从DICOM流到区块链存证:Docker 27加密容器全链路实战,7分钟搭建符合《个人信息保护法》第38条的部署栈

联邦学习实战:数据不出域的模型协同训练指南 联邦学习是一种在数据物理隔离、隐私敏感与合规约束前提下实现多方协同建模的分布式机器学习范式。其核心原理并非简单分发计算任务,而是通过梯度/参数更新替代原始数据传输,以差分隐私、安全聚合等技术保障数据主权隔离与隐私边界。相比传统集中训练或脱敏上传,它天然适配医疗、金融等强监管场景,有效破解数据孤岛与Non-IID分布难题。本文聚焦真实产线中的架构选型、通信压缩、聚合优化与合规审计,涵盖PACS系统对接、移动端个性化训练及跨机构模型迭代等典型应用,提供可落地的工程实践路径。 阅读详情

第一章:DICOM流与区块链存证的合规性锚点

医疗影像数据的完整性、可追溯性与法律效力,是临床诊疗与司法取证的核心诉求。DICOM(Digital Imaging and Communications in Medicine)协议虽定义了标准化的数据结构与传输语义,但其原生机制不提供抗篡改证明或时间戳权威背书。将DICOM流的关键元数据与哈希指纹实时上链,可构建符合《电子病历系统功能应用水平分级评价标准》《GB/T 35273—2020 信息安全技术 个人信息安全规范》及《FDA 21 CFR Part 11》中关于电子记录可信性要求的“合规性锚点”。 该锚点并非存储原始DICOM文件(受限于链上存储成本与隐私风险),而是对符合DICOM PS3.10标准的文件头与像素数据生成双层哈希:先以SHA-256计算完整文件摘要,再提取PatientID、StudyInstanceUID、SeriesInstanceUID、AcquisitionDateTime等受控字段构造轻量级业务签名摘要。二者组合后通过零知识证明压缩为链上唯一凭证。
// 示例:DICOM元数据哈希锚定逻辑(Go)
func generateComplianceAnchor(dcm *dicom.File) (string, error) {
    fullHash := sha256.Sum256(dcm.RawBytes) // 全文件哈希,用于完整性校验
    metaFields := []string{dcm.PatientID, dcm.StudyUID, dcm.SeriesUID, dcm.AcqTime}
    metaHash := sