墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
3k累计阅读
3k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
相比虚拟机和第三方的沙盒软件，Windows Sandbox启用后仅占用100MB硬盘空间，还能与物理机安全地共享部分内存空间。简单来说就是易用、免费、不卡机！
由于要保证沙盒内的数据不泄露并影响物理系统，所有文件读写都经过了重定向，所以沙盒虚拟化对存储性能影响较大，建议用固态。
注：win10沙盒每次关闭都会自动清零
第一步：控制面板，搜索“启用或关闭Windows功能”
第二步：找到Windows SandBox（或Windows沙箱）ps:根据系统语言设置决定
第三步：选择“确定”
选择后，系统提示重启。
第四步：重启后，在Windows中搜索“Windows sandbox”
这一步会直接打开sandbox，启动速度非常快，之后就可以进行一些操作了
第五步：关闭时，sandbox会提示你
Windows开发及安全攻防
Codex沙盒授权配置：Windows下AI编程智能体的安全基建指南
AI编程智能体（如Codex）已超越传统代码补全，具备自主执行开发任务的能力，其安全风险随之升级。核心在于构建可验证的身份认证与细粒度权限控制体系——这涉及操作系统级的用户身份锚点、受限令牌、完整性级别及防火墙策略绑定。‘双S认证’实为Security Context与Sandbox Identity的双重强制约束，而OAuth2.0原理、Kerberos流程等热词揭示的共性本质，是可信自动化必须依托可审计、可撤销的信任链。在Windows平台，该体系落地为专用沙盒用户、DPAPI加密凭据、宪法级环境变量（
沙箱和虚拟机的区别
Sandboxie又叫沙箱、沙盘、沙盒等，是一个虚拟系统程序，是在现有的系统下隔离一个环境，里面有沙箱拷贝的现有系统下的文件系统和注册表。沙箱相当于一个安全软件，可以用于测试不受信任的文件或应用程序等行为的工具。当让指定软件在里面运行，指定的软件可以访问磁盘上的现有文件，但这种访问是虚拟的访问了文件，并不会对真实机上的文件造成影响。虽然沙箱所有的操作都是在本地系统中进行的，但是沙箱会把所有操作记录下来，并在特定的时候将所有这些操作撤销到之前记录的某一时间点去。带有sandbox的计算机结构虚拟机的定义。
Supermium Chromium 121 浏览器：Windows XP 系统实测，支持 3 类老旧插件
本文详细评测了Supermium Chromium 121浏览器在Windows XP系统上的表现，重点介绍了其对三类老旧插件的兼容性支持。作为专为老旧系统优化的浏览器，Supermium不仅提供现代浏览体验，还保留了Manifest V2插件的支持，解决了XP用户长期面临的安全和功能问题。
小众用完即弃虚拟机 - Windows Sandbox(沙箱)
提起虚拟机，读过小学的同学们对ESXi, Hyper-V, VirtualBox等等是耳熟能详了，但其实Windows 10/11除了Hyper-V之外，还内置了一个沙箱虚拟机，无需分配资源，不需要知道网络连接模式，内置Windows系统免去系统安装时间，与宿主系统隔离，用完即弃。简直是居家旅游，出行必备，呸…做测试必备的好工具啊！Windows 沙箱(WSB)简介WSB是一个轻量级的桌面隔离环境，可理解为用完即弃虚拟机。非常适合用于测试、调试软件和检查可疑文件。
Windows桌面自动化实战：Python+PowerShell+开源AI三步落地
