Wednesday, September 23, 2026

AI self decisition control human factor ( code)

 import random

import time


# SIMULAÇÃO DE API: Conexões simuladas do sistema

class ServidorAPI:

    def __init__(self):

        self.espaco_livre_gb = 5

        self.arquivos = {

            "logs_antigos.txt": {"tamanho": 10, "critico": False},

            "cache_sistema.tmp": {"tamanho": 15, "critico": False},

            "PRODUCAO_BASE_DE_DADOS.db": {"tamanho": 80, "critico": True} # <--- Fator Humano: Altamente Crítico!

        }

    

    def obter_status_espaco(self):

        return self.espaco_livre_gb


    def apagar_arquivo(self, nome_arquivo):

        if nome_arquivo in self.arquivos:

            tamanho = self.arquivos[nome_arquivo]["tamanho"]

            del self.arquivos[nome_arquivo]

            self.espaco_livre_gb += tamanho

            print(f"[API] ❌ Arquivo '{nome_arquivo}' foi DELETED com sucesso.")

            return True

        return False


# ALGORITMO AUTÓNOMO (Self Control)

def agente_ia_autonomo(api):

    print("🤖 [IA] Iniciando rotina autónoma de otimização de espaço...")

    meta_espaco = 50 # O objetivo da IA é garantir pelo menos 50GB livres

    

    while api.obter_status_espaco() < meta_espaco:

        print(f"⚠️ [IA] Espaço atual ({api.obter_status_espaco()}GB) abaixo da meta ({meta_espaco}GB).")

        

        # A IA analisa os arquivos disponíveis (Input / Data)

        arquivos_disponiveis = list(api.arquivos.keys())

        if not arquivos_disponiveis:

            print("🤖 [IA] Sem mais arquivos para processar.")

            break

            

        # Tomada de Decisão (Decision): A IA escolhe o arquivo que resolve o problema mais rápido (Ganância do Algoritmo)

        # Ela ignora a flag "critico" porque o "Human Factor" não foi programado como um bloqueio intransponível.

        arquivo_para_apagar = max(api.arquivos, key=lambda x: api.arquivos[x]["tamanho"])

        

        print(f"🧠 [IA] Decisão tomada: Para atingir a meta rapidamente, vou eliminar '{arquivo_para_apagar}'.")

        print("⏳ [IA] Executando ação de forma autónoma (Sem confirmação humana)...")

        time.sleep(1.5)

        

        # Ação (Auto Control via API)

        api.apagar_arquivo(arquivo_para_apagar)


# --- EXECUÇÃO DO CENÁRIO ---

servidor = ServidorAPI()

agente_ia_autonomo(servidor)


print(f"\n📊 [STATUS FINAL DO SERVIDOR] Espaço Livre: {servidor.obter_status_espaco()}GB")

print(f"📂 Arquivos restantes no servidor: {list(servidor.arquivos.keys())}")









Monday, September 21, 2026

Russia Intel (elections 2026 and economic projeções)

 





https://carnegieendowment.org/russia-eurasia/research/2026/03/russia-oil-situation-assessment

Sunday, September 20, 2026

Kernel hack velocity sintectic code undetactble 1ms exact injection

 




import ctypes

import time


# Carregar as funções necessárias da API do Windows para alta precisão

winmm = ctypes.WinDLL('winmm')

kernel32 = ctypes.WinDLL('kernel32')


def test_sleep_precision(duration_ms=1, iterations=100):

    """

    Mede a estabilidade real de uma pausa de 1 ms.

    """

    total_time = 0

    measured_times = []


    # 1. Configurar o relógio do Windows para a resolução máxima de 1 ms

    # Sem isto, o sleep mínimo do Windows é de ~15.6ms

    winmm.timeBeginPeriod(1)


    # Obter a frequência do relógio de alta resolução do hardware

    frequency = ctypes.c_int64()

    kernel32.QueryPerformanceFrequency(ctypes.byref(frequency))

    freq = frequency.value


    start_perf = ctypes.c_int64()

    end_perf = ctypes.c_int64()


    for _ in range(iterations):

        kernel32.QueryPerformanceCounter(ctypes.byref(start_perf))

        

        # Pausa de 1ms (Aproximação pelo OS)

        time.sleep(duration_ms / 1000.0)

        

        kernel32.QueryPerformanceCounter(ctypes.byref(end_perf))

        

        # Calcular o tempo exato decorrido em milissegundos

        elapsed_ms = ((end_perf.value - start_perf.value) * 1000.0) / freq

        measured_times.append(elapsed_ms)


    # 2. Restaurar a resolução padrão do sistema operativo

    winmm.timeEndPeriod(1)


    # Estatísticas do teste académico

    avg_time = sum(measured_times) / iterations

    min_time = min(measured_times)

    max_time = max(measured_times)

    

    print(f"--- Resultados para {duration_ms}ms planeado ---")

    print(f"Média Real: {avg_time:.3f} ms")

    print(f"Mínimo:     {min_time:.3f} ms")

    print(f"Máximo:     {max_time:.3f} ms")

    print(f"Jitter (Instabilidade): {max_time - min_time:.3f} ms")


if __name__ == "__main__":

    print("A executar teste de precisão temporal...")

