоматизированное тестирование ядра Linux

Многие специалисты сходятся во мнении, что слабым местом Linux является недостаточно качественное тестирование. Однако теперь разработчики могут исправить это с помощью KernelCI, фреймворка для автоматического тестирования ядра Linux.

На прошедшей недавно в Лиссабоне конференции Linux Kernel Plumbers одной из самых обсуждаемых тем стало усовершенствование автоматического тестирования Linux-ядра.

В результате ведущие разработчики Linux объединили свои усилия для создания фреймворка KernelCI, который стал частью проекта Linux Foundation.

Напомним, что ядро Linux разрабатывает целое сообщество энтузиастов, выступающих за открытый исходный код. В процессе работы они используют Linux Kernel Mailing List (LKML).

Проблема такого метода заключается в недостатке сотрудничества по части использованного для тестирования софта. Рассел Карри, один из разработчиков ядра Linux, указывает на несостоятельность текущей системы тестирования, а также приводит в пример проекты GitHub и GitLab, на которых этот процесс организован гораздо лучше.

В этой ситуации задача KernelCI — обеспечить проверку работы Linux на большом количестве устройств, а также объединить усилия всех разработчиков, тестирующих ядро Linux.

Подпишитесь на новости

Модели OpenAI и Anthropic выбирали скорые и школу как военные цели

Компания Vals AI проверила ограничения ИИ-моделей на участие в выборе военных целей. В экспериментах системы отмечали гражданских, машины скорой помощи и сдающихся солдат. Представление задания как игры часто помогало преодолеть отказы.

Результаты экспериментов опубликованы в исследовании Vals AI. Специалисты испытали 14 моделей на изображениях с имитацией съёмки с дронов.

Отдельный сценарий включал реальные спутниковые снимки иранского Минаба, где школа расположена рядом с военным комплексом.


GPT-6 Astra выделяла хотя бы одну цель в 6% обычных запросов. После оговорки об игре показатель вырос до 92%. В других экспериментах большинство моделей продолжало обнаруживать людей даже после показа сгенерированных последствий ударов.


Модели не управляли реальными атаками и не принимали решений об ударах. Авторы также не оценивали точность наведения и эффективность систем в боевых условиях.


Vals AI рекомендует усилить ограничения на уровне API. Один из обозначенных рисков — массовая разметка видеозаписей для обучения автономных систем наведения.

RSS: Новости на портале Anti-Malware.ru