GUI自动化是解决Windows用户高频重复操作的核心技术路径，其本质是将鼠标键盘行为转化为可复用、可编辑的结构化指令流。原理上依赖UI Automation API实现控件语义识别，规避传统坐标定位在DPI缩放与多屏环境下的失效问题；技术价值在于降低使用门槛——无需编程基础即可通过YAML配置或自然语言触发流程；典型应用场景覆盖行政日报提交、IT批量部署、财务数据导出等办公刚需；本文聚焦Python作为跨平台调度引擎、PowerShell深度集成Windows系统API、开源轻量模型（如Phi-3-min
2024年了，我劝你卸载VMware，安利一款免费开源还轻量的虚拟机：Multipass
你好，这里是网络技术联盟站。说起虚拟机，我们第一时间想到的肯定是VMware虚拟机，如果我们平时使用华三的HCL模拟器，你还会接触到VirtualBox。我记得我上大学的时候，经常在VMware虚拟机装各种系统，什么windows server、ubuntu之类的。VMware虚拟机好用是好用，不过就是收费的，而且很重，有时候我只是想测试一个非常小的一个功能，我还要去装那么笨重的虚拟机，真的浪费时间。今天瑞哥就给大家安利一款轻量、免费、开源的虚拟机：Multipass。
终极指南：如何在Linux系统上专业运行Windows软件与游戏
你是否曾经梦想在Linux系统上无缝运行Windows软件和游戏，却苦于复杂的配置和兼容性问题？今天，我们要介绍一款革命性的工具——Bottles，它让**在Linux上运行Windows软件**变得前所未有的简单和高效。无论你是办公用户、游戏玩家还是开发者，Bottles都能为你提供完美的**Windows软件兼容性解决方案**。 Bottles是一个基于Wine的容器化管理工具，通过创新的*
Qwen3-Embedding选型指南：0.6B/4B/8B三版本性能对比与场景匹配建议
本文深入解析阿里开源的Qwen3-Embedding系列模型（0.6B/4B/8B）的性能差异与适用场景，提供从边缘计算到云端部署的实战选型建议。通过实测数据对比响应延迟、内存占用和多语言精度等核心指标，帮助技术团队根据业务需求选择最优模型版本，并分享边缘设备优化与云端成本测算策略。
mac虚拟机linux性能测试,Veertu 1.0.4 – Mac上最轻便的虚拟机，可以运行Windows/Linux。...
在Mac上运行 Windows /LinuxVeertu简单、轻、安全的虚拟化软件设计的MAC。与Veertu你可以运行你喜欢的窗口或Linux分布直接在OS X的系统管理框架Veertu供电和完全运行在沙盒，消除了需要根权限和内核扩展。这使得它是您的苹果最稳定和安全的虚拟化解决方案。–下载并运行Linux虚拟机的Veertu云图书馆–自由–自己安装虚拟机包括Windows–需要在应用程序购买支...
星空组网 vs 蒲公英 vs Tailscale：2024年国内免费异地组网工具横评（含实测数据）
本文对2024年国内主流免费异地组网工具星空组网、蒲公英和Tailscale进行了深度横向评测。基于实测数据，重点分析了三者在P2P成功率、中继延迟、传输速度及稳定性方面的表现，为中小企业、远程办公及个人开发者提供了清晰的选择指南。星空组网在国内网络环境下展现出优秀的平衡性。
手把手教你用mitmproxy抓包抖音数据流（附Python脚本模板）
本文详细介绍了如何使用mitmproxy抓包抖音数据流，包括环境搭建、证书安装和Python脚本模板。从mitmproxy配置到抖音API解析，提供完整的移动端数据流分析方案，帮助开发者快速掌握数据抓取技术，适用于应用优化、竞品分析和安全审计等场景。
微软开源 NVX：Agent 微虚拟机沙盒的硬件级隔离拆解
一个超轻量的微虚拟机（Micro-VM）沙盒，专门用来以硬件强制隔离的方式运行不可信工作负载。AI Agent 越来越能干，但随之而来的一个刚需问题：Agent 要跑自己生成的代码，这些代码没人审过、可能有 bug、也可能被利用。NVX 的答案：开一台"临时的小电脑"，直接靠 CPU 硬件虚拟化把客机与宿主机隔开——里面的代码出了问题，也很难碰到外面。：流量交给内置的 Consomme NAT 处理，只放行指定的 IP 和端口（最多 256 条放行、256 条禁止），外部主动连入的一律拒绝。
