安全见闻 -- 计算机行业科普

私网实例既不能改子网路由也不能绑 EIP?单可用区 NLB + 安全组双放行优雅暴露多端口(含 Connection refused 全链路排障) 不动共享私有子网路由:私有子网实例需要固定公网入口时,切勿把子网路由表改成 IGW,采用同可用区公网子网的单 AZ NLB + 1 个 EIP是最干净的隔离方案。牢记安全组双放行:NLBinstance模式默认保留客户端源 IP,后端实例安全组必须同时对外部客户端白名单 IP和NLB 安全组放行目标端口。区分 Timeout 与 Connection refused:Timeout 查安全组与路由,Connection refused 直接上机器跑ss -lntp查进程是否启动、是否绑错到了。 阅读详情

声明:
本文的学习内容来源于B站up主“泷羽sec”的公开分享,所有内容仅限于网络安全技术的交流学习,不涉及任何侵犯版权或其他侵权意图。如有任何侵权问题,请联系本人,我将立即删除相关内容。
本文旨在帮助网络安全爱好者提升自身安全技能,并严格遵守国家法律法规。任何人利用本文中的信息从事违法活动,均与本文作者和“泷羽sec”无关。请读者自觉遵纪守法,合理合法使用相关知识。


本文章主要讲解网络安全、网络技术都有什么,开阔眼见。

一、编程语言

1. 常见编程语言

编程语言简介
C 语言一种通用的、面向过程的编程语言,广泛应用于系统软件和嵌入式开发。
C++在 C语言基础上发展而来支持面向对象编程,常用于游戏开发、高性能计算等领域。
Java一种广泛使用的面向对象编程语言具有跨平台性,应用于企业级应用开发等。
Python简洁易学,拥有丰富的库,适用于数据分析、人工智能、Web 开发等。
JavaScript主要用于网页前端开发,也可用于服务器端开发(Node.js)。
C#由微软开发,主要用于 windows 平台上的应用开发。
Ruby一种简洁而富有表现力的编程语言,常用于 web 开发。
PHP主要用于 Web 开发,尤其适合服务器端脚本编程。
Go一种高效、简洁的编程语言,适用于网络编程和云计算等领域。
Swift苹果公司开发的编程语言,用于iOS 和 macOS 应用开发。
Kotlin可与 Java 互操作,主要用于 Android 开发。
  • 首推python,用于写脚本、工具,非常方便。
  • 其次是JavaScript,XSS主要是审计并利用JavaScript代码。
  • 最后是PHP,主要是白盒代码审计,白盒漏洞挖掘PHP是主流,红队中白盒审计比较有前景,比较吃香。
  • C、C++更适合去后期去做windows逆向。

2. 函数式编程语言

编程语言简介
Haskell纯函数式编程语言,以强大的类型系统和数学上的严谨性著称。
Lisp(包括 Common Lisp、Scheme 等)历史悠久的编程语言家族
Clojure运行在 Java 虚拟机上的 Lisp 方言,结合了函数式编程和 Java 平台的优势。

3. 数据科学和机器学习领域

编程语言简介
R在统计分析和数据可视化方面应用广泛。
Julia设计用于高性能科学计算和数据分析。

4. Web 全栈开发:

编程语言简介
TypeScript是 JavaScript 的超集,增加了静态类型检查等特性,提高了大型项目的开发效率。

5. 移动开发:

编程语言简介
0bjective-C曾经是 iOS开发的主要语言,现在逐渐被Swift取代。

6. 嵌入式系统开发:

编程语言简介
Assembly Language(汇编语言)不同的处理器架构有不同的汇编语言,用于对硬件进行底层控制。

7. 其他:

编程语言简介
Pascal曾经在教学和早期软件开发中有广泛应用。
Delphi(基于 0bject Pascal)用于快速应用开发。
Scala融合了面向对象编程和函数式编程,运行在Java 虚拟机上。
Elixir基于 Erlang 虚拟机,具有高并发和容错性,适合构建分布式系统。

