- 博客(25)
- 收藏
- 关注
RSS订阅原创 操作系统之中断、调度和死锁
在一组进程发生死锁的情况下，这组死锁进程中的每一个进程，都在等待另一个死锁进程所占有的资源。产生死锁的必要条件：互斥条件、请求和保持条件、不可抢占条件、循环等待条件。
2025-12-27 21:45:27
576
原创 操作系统之进程和线程
本文系统介绍了操作系统中的进程与线程管理机制。主要内容包括：1）进程的定义、特征及其状态转换，重点分析了进程控制块(PCB)的结构与作用；2）线程的引入目的、实现方式（用户级/内核级线程）及其优缺点对比；3）进程同步机制，详细阐述了临界区概念、信号量机制（整型/记录型/AND型）及其在生产者-消费者问题中的应用；4）进程通信方式，包括共享存储、管道、消息传递及远程过程调用等高级通信机制。全文通过理论分析与伪代码示例相结合的方式，全面展示了操作系统进程管理的核心原理与实现技术。
2025-12-13 22:46:04
604
原创 操作系统原理概述
操作系统是计算机系统的核心软件，主要目标是提供方便性、有效性、可扩充性和开放性。它作为用户与硬件间的接口，管理系统资源（处理机、存储器、I/O设备和文件），并实现对资源的抽象。操作系统具有并发性（时间间隔内多事件）、共享性（互斥或同时访问）、虚拟性（时分复用技术实现虚拟处理机和设备）和异步性（进程"停停走走"执行）等基本特性。其主要功能包括处理机管理、存储器管理（分配、保护、映射和扩充）、设备管理、文件管理以及提供用户接口。此外，现代操作系统还涉及系统安全、网络功能和多媒体支持等扩展功能
2025-12-10 21:25:20
899
原创 说人话理解大模型
大模型本质上是通过训练获得的参数集合，能根据输入生成回答。推理过程就是调用这些参数来回答问题，普通电脑也能运行。训练阶段则是从海量数据中提取知识，需要大量算力。当模型足够大时，会出现"涌现能力"，能产生训练数据中没有的内容。训练分为预训练（压缩知识）和微调（教会使用知识），后者成本较低。还可以通过强化学习优化模型，并为其添加工具扩展能力。整个过程展现了AI从知识存储到应用的发展路径。
2025-11-18 19:25:51
524
原创 深度学习的前世今生
本文概述了深度神经网络的发展历程，从硬件基础到关键技术突破。首先介绍了GPU的演进为深度学习提供的算力支持。重点分析了AlexNet的创新架构，详细解释了卷积、池化和归一化的技术原理及协同作用。随后探讨了seq2seq模型在序列任务中的应用，包括其与普通RNN的训练差异。最后提及模型蒸馏技术，解决大模型部署难题。这些关键技术共同推动了深度学习从理论到广泛应用的发展。文中包含相关论文链接供进一步参考。
2025-11-06 10:04:57
1128
原创 软件开发面经————代码基础
本文系统介绍了编程面试中常见的九大核心模块：数组、字符串、哈希表、递归与动态规划、搜索算法、矩阵、链表、队列和堆栈。针对每个模块，详细阐述了其基本概念、优缺点、应用场景及关键技术点，并提供了推荐题目和参考资料。特别强调了数据结构的选择对算法效率的影响，如数组的随机访问优势与链表的动态调整能力，以及递归的时间空间权衡。文章还重点分析了滑动窗口、双指针等高频技术，并指出不同编程语言在实现上的差异（如Python的列表与Rust的数组）。适合面试者快速复习核心算法与数据结构知识。
2025-10-01 17:36:23
1051
原创 docker逃逸手法
本文总结了常见的Docker容器逃逸技术，包括CVE-2022-0492漏洞利用、挂载procfs逃逸、Docker socket逃逸、特权模式逃逸以及Docker用户组逃逸等方法。文章首先介绍了如何识别容器环境（虚拟主机、Docker和K8s集群），并提供了多种检测容器环境的命令。随后详细描述了五种逃逸技术的原理、利用条件和具体操作步骤，其中重点分析了挂载procfs和特权模式的逃逸方式。这些逃逸技术主要用于安全测试和学习，实际应用中需谨慎使用。文章最后推荐了两个自动化检测工具，帮助快速评估容器安全性。
2025-09-02 14:14:28
1098
原创 应用密码学纲要