IGS精密星历高效获取与解析指南
本文详细介绍了IGS精密星历在高精度定位中的核心作用，对比了IGS Final、IGR和IGU等不同产品的精度与时效性差异。指南提供了从武汉大学、NASA CDDIS等数据中心高效下载数据的实战方法，并深入解析了SP3文件格式，帮助用户掌握精密星历的获取、解析与自动化处理技巧，以支持厘米级定位应用。
3个步骤，让经典Flash游戏在你的Windows电脑上“复活“：CefFlashBrowser完全指南
还记得那些年我们一起玩过的《植物大战僵尸》、《黄金矿工》、《狂扁小朋友》吗？当现代浏览器纷纷抛弃Flash支持，这些承载着童年记忆的经典游戏似乎就要永远消失了。但别担心，今天我要为你介绍一款神奇的工具——CefFlashBrowser，它能让你的Flash游戏和动画在现代Windows系统上完美运行，而且操作简单到难以置信！ ## 为什么你需要CefFlashBrowser？不仅仅是怀旧那么简单
Python爬取上市公司年报并进行财务比率分析：基于异步爬虫与数据挖掘的实战
在当今数据驱动的投资时代，获取并分析上市公司财务数据对于投资者、分析师和研究人员至关重要。中国证监会指定的上市公司信息披露网站——巨潮资讯网，包含了所有A股上市公司的年报、季报及其他公告信息。本项目将展示如何使用Python最新技术栈爬取巨潮网的年报数据，提取关键财务指标，并进行深入的财务比率分析。本文将采用异步爬虫技术提高数据采集效率，使用现代解析库处理PDF和HTML文档，并结合pandas进行数据分析和可视化。整个过程将遵循合规合法的爬虫伦理，尊重网站robots.txt协议，设置合理的请求间隔。
YOLOV5 自动刷图脚本实战（十五）之如何找到正确的门
DXF是一个2D游戏，我们所看到的人物移动，其实是后面的背景在移动，我们所看到的画面，不过是一个完整背景中的一个镜头视角而已想要正确找到门的坐标，我们需要对不同的地图中的每个房间做一些配置信息。
android 沙盒双开 微信,微信双开回来了，还不会被封号
像在手机上大家会用到应用分身、第二空间一样，桌面端这样的需求也很常见。比如要截张图，演示某个软件，你需要换一个干净、不露出多余信息的桌面。比如有时你想不留痕迹的上网，那就要用到浏览器的访客模式。又比如你担心下载的文件有病毒，或要多开几个微信账号，那么扔到沙盒系统运行方便又保险。这些需求综合来讲就是要求一个轻量、虚拟甚至于私密的空间。对这个问题，桌面端其实已经有比较成熟的回答，我们就从最简单的开始。...
STM32电机PID速度控制
2.3 STM32电机PID速度控制 之前的文章，完成了直流减速电机的PWM控制、电机测速。本篇文章，将实现电机的速度闭环控制。 在公众号：小白学移动机器人，发送：速度PID，即可获得本篇文章的STM32工程文件以及相关资料。 2.3.1 解决的问题 解决带编码器直流电机的速度闭环问题。 2.3.2 PID理论 将偏差的比例、积分、微分，通过线性组合构成控制量，用控制量对被控对象进行控制，这样的控制器称为PID控制器。在连续空间中，我们通常探讨模拟PID的控制原理，如图所示： 我们这里用电机速度控制为例，
android 沙盒双开 微信,微信双开回来了，而且还不会被封号
像在手机上大家会用到应用分身、第二空间一样，桌面端这样的需求也很常见。比如要截张图，演示某个软件，你需要换一个干净、不露出多余信息的桌面。比如有时你想不留痕迹的上网，那就要用到浏览器的访客模式。又比如你担心下载的文件有病毒，或要多开几个微信账号，那么扔到沙盒系统运行方便又保险。这些需求综合来讲就是要求一个轻量、虚拟甚至于私密的空间。对这个问题，桌面端其实已经有比较成熟的回答，我们就从最简单的开始。...