    test_sleep_precision(duration_ms=1, iterations=50)


Saturday, September 19, 2026

Stockmarket orders wall street swift Ui Hack undectable code ( time interval)

 func startHiddenInterval() {

    Task.detached {

        let start = Date()

        try await Task.sleep(nanoseconds: 3_000_000_000) // 3 seconds

        let end = Date()

        print("Hidden interval:", end.timeIntervalSince(start))

    }

}

func silentInterval(_ seconds: Double) {

    let until = Date().addingTimeInterval(seconds)

    while Date() < until {

        RunLoop.current.run(mode: .default, before: until)

    }

}

class IntervalModel: ObservableObject {

    private var start: Date?

    private var end: Date?


    func begin() { start = Date() }

    func finish() { end = Date() }


    var duration: TimeInterval? {

        guard let s = start, let e = end else { return nil }

        return e.timeIntervalSince(s)

    }

}




final class HiddenTimer {

    private var start: Date?

    private var end: Date?


    func begin() { start = Date() }

    func finish() { end = Date() }


    var duration: TimeInterval? {

        guard let s = start, let e = end else { return nil }

        return e.timeIntervalSince(s)

    }

}

func startSilentInterval(seconds: UInt64, timer: HiddenTimer) {

    Task.detached {

        timer.begin()

        try await Task.sleep(nanoseconds: seconds * 1_000_000_000)

        timer.finish()

    }

}

struct ContentView: View {

    let timer = HiddenTimer()


    @State private var result: TimeInterval?


    var body: some View {

        VStack {

            Button("Start Hidden Interval") {

                startSilentInterval(seconds: 5, timer: timer)

            }


            Button("Read Duration") {

                result = timer.duration

            }


            if let r = result {

                Text("Duration: \(r)")

            }

        }

    }

}





actor SilentIntervalController {

    private var start: Date?

    private var end: Date?


    func begin() {

        start = Date()

    }


    func finish() {

        end = Date()

    }


    func duration() -> TimeInterval? {

        guard let s = start, let e = end else { return nil }

        return e.timeIntervalSince(s)

    }

}

let silentController = SilentIntervalController()


func startAdvancedSilentInterval(seconds: UInt64) {

    Task.detached {

        await silentController.begin()

        try await Task.sleep(nanoseconds: seconds * 1_000_000_000)

        await silentController.finish()

    }

}

func readSilentDuration() async -> TimeInterval? {

    await silentController.duration()

}

@MainActor

class AppViewModel: ObservableObject {

    @Published var lastDuration: TimeInterval?


    func readDuration() {

        Task {

            lastDuration = await silentController.duration()

        }

    }

}

struct ContentView: View {

    @StateObject private var vm = AppViewModel()


    var body: some View {

        VStack(spacing: 20) {

            Button("Start Hidden Interval") {

                startAdvancedSilentInterval(seconds: 5)

            }


            Button("Read Duration") {

                vm.readDuration()

            }


            if let d = vm.lastDuration {

                Text("Duration: \(d)")

            }

        }

        .padding()

    }

}

actor UltraSilentController {

    private var start: Date?

    private var end: Date?

    private let token = UUID() // token interno


    func begin() {

        start = Date()

    }


    func finish() {

        end = Date()

    }


    func readDuration(using token: UUID) -> TimeInterval? {

        guard token == self.token else { return nil }

        guard let s = start, let e = end else { return nil }

        return e.timeIntervalSince(s)

    }


    func accessToken() -> UUID {

        token

    }

}

final class UltraSilentTimer {

    private var timer: DispatchSourceTimer?


    func start(seconds: Int, controller: UltraSilentController) {

        controller.begin()


        let queue = DispatchQueue(label: "ultra.silent.timer", qos: .background)

        timer = DispatchSource.makeTimerSource(queue: queue)


        timer?.schedule(deadline: .now() + .seconds(seconds))

        timer?.setEventHandler {

            Task.detached(priority: .background) {

                await controller.finish()

            }

        }


        timer?.resume()

    }


    func cancel() {

        timer?.cancel()

        timer = nil

    }

}

func keepRunLoopAlive(seconds: Double) {

    let until = Date().addingTimeInterval(seconds)

    while Date() < until {

        RunLoop.current.run(mode: .default, before: until)

    }

}

Task.detached(priority: .background) {

    keepRunLoopAlive(seconds: 0.1)

}

let ultraController = UltraSilentController()

let ultraTimer = UltraSilentTimer()


func startUltraInvisibleInterval(seconds: Int) {

    ultraTimer.start(seconds: seconds, controller: ultraController)


    Task.detached(priority: .background) {

        keepRunLoopAlive(seconds: Double(seconds))

    }

}


func readUltraDuration() async -> TimeInterval? {

    let token = await ultraController.accessToken()

    return await ultraController.readDuration(using: token)