二、软件程序

1. web程序(网站)

也就是常见的渗透最基础的网站,渗透最开始学的也就是web安全。

2. 二进制程序

更多是专门做逆向分析的人研究,和渗透是两个方向。

3. 驱动程序

本质也是二进制程序,以Windows为例,后缀为sys结尾的都属于驱动程序。

4. 上位机

5. 脚本程序

lua、php、java、python等都算,主要是写POC、EXP。

6. 操作系统

本质上也是一个很大的软件,只不过很厉害,看做技术含量很高的软件就好。

7. 裸板程序

web渗透、二进制都属于在操作系统上去写代码,但是裸板程序是直接在stm32或单片机上写代码,没有操作系统、进程等概念,需要自己去模拟才行。

8. 机器学习

一般用python写,go之类的也可以写,归根结底就是程序。

9. 量子计算

10. 工控程序

11. bios程序

就是代码写的程序而已,起了个高大上的名字。

三、操作系统

非实时操作系统实时操作系统
iOSwince
macOSvxworks
LinuxRT-THread
Android
Windows
非实时操作系统就是你现在要执行的命令需要排队,不是立刻执行,内核功能是不可中断的,主要致力于在各种情况下提供良好的整体性能、用户体验和多任务处理能力,但不能保证在严格的时间限制内对事件做出响应。
实时操作系统是抢占式操作系统,如果你的进程优先级高,则肯定第一个得到执行,直至结束执行,能够在确定的时间内对外部事件做出响应并完成特定的任务,具有严格的时间确定性和可预测性,常用与对时间要求极为严格的嵌入式系统、工业控制等领域。

四、网络通讯

无论搞什么都离不开网络通讯

1. 网络通讯

类型简介
局域网(LAN)覆盖范围较小,一般在一个建筑物或一一个校园内。例如,公司办公室内的网络就是一个局域网,用于员工之间共享文件、打印机等资源
城域网(MAN)覆盖范围较大,一般在一个城市内。例如,城市的有线电视网络、宽带网络等。
广域网(WAN)覆盖范围非常大可以跨越国家和地区。例如,互联网就是一个广域网,连接了全球各地的计算机和网络设备。

2. 网络协议

协议简介
TCP/IP是互联网的基础协议,包括传输控制协议(TCP)和网际协议(IP)。TCP负责数据的可靠传输,IP负责数据的路由和寻址。
HTTP超文本传输协议,用于在Web服务器之间传输超文本数据,如网页、图片、视频等。
FTP文件传输协议,用于在计算机之间传输文件。
SMTP、POP3、IMAP用于电子邮件的发送和接收。
  • TCP/IP和端口协议需要重点关注,这里有缓存溢出等漏洞。

3. 网络设备

设备简介
路由器连接不同的网络,实现网络之间的数据转发。它根据IP 地址和路由表来确定数据的传输路径。
交换机在局域网中连接多台计算机,实现数据的快速交换。它根据 MAC 地址来转发数据帧。
网卡安装在计算机上用于连接网络。它将计算机的数据转换为网络信号进行传输,并接收网络信号转换为计算机可识别的数据。
无线接入点(AP)提供无线网络连接,使无线设备能够接入局域网或广域网。

4. 网络安全

技术简介
防火墙**分为硬件防火墙和软件防火墙,软件防火墙包括WAF(软件狗)等。**用于保护网络免受外部攻击,它可以根据预设的规则过滤网络流量。
加密技术对数据进行加密,防止数据被窃取或篡改。例如,SSL/TLS协议用于在浏览器和 Web 服务器之间进行加密通信。
身份认证确保只有授权用户能够访问网络资源,常见的身份认证方式有用户名和密码、数字证书、生物识别等。只让特定用户、IP等认证信息来访问资源。