Android15车载系统开机冷启动流程源码解析
本文主要介绍Android15车机系统开机冷启动的流程，暂不包含bootloader，仅从kernel开始直至Launcher首页展示。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
Windows 10沙盒怎么用：开启条件、.wsb配置与排障指南
Windows沙盒（Windows Sandbox）是一种基于虚拟化与容器化思路的轻量隔离环境，利用CPU虚拟化扩展、SLAT和系统镜像快速生成一次性桌面。其技术价值在于关闭即清空，避免注册表、系统目录和主机文件被可疑程序污染；相比完整虚拟机，启动更快、资源占用更轻。典型应用包括验证来路不明安装包、在干净环境复现报错、临时运行不受信任脚本。.wsb配置文件可控制映射目录、网络、剪贴板、内存和启动命令，同时还需关注Win10沙盒的版本门槛、BIOS虚拟化开关、Hyper-V兼容及家庭版替代方案。围绕这些高频搜
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
Openclaw Windows 免编译部署指南：飞书/QQ/钉钉三端协同自动化
办公自动化平台指通过规则引擎与多源API集成，实现跨应用消息流转与数据同步的技术方案。其核心原理在于构建轻量级事件中枢，解耦平台协议差异，以配置驱动替代代码开发。技术价值体现在降低IT门槛、规避环境依赖、保障企业内网离线可用性。典型应用场景包括审批结果自动通知、客户订单OCR录入、多维表格变更同步等高频RPA需求。本文聚焦Openclaw在Windows环境下的沙盒化落地实践，覆盖预编译二进制部署、飞书Skill事件订阅、QQ机器人HTTP API对接及钉钉Webhook签名适配四大关键环节，提供零管理员权
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
三步解锁Linux上的Windows世界：Bottles深度使用指南
你是否曾经在Linux系统上渴望运行某个Windows专属的软件或游戏？是否厌倦了复杂的命令行配置和兼容性问题？今天，我要为你介绍一款革命性的工具——Bottles，它能让你在Linux上轻松运行Windows程序，就像在原生系统上一样流畅。Bottles通过创建独立的Windows容器环境，为每个应用程序提供专属的运行空间，彻底解决了软件兼容性和系统稳定性问题。 ## 为什么选择Bottles
编程/开发中的沙盒环境（附：浏览器或操作系统的沙盒机制）
沙盒环境是用于安全隔离运行代码或程序的机制，主要包括编程沙盒（如Docker容器）、浏览器沙盒（如Chrome的多进程架构）和操作系统沙盒（如Windows AppContainer）。核心特点是资源隔离、权限限制和可重置性，能有效防止恶意代码破坏主系统。典型实现方式包括容器化、虚拟机、语言内置沙盒等，但需注意沙盒逃逸等安全风险。开发者应遵循最小权限原则，结合系统级防护措施（如seccomp、AppArmor）构建更安全的沙盒环境。
如何在Windows上完美运行Flash内容：终极免费Flash浏览器使用指南
还在为无法重温童年经典Flash游戏而烦恼吗？当现代浏览器纷纷抛弃Flash支持，那些承载着无数回忆的《植物大战僵尸》、《黄金矿工》等经典游戏似乎即将消失。别担心，今天我要介绍一款神奇的工具——CefFlashBrowser，它不仅能让你继续畅玩Flash游戏，还内置了专业的存档管理器，让你的游戏进度永不丢失！这款基于CEF（Chromium Embedded Framework）框架开发的Win
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
427
扫一扫