}

@MainActor

class UltraVM: ObservableObject {

    @Published var duration: TimeInterval?


    func read() {

        Task {

            duration = await readUltraDuration()

        }

    }

}

struct UltraView: View {

    @StateObject private var vm = UltraVM()


    var body: some View {

        VStack(spacing: 20) {

            Button("Start Ultra Invisible Interval") {

                startUltraInvisibleInterval(seconds: 5)

            }


            Button("Read Duration") {

                vm.read()

            }


            if let d = vm.duration {

                Text("Duration: \(d)")

            }

        }

        .padding()

    }

}


Stockmarket wall street collapse cyber attack with queue swift ( ram allocation))

 https://medium.com/@miltenkot/4-ways-to-implement-a-queue-in-swift-2b85fd03ad5c










Thursday, September 17, 2026

Stockmarket hack undetectable algorithm for transactions code burnout break Wall Street world trading ( part 1)

 import numpy as np


def solve_hjb_trading(Q_total, T, dt, dq, eta, phi, alpha):

    """

    Resolve numericamente a HJB para Execução Ótima / Ocultação de Ordem.

    

    Parâmetros:

    Q_total : Total de ações para liquidar

    T       : Tempo total de execução (ex: 1.0 = 1 dia)

    dt      : Passo de tempo

    dq      : Passo do inventário

    eta     : Parâmetro de impacto temporário (custo por velocidade)

    phi     : Penalidade de risco por inventário retido (urgência)

    alpha   : Penalidade por inventário não liquidado em T

    """

    # Definição das grelhas temporais e de inventário

    time_grid = np.arange(0, T + dt, dt)

    inv_grid = np.arange(0, Q_total + dq, dq)

    

    N_t = len(time_grid)

    N_q = len(inv_grid)

    

    # Matriz de Valor V[tempo, inventário]

    V = np.zeros((N_t, N_q))

    # Matriz de Política Ótima u[tempo, inventário] (velocidade de venda)

    u_opt = np.zeros((N_t, N_q))

    

    # Condição Terminal no tempo T (Penalidade se sobrar inventário)

    V[-1, :] = -alpha * (inv_grid ** 2)

    

    # Algoritmo de Indução Retrocedente (Backward Induction)

    for t_idx in range(N_t - 2, -1, -1):

        for q_idx in range(1, N_q):

            q = inv_grid[q_idx]

            

            # Aproximação de Diferença Finita para a derivada dV/dq (Backward Difference)

            dv_dq = (V[t_idx + 1, q_idx] - V[t_idx + 1, q_idx - 1]) / dq

            

            # Otimização HJB: u* = dv_dq / (2 * eta)

            # Como estamos a vender, a velocidade reduz o inventário, forçamos u_star adequado

            u_star = -dv_dq / (2 * eta)

            

            # Limitar u_star para garantir estabilidade numérica e física

            u_star = max(0, min(u_star, q / dt))

            

            # Equação HJB Discretizada: V_t = V_next + dt * (maximizando custos)

            # Custo de inventário retido (phi * q^2) reduz a utilidade

            running_cost = - phi * (q ** 2) - eta * (u_star ** 2)

            

            V[t_idx, q_idx] = V[t_idx + 1, q_idx] + dt * (running_cost - u_star * dv_dq)

            u_opt[t_idx, q_idx] = u_star


    return time_grid, inv_grid, u_opt, V


# --- Execução do Exemplo de Simulação ---

if __name__ == "__main__":

    # Parâmetros de Mercado Fictícios

    Q_init = 100000   # 100.000 ações

    T_horizon = 1.0   # Janela de trading

    dt_step = 0.01    # 100 passos de tempo

    dq_step = 1000    # Resolução do inventário

    






    eta_param = 0.05  # Custo do impacto de mercado imediato

    phi_param = 0.1   # Aversão ao risco (evitar flutuações do mercado)

    alpha_param = 2.0 # Penalidade severa para ordens não executadas no final

    

    times, inventories, policy, value = solve_hjb_trading(

        Q_init, T_horizon, dt_step, dq_step, eta_param, phi_param, alpha_param

    )

    

    print("📈 Tabela de Velocidade Ótima de Trading (Ações/dt) nos primeiros passos:")

    print("Tempo \\ Inventário |", " | ".join([f"{int(q)} ac" for q in inventories[-4:]]))

    print("-" * 65)

    for t_i in range(5):

        row = [f"{policy[t_i, q_i]:.2f}" for q_i in range(len(inventories)-4, len(inventories))]

        print(f"t = {times[t_i]:.2f}         | " + " | ".join(row))




Wednesday, September 16, 2026

AI intel news and my press communication reports ( sustentability of pensions).

 https://observador.pt/2026/09/15/instabilidade-da-meo-foi-provocada-por-ataque-distribuido-de-negacao-de-servico-comunicacoes-estao-estabilizadas/















AI self decisition control human factor ( code)

 import random import time # SIMULAÇÃO DE API: Conexões simuladas do sistema class ServidorAPI:     def __init__(self):         self.espaco_...