五、硬件设备

1. 计算机硬件

硬件简介
中央处理器计算机的核心部件,负责执行指令和处理数据。它的性能决定了计算机的运行速度。
内存用于存储正在运行的程序和数据,它的容量和速度对计算机的性能有很大影响。
硬盘用于长期存储数据,包括操作系统、应用程序、文件等。硬盘的容量和读写速度也 是影响计算机性能的重要因素。
显卡用于处理图形和图像数据,它的性能决定了计算机的图形处理能力。对干游戏玩家和图形设计师来说显卡的性能非常重要。
主板是计算机的核心电路板,连接着各种硬件设备,如 CPU、内存、硬盘、显卡等。主板的质量和性能对计算机的稳定性和扩展性有很大影响。

2. 网络硬件

硬件简介
网络服务器提供网络服务,如文件存储、电子邮件、Web 服务等。网络服务器通常具有较高的性能和可靠性,以满足大量用户的需求。
网络存储设备用于存储网络中的数据,如网络附加存储(NAS)和存储区域网络(SAN)。它们提供了大容量、高可靠性的数据存储解决方案。
网络打印机可以通过网络连接被多台计算机共享,方便用户打印文件。
网络摄像头用于视频监控和远程会议等应用。它可以通过网络将视频信号传输到其他设备上。
  • 可以通过fofa等硬件搜索引擎搜索网络打印机、网络摄像头。

3. 移动设备硬件

硬件简介
智能手机集成了多种功能,如通信、拍照、娱乐、办公等。智能手机的硬件包括处理器、内存、存储、屏幕、摄像头等
平板电脑类似于智能手机,但屏幕更大,适合阅读、浏览网页、观看视频等。平板电脑的硬件也包括处理器、内存、存储、屏幕、摄像头等。
可穿戴设备如智能手表、智能手环等,可以检测用户的健康数据、运动数据等,并与智能手机等设备进行连接和交互。可穿戴设备的硬件包括传感器、处理器、内存、存储、屏幕等。

4. 硬件发展趋势

趋势简介
小型化硬件设备越来越小型化,便于携带和使用。例如,智能手机、平板电脑等移动设备的体积越来越小,性能却越来越强。
高性能随着技术的不断进步,硬件设备的性能不断提高。
智能化硬件设备越来越智能化,能够自动适应不同的环境和用户需求。
互联互通硬件设备之间的互联互通越来越紧密,形成一个庞大的物联网。

六、人工智能

1. 机器学习 python

工作流程:
数据收集:
来源:可以从各种渠道获取数据,如数据库、文件、传感器、网络等。
类型:包括结构化数据(如表格数据)、半结构化数据(如 XML、JSON 格式的数据)和非结构化数据(如文本、图像、音频等)。

数据预处理:
数据清洗:去除噪声数据、处理缺失值、纠正错误数据等。例如,对于包含缺失值的数据集,可以采用均值填充、中位数填充等方法进行处理。
数据归一化:将数据的特征值缩放到一定的范围内,以提高算法的性能和稳定性。常见的归一化方法有最小-最大归一化、Z-score 标准化等。
特征提取:从原始数据中提取出有用的特征,以便机器学习算法能够更好地处理和理解数据。例如,在图像识别中,可以提取图像的颜色、纹理、形状等特征。

模型选择与训练:
根据任务类型和数据特性选择合适的机器学习算法。例如,对于分类问题可以选择决策树、支持向量机等算法;对于回归问题可以选择线性回归、随机森林等算法。
将预处理后的数据分为训练集和测试集。训练集用于训练模型,测试集用于评估模型的性能。
使用训练集训练模型过程中,通过调整模型的参数使得训练集上的损失函数最小化。

模型评估与优化:
使用测试集对训练好的模型进行评估,常用的评估指标有准确率、精确率、召回率、F1 值、均方误差等。
根据评估结果对模型进行优化,例如,可以调整模型的参数、增加数据量等。比如,如果模型在测试集上的准确率较低,可以尝试增加训练数据的数量或调整模型的超参数。

