- La Maison Blanche nie avoir envisagé des cyberattaques massives contre la Russie. Ce jeudi, NBC News a déclaré que le président américain, Joe Biden s'est vu présenter un menu d'options permettant aux États-Unis de mener des cyberattaques massives conçues pour perturber la capacité de la Russie à maintenir ses opérations militaires en Ukraine. La Maison Blanche a démenti ces informations, qui comprenaient notamment « la perturbation de la connectivité Internet à travers la Russie, la coupure de l'électricité et la falsification des commutateurs de chemin de fer pour entraver la capacité de la Russie à réapprovisionner ses forces ». L’attachée de presse du gouvernement américain, Jen Psaki, s’est exprimée à ce sujet dans un tweet, où elle précise que ce rapport ne reflète pas ce qui est réellement discuté ». Si les Etats-Unis décident d’engager de telles attaques contre la Russie, ce dernier pourrait s’en prendre à son tour à son grand ennemi, intensifiant d’un cran la crise actuelle.

- Intel acquiert Linutonix et relance son projet de noyau Linux. Ce mercredi, la firme a annoné l'acquisition de Linutronix par Intel. Linutronix est composé d'une équipe d'employés impliqués en faveur du développement continu de Linux. Dirigé par le CEO Heinz Egger et le CTO Thomas Gleixner, Linutronix est le principal fournisseur de technologie pour Linux en environnement industriel. Gleixner est le principal mainteneur de l'architecture x86 dans le noyau Linux depuis 2008. Cette acquisition reflète l'engagement d'Intel à soutenir le noyau Linux et, plus largement, la communauté Linux. Linutronix continuera à fonctionner comme une entreprise indépendante au sein de la division logicielle d’Intel, dirigée par Heinz Egger et Thomas Gleixner. Le montant de l’acquisition n’a pas été dévoilé.

- Utiliser l'intelligence artificielle pour repérer des anomalies cachées dans des ensembles de données massifs. Les chercheurs du MIT-IBM Watson AI Lab ont conçu une méthode efficace sur le plan informatique qui permet de repérer automatiquement les anomalies dans des flux de données en temps réel. Leurs recherches se sont basées sur le réseau électrique national. Ils ont démontré que leur méthode d'intelligence artificielle, qui apprend à modéliser l'interconnexion du réseau électrique, est bien meilleure pour détecter ces anomalies que certaines autres techniques populaires. Le modèle peut être appliqué à d'autres situations où un grand nombre de capteurs interconnectés collectent et transmettent des données, comme les systèmes de surveillance du trafic. Il pourrait, par exemple, identifier les goulets d'étranglement ou révéler comment les embouteillages se forment. Les chercheurs ont notamment utilisé un modèle de deep learning appelé flux normalisant, particulièrement efficace pour estimer la densité de probabilité d'un échantillon et l’on augmenté grâce à un type de graphe, appelé réseau bayésien. Celui-ci permet aux chercheurs d'estimer la probabilité d'observer certains relevés de capteurs et d'identifier les relevés qui ont une faible probabilité de se produire, ce qui signifie qu'ils constituent des anomalies.