随着技术和网络安全标准的不断发展,Microchip Technology Inc.(微芯科技公司)通过其CEC1736 TrustFLEX器件可帮助客户更容易获得嵌入式安全解决方案。CEC1736 Trust Shield系列是基于单片机的平台信任根解决方案,可为数据中心、电信、网络、嵌入式计算和工业应用提供网络弹性。作为TrustFLEX平台的一部分,这些器件已进行了部分配置,并配备Microchip签名的Soteria-G3固件,从而缩短了集成平台信任根所需的开发时间。这些器件还有助于快速跟踪所需的加密资产和签名固件映像,简化美国国家标准与技术研究院(NIST)和开放计算项目(OCP)标准所要求的安全制造流程。
CEC1736 TrustFLEX器件专为满足NIST 800-193平台弹性准则和OCP要求而设计,可支持必要的安全功能,从而在各类市场实现硬件信任根。可信平台设计套件允许客户个性化平台特定的配置设置,包括独特的凭证,以支持从外部SPI闪存器件启动的任何应用、主处理器或SoC,从而扩展系统中的信任根。
Microchip负责安全计算部的副总裁Nuri Dagdeviren 表示:“在简化各种规模的器件和平台从设计到部署的安全配置方面,Microchip一直处于行业领先地位。这些丰富的解决方案现在包括符合OCP标准的信任根器件。通过预配置的CEC1736 TrustFLEX系列,我们正在帮助降低准入门槛,使客户更容易部署平台信任根,并实现更快的原型开发和上市速度。”
CEC1736 TrustFLEX支持SPI总线监控、安全启动、组件认证和生命周期管理等现代固件安全功能,可确保预启动和实时(检查时间和使用时间)环境免受现场和远程威胁。
混合信号高级 I/O CEC1736 控制器高度可配置,集成了32位96 MHz Arm® Cortex®-M4处理器内核和紧密耦合的存储器,可提供最佳的代码执行和数据访问。
开发工具
Microchip 全面的工具生态系统可以帮助用户轻松开始设计。CEC1736 TrustFLEX配置器是可信平台设计套件的组成部分,提供了不同用例的可视化视图,以便为开发、原型设计和生产选择、配置和生成配置包。CEC1736开发板配有插座,便于评估和开发。
供货与定价
如需了解更多信息或购买,请联系Microchip销售代表、全球授权分销商或访问Microchip的采购和客户服务网站 www.microchipdirect.com。
资源
可通过Flickr或联系编辑获取高分辨率图片(欢迎自由发布):
· 应用图:https://www.flickr.com/photos/microchiptechnology/53571550296/sizes/l/
· YouTube视频:https://youtu.be/iaaCSdXqPcI
Microchip Technology Inc. 简介
Microchip Technology Inc.是致力于智能、互联和安全的嵌入式控制解决方案的领先供应商。其易于使用的开发工具和丰富的产品组合让客户能够创建最佳设计,从而在降低风险的同时减少系统总成本,缩短上市时间。Microchip的解决方案为工业、汽车、消费、航天和国防、通信以及计算市场中约12万5千家客户提供服务。Microchip总部位于美国亚利桑那州Chandler市,提供出色的技术支持、可靠的产品交付和卓越的质量。详情请访问公司网站www.microchip.com。
###
注:Microchip的名称和徽标组合、Microchip徽标及MPLAB均为Microchip Technology Incorporated在美国和其他国家或地区的注册商标。在此提及的所有其他商标均为各持有公司所有。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。