模型应用:
将优化后的模型应用到实际问题中,进行预测、分类、聚类等任务。
对模型的应用结果进行监控和评估,不断改进模型以提高性能。

2. 深度学习

深度学习
深度学习的基本原理主要包括以下几个方面:

神经元模型
深度学习的基础是人工神经网络,其灵感来源于生物神经系统。神经网络中的基本单元是神经元,它接收多个输入信号,对这些信号进行加权求和,然后通过一个激活函数处理得到输出。
例如,典型的神经元接收来自其他神经元或输入层的数据,每个输入都有一个对应的权重。假设输入为对应的权重,则神经元的加权输入总和为,其中包括偏置项。然后,通过激活函数 得到神经元的输出。

多层神经网络
深度学习中的神经网络通常有多个层组成,包括输入层、隐藏层和输出层。
输入层接收原始数据;隐藏层对数据进行多次特征提取和变换;输出层产生最终的预测结果。
例如,在图像识别任务中,输入层接收图像的像素值,隐藏层逐步提取图像的边缘、纹理、形状等特征,最后输出层给出图像所属的类别。

安全守卫 JQuickEnhanceGuard:默认拒绝比事后调试便宜 字节码增强最贵的错误不是写错指令,而是改错对象——给。 阅读详情

相关推荐

【企业知识助手·Agent 实战】如何运营 Agent 安全:从 eBPF 运行时检测、分级告警到事件响应与复盘的深度实战

核心原理:Agent 安全运营的本质,是把内核、控制面、应用与决策四层信号按 run_id 关联成一条可解释的行为链,让"合法能力被错误使用"在运行时变得可见。关键结论:检测与阻断要共享同一套内核事件语义;遏制的每一级都必须可审计、可回滚;吊销凭据与隔离网络必须同时执行,这是 2026 年真实事件换来的硬规则。落地重点:先观测后阻断,规则进 CI,告警分级用同一把尺子,kill switch 按季度演练,复盘必须回灌成新规则与新基线。

我的博客 233

直付通申请资质安全吗?靠谱吗?

风控规则的运行效果要定期复盘,拦截记录、误伤情况、处理时效都要看,规则持续优化,防护效果才能保持,动态调整的风控,比一成不变的规则更可靠,安全保障更到位,动态调整的风控更可靠,更有效,风控常复盘,规则常优化,防护更有效。资金记录的完整保存很重要,流水明细定期归档,账目随时可查,配合日常核对,资金安全尽在掌握,完善的记录习惯,既是风控要求,也是管理规范,长期坚持受益良多,更放心,流水留存好,随时可对账,管理更规范。方向更清晰,资质看清楚,边界问明白,判断更准确。更稳固,职责边界清,配合更默契,安全更有底。

qq_15110143的博客 344

数据仓库实践:从ITR流程讲指标体系建设

从 ITR 流程或者其他客服反馈流程的考核过程可见,实际工作中不可能只通过单个指标评价一个业务过程,需要从多个维度梳理业务,并把多个高度相关的指标组织起来,以避免只考虑其中某个指标从而摧毁整个业务过程的结果,指标体系=指标+体系。

the_singing_towers的博客 2265

Elasticsearch ingest pipeline 被禁用之后:性能代价、安全治理与数据入库时间的四种替代方案

生产环境为什么禁用 Elasticsearch ingest pipeline?写入路径同步执行的开销、Painless 脚本的安全治理是根因;而 _ingest.timestamp 出不了 pipeline,ES 8/9 也没有原生入库时间字段。本文给出四种替代方案:采集端注入时间戳、bulk 响应后回写、refresh=wait_for 近似、最小 set pipeline 白名单,附选型对比与踩坑清单。