本文系统梳理了应用密码学知识体系，分为六大部分：1. 密码学基础：介绍密码系统五元组、攻击类型（唯密文/已知明文/选择明文/选择密文攻击）、柯克霍夫原则和安全模型；2. 数学基础：涵盖数论（欧拉定理、中国剩余定理）、群论、有限域理论和计算复杂性理论；3. 古典密码：分析隐写术、代替密码（单表/多表）和换位密码；4. 对称密码：详解序列密码（流密码）和分组密码（DES/AES）；5. 非对称密码：重点阐述Diffie-Hellman、RSA和椭圆曲线密码（ECC）原理；6. 数字签名。文章强调密码算法的安全性
2025-07-02 20:10:23
731
原创 linux等保思路与例题
总结一下，整个等保流程其实很多都跟渗透流程差不多，不过是倒序，渗透是先网站处打进去之后先维权做一下马的隐藏，然后再检查内核和shadow/passwd的权限看看能不能提权，最后是尝试内网横向（当然这个例题没有内网也就没有横向）对比于渗透，等保就是加入了检查，先检查用户各种密码的保存时间、过期时间、提醒时间，以及对应敏感文件的权限和危险用户权限，然后再检查用到的各种接口、数据库和内核是否存在漏洞（如ssh，mysql），再就是看开放端口有哪些有风险，并用各种一把梭工具进行自我测试攻击。
2025-06-10 14:39:13
749
原创 云安全入门
本文仅仅只是作者对于云安全入门的一点个人看法，只是提到了基础的docker逃逸手法，后续会补充docker更多的逃逸手法，其实我有些小小的预感，未来不一定是底层逻辑的天下，底层逻辑现在被证明是可以被ai代替的，那么我觉得云安全在将来一定会成为一个热门的存在，随着越来越多的设备和集群上云，对应的漏洞也会随之产生，由于重构了底层漏洞的产生逻辑，所以更需要重新接触学习，希望看到这里的各位师傅共勉，我们一起学习进步！
2025-04-01 19:48:52
930
原创 浅谈大模型中的prompt构造
以上仅仅只是我对prompt工程的一点想法，github上有很多开源的类似项目可以去参考以下，类似的还有编码、火星文转换、负载均衡等，就不一一赘述了最后希望大家看完都能有所收获，有什么新的想法可以提出来咱们一起研究，希望各位师傅看完都能顺利越狱！
2025-03-27 11:30:24
857
原创 一文带你读懂ai安全和漏洞本质
最近看了很多师傅的高质量文章，我在这里将ai安全统分为个大类：prompt注入、越狱攻击、模型注毒。分别进行讲解和实例描述，同时谈谈我对漏洞本质的理解。本文所有内容仅为作者本人的想法，不代表任何其他人的意见，仅作交流分享，任何引申问题与本作者无关！
2025-03-19 20:46:20
670
原创 LLM模型入门
本文大概说了LLM的产生、由来和当前发展趋势，LLM在可以预见的未来一定会成为热门的话题，本文中提到的所有策略方法也会迎来落幕的那天，希望看到这里的各位师傅可以以此创造出更优秀的算法方案。
2025-03-17 13:09:43
940
原创 人工智能（11）——————计算机视觉
计算机视觉是研究如何使计算机具备理解和解释图像或视频的能力的一门学科。它借鉴了人类视觉系统的原理和方法，通过算法和模型来处理和分析图像数据，从而实现图像识别、目标检测、图像生成等任务。在计算机视觉中，主要的任务包括图像分类、目标检测、语义分割、实例分割等。图像分类是将输入的图像分为不同的类别，常用的方法包括卷积神经网络（CNN）和深度学习模型。目标检测是在图像中定位并识别出多个不同的目标，常用的方法包括基于区域的CNN（R-CNN）、单步目标检测（YOLO）等。
2024-11-10 14:47:15
1410
原创 人工智能（10）——————自然语言处理
其实在现在的人工智能领域，很多东西都是相互关联，相互促进的。比如机器学习可以引入到自然语言处理，计算机视觉等多个类别当中，而自然语言处理中特有的seq2seq方法也可以用于机器学习当中。但是根本上这些类别都存在自己独有之处。自然语言处理（Natural Language Processing，简称NLP）是指计算机科学与人工智能领域的一门学科，它研究和开发用于使计算机能够理解、处理和生成人类自然语言的技术和方法。
2024-11-07 15:46:36
1344
原创 人工智能（9）————————transformer模型及演化
本文介绍了当下深度学习中最为热门的transformer模型的概念和具体操作流程，然后也讲了基于transformer模型实现的bert模型概念和发展。两者都附上了伪代码，都是以paddle框架实现的。（我觉得paddle框架因为是新兴的，对于不同模型的支持度都比较高）最后附上我基于mask-bert实现的处理项目GitHub - hzxdt/flfj: 分类分级。