Sayai的专栏 338

Ubuntu声卡检测与故障排查:从基础命令到驱动修复

本文详细介绍了在Ubuntu系统中进行声卡检测与故障排查的完整流程。从使用lspci、aplay等基础命令识别硬件,到排查驱动冲突、修复权限问题,再到调整PulseAudio高级配置,提供了一套系统性的解决方案。文章结合实战案例,帮助用户快速诊断并解决Ubuntu系统常见的“无声”问题,恢复音频功能。

g2h3i4j5的博客 228

洛奇 服务器文件,MabinogiG20S2 [洛奇G20服务端]

Code:Titles:>set_title /id: /add /remove Parameters for titles>set_title /id:60001 /add add devcat title>set_title /id:60001 /remove remove devcat title===========================...

weixin_30813385的博客 4301

亚远景 - 无方向盘 L4 车辆批量认证,ASPICE 过程证据成制造商安全举证底座

亚远景分析取消驾驶员兜底后安全责任向制造商集中的趋势,说明规范研发过程、功能安全验证与全生命周期管理为何成为批量认证的举证底座,为自动驾驶企业应对准入合规提供过程建设参考。

yayuanjingkeji的博客 192

Dev C++调试程序方法详解

Dev C++调试程序方法详解

weixin_70641798的博客 1万+

终端安全平台 V2610 更新复盘:跨平台适配、AI 工具审计能力解析

近期对终端安全管理平台 V2610 版本进行了部署测试,本次版本迭代重点围绕跨平台兼容、AI 工具行为审计、数据防护模块做了调整。本文记录本次新版本的技术改动、功能逻辑、测试过程中遇到的适配问题,供内网安全、终端运维同行参考交流。说明:仅为个人技术测试复盘,不做产品推荐,相关策略落地请结合单位自身安全规范评估。V2610 版本整体偏向解决混合架构内网下的新风险,重点补齐 AI 应用审计、多系统统一管控短板。优势:异构终端管理能力提升,审计链路更完整;

qq_43457377的博客 194

Doris Streamloader安装教程

Doris Streamloader 是一款用于将数据导入 Doris 数据库的专用客户端工具。本文介绍其在centos7环境下的安装过程

qq_44540985的博客 1089

Windows服务器环境下 OpenCode Skill 下载与运行全流程实战指南(小白版)

Windows服务器环境下 OpenCode Skill 下载与运行全流程实战指南(小白版),OpenCode技能安装与使用指南,分为四个步骤:1)准备Windows服务器环境并确认OpenCode可用;2)通过Git或直接下载方式获取Skill;3)配置技能路径至.opencode/config.json;4)运行测试技能。关键点包括路径配置必须使用双反斜杠、确保Python环境正确安装、管理员权限运行等。文中提供了文本总结技能的完整案例,从创建skill.yaml和main.py到注册运行的全流程,并针

专注于编程、AI、人工智能等多个领域内容研究和分析 1079

Android 开发入门实践(二):Kotlin 空安全,从可空类型到安全访问

延续 NewsApp 项目中的新闻标题练习,记录 Kotlin 安全调用。

Easyhood的博客 272

Android So加载机制分析----基于Android14源码

本文深入分析Android 14系统中SO(共享库)的两种加载机制:System.loadLibrary()和System.load()。前者通过ClassLoader查找标准路径加载,后者直接加载指定路径的SO文件。文档详细追踪了从Java层到动态链接器的完整加载链路,包括ClassLoader路径查找、JNI桥接、ART虚拟机处理以及底层linker的符号解析和重定位过程。同时还分析了Namespace隔离、JNI_OnLoad机制等核心内容,为开发者提供全面的SO加载技术解析和问题排查指南。

保持专注,保持热爱 349

城市生命线工程多场景应用守护城市运行安全

城市生命线工程以地下管网、桥梁、燃气、供水等基础设施为对象,通过物联网传感、数据监测与智能分析,实现对城市 "血管" 和 "神经" 的实时守护。本文以科普视角,梳理生命线工程的多场景应用、技术逻辑与落地价值,帮助读者理解城市安全从 "被动抢险" 走向 "主动预防" 的转变过程。

hnsoyon的博客 190

使用 MATLAB/Simulink 构建一个 压水堆核电机组的反应堆控制与功率调节系统 仿真模型

本文通过Simulink构建压水堆核电机组的反应堆控制与功率调节模型,详细介绍了建模流程:从中子点动力学核心方程、反应性反馈模型(控制棒、多普勒和慢化剂效应)、一回路热工模型到完整的闭环控制系统。教程包含系统结构设计、参数设置、模块连接方法,以及典型负荷变化场景的仿真分析,帮助读者理解核反应堆动态特性和控制原理。同时提供了进阶建模建议,如分布参数模型和先进控制策略的应用。该模型为教学简化版,强调核能系统的机理建模与Simulink实现方法,适合核工程与控制领域的学习者参考实践。

amy_mhd的博客 186

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

AI Agent 的安全风险,正在从 Prompt 扩展到运行环境

从 Cursor 恶意扩展事件看 AI Agent 运行环境的安全风险与权限边界。

2501_92842654的博客 468

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

WordPress 全站 HTTPS 后仍显示「不安全」或锁被划掉:先清混合内容,再核证书链与强制跳转

浏览器地址栏仍提示「不安全」、锁被划掉或控制台 Mixed Content 告警——明明证书已装、后台也勾了全站 HTTPS——这和今天槽位里写过的表单「提交成功但收不到邮件」、「建立数据库连接时出错」,以及登录 Cookie/CDN 重定向环、502/503、PHP 白屏、WP-Cron、媒体上传、固定链接 404、Woo 支付回调不是一类故障。PHP 与数据库多半正常,卡在。更稳的顺序是:先分清是→ 用开发者工具清出所有http://

20年技术经验|专注小程序+外贸独立站|已服务500家企业,分享创业中有趣的产品和技术经验。 375

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

从 NEAR Intents 事件看 NEAR 智能合约安全

2026年9月29日至10月1日,攻击者利用NEAR Intents存款退款处理中的校验缺陷,通过填充代币和恶意receiver合约触发超额退款请求,使回调失败后内部余额未被撤销,造成缺乏资产支持的可花费余额。攻击者据此从BNB Chain上的HOT Bridge金库七笔提现共转出3,865,021 USDT。项目方于10月2日部署修复、10月7日移除存款通知功能,并于同日宣布资金全额归还,后续事后报告确认受影响用户已获补偿。

BlockSec的博客 242

生物冰箱智能锁是如何通过权限记录全程开门记录筑起样本安全的第一道防线的?

未来,面对新的挑战和需求,生物冰箱智能锁必将持续创新,成为保障样本安全不可或缺的智能守护者。全程开门记录开门时间、操作人员及异常情况均被实时记录并上传至管理平台,通过防止非法开门和异常操作,确保样本在存储过程中的稳定性和完整性,减少样本损坏和丢失的风险,提升科研数据的可靠性,便于后续的数据追踪和安全审计,智能锁结合权限管理和全程记录功能,为生物样本管理提供坚实的安全保障,促进科研工作的规范化和标准化,保障科研成果的真实性和有效性。

berer8的博客 93

运营商云改数转安全落地实践|融合 4A 与数据安全服务案例

本实践依托保旺达在运营商行业长期沉淀的业务 know-how,以融合 4A 为核心抓手,联动数据安全、AI 安全管控能力,以平台建设 + 专项治理 + 持续运营的模式,匹配运营商云改数转转型节奏,解决异构云网环境下身份权限治理、敏感数据安全、新型 AI 应用风险等核心难题,为同类型省级运营商安全体系建设提供可落地参考。