2024-11-05 15:06:41
2326
原创 人工智能（8）——————机器学习之深度学习
本文基本讲述了在深度学习发展史上经典的神经元和神经网络，其实还是万变不离其宗，还是不断地套娃，套用强化学习或者有/无监督学习中的思想对原本的神经网络增添架构和层次。明天再详细写写transformer模型架构和基于transformer模型衍生出来的bert模型（因为主要是做这个的）
2024-11-05 00:03:48
1137
3
原创 人工智能（7）————————机器学习之强化学习
百度中对强化学习的描述如下：强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。从中我们可以得出，强化学习就是在教给智能系统如何在与环境交互的过程中进行决策，以最大化一个预先定义的奖励信号。
2024-11-01 14:47:14
1459
2
原创 人工智能（6）——————机器学习之神经网络
让我们回忆一下生物学的内容，人类大脑神经是怎么工作的呢？大脑有几万个神经元，每个神经元都用树突来接受别的神经元的输入然后用突触输出。那么我们还知道，人类大脑开发非常有限，也就是同一时刻，只有少量的神经元参与运作。所以我们为计算机构建的神经网络也长这样，用一系列的神经元相互连接，然后依次传入数据进行学习。然后对应的一些神经元专门用来处理某些事情，比如分类、回归、聚类等任务。神经网络的训练过程一般采用反向传播算法，通过与真实标签进行比较，调整网络中的参数，使得网络的预测结果与标签尽可能接近。
2024-10-30 12:51:09
979
1
原创 人工智能（5）——————机器学习之概率图模型
概率图模型，作用就是来给人们带来对模型最直观的体验的，而有向图和无向图之分，只是为了概率图模型能更好的适配不同数据集，不同特征相关性下的所有模型，万变不离其宗，所有网络模型的最终结果，都是通过先验概率与后验概率相结合，对模型参数进行处理。当然，不同的模型有着各自的优缺点，需要结合具体实际来选取不同的模型网络。
2024-10-28 17:18:30
1253
1
原创 人工智能（4）——————机器学习之无监督学习
相对于有监督学习来说，无监督学习更符合生活实际。有监督学习要求数据集必须以数据和对应标签的形式传入，数据集不可能一开始就变成规则的形式，所以要求有人手动来对原始数据集赋予标签，对于大量数据集来说，非常浪费时间和精力。无监督学习的意义就在于，不需要规则的数据集，不需要数据集带有标签，而是通过聚类算法将数据相似度高的数据集合并在一起。简而言之，有监督学习就是人来教计算机如何学习，无监督学习就是人让计算机自己去学习，更节省时间，提升效率，但不可避免会降低准确度。
2024-10-26 17:38:19
1046
原创 人工智能（3）——————机器学习之有监督学习
本文对有监督学习中的七大类算法进行了详细描述和概念分析，其中支持向量机算法和线性回归算法是整个有监督学习的基础，总的来说，对于多分类模型，总是要构造一个超平面来划分不同特征的数据。而采用不同的算法，各有优缺点，需要根据实际情况来选取适合该数据集的算法进行训练。
2024-10-24 21:39:11
2236
原创 人工智能(2)————————详谈机器学习
我在该文章中对机器学习的各大热门部分都做了介绍和一部分的详细解释（本来是想全部都做解释的，结果发现篇幅太长了，作者水平有限꒰ ๑͒ óｪò๑͒꒱）分成了有监督学习，无监督学习，概率图模型，神经网络和强化学习。严格来说，有监督学习、无监督学习和强化学习是机器学习的三大基础学习方法，而概率图模型是描述了模型训练时不同多维变量直接独立关系的概率图，而神经网络就是基于脑神经元的构造提出的一种优化训练模型的方法，这五大部分共同构成了机器学习，使其到现在能很好的处理各种各样复杂的抽象问题。
2024-10-23 21:52:15
997
原创 人工智能(1)——————从零开始的AI生活
本文是人工智能学习的开篇，大致介绍了人工智能中机器学习、自然语言处理、计算机视觉、数据挖掘和自动程序设计五大模块各自的功能、前景和理论基础。仅仅是该专栏的导论，每个模块都博大精深，将于后续进行补充细化
2024-10-22 16:51:23
515
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人