KKKlucifer的博客 71

终端供应链安全:应用白名单与软件正版化检测落地|终端安全治理实践

终端供应链攻击日益严峻,攻击者通过非正规渠道投毒、盗版软件植入恶意载荷,绕过传统防护。企业需从“被动查杀”转向“全生命周期治理”,构建可识别、可管控、可审计的软件管理体系。核心举措包括:建立可信软件库、推行应用白名单与审批机制、开展全网软件资产盘点与正版化检测、强化脚本与进程管控,并通过差异化策略与持续运营实现安全与业务平衡。唯有技术与制度协同,方能封堵供应链攻击的“最后一公里”。

2401_86491085的博客 454

安全生产数字化:亘川智城系统五大功能域全流程解析

系统的业务对象覆盖安全生产监管人员、属地安监专员、企业安全负责人、安监执法人员、应急管理专员、隐患派单专员、整改责任人、数据分析专员等多个角色,各角色按职责与状态获得对应操作权限,实现责任到岗、过程留痕、闭环管理。整改台账覆盖待接收、待制定、整改中、待自查、待申请、待验收、已通过、未通过全状态,配套整改完成率、平均整改时长、逾期整改率统计图表。归集法律法规、安全常识、应急技能、事故案例等素材,按类型与行业场景打标签分类,支持权限化发布、浏览与下载量统计,并随政策更新迭代版本。,所有流程资料永久归档留存。

weixin_67440240的博客 80

提示词工程全景指南:从基本原则到自动化与安全防御

用程序化的方式完成提示词的生成、评估、优化与上线,把"人工反复试"变成"系统自动迭代"。提示词自动化的本质是把提示词当作代码资产来管理:有版本、有测试、有灰度、有回滚。未来它会与模型微调、检索增强、Agent 编排进一步融合,边界逐渐模糊。攻击者通过精心构造的输入,诱导模型偏离既定职责。信息泄露:套取系统提示词、内部知识库内容、其他用户数据。行为越界:让模型执行被禁止的操作,如调用高危工具、输出违规内容。功能滥用:把模型当作免费算力或跳板,用于批量生成垃圾内容、绕过业务限制。

简单的记录一下 342

游戏支付通道安全吗?靠谱吗?

资质之外,商家还可以查看通道方的清算背景和合作机构,多方信息交叉验证,判断更准确,正规的通道方经得起多方核实,信息越透明,合作越放心,这是选择安全通道的基本功课,交叉验证后的判断更可靠,正规通道的信息透明,查证过程本身就是信心的来源,合作更踏实,每一步都有依据,核实越细,信心越足。安全配合要落到实处,商家如实上报异常情况,通道方及时处理反馈,双方信息互通,风险才能及时化解,安全不是单方面的承诺,而是双方协作的结果,配合越紧密,保障越到位,双方信息互通,安全网越牢固,风险越小,信息互通有无,风险共同化解。

jingyun_2026的博客 81

海事网关如何实现船内安全分区?驾驶台、机舱与船员网络的边界设计

位于不同区域边界时,应做到区域本身相对独立、正常业务能够按需通过、无关访问受到限制,并通过现网盘点和异常测试证明分区真正有效。船内安全分区并不是把驾驶台、机舱和船员网络简单切成三个网段,而是根据业务职责建立安全域,再把必要的跨区数据交换转化成明确访问规则。如果船员终端需要使用某些公共资源,例如指定服务器或互联网出口,可以针对公共服务设计路径,而不是让访问自然穿过关键业务区域。位于不同网络区域的边界时,需要将业务数据流转换成明确的跨区访问规则,而不是仅依靠IP地址变化实现表面上的“分网”。

Robustel的博客 220

【网络安全】IoT 安全基础

IoT 安全更像是一个工程问题。

liuwanqing233333的博客 261
上一篇: Windows基础 重要CMD指令以及重要文件
下一篇: Windows基础 -- 介绍
?crying
博客等级 码龄7年 449粉丝 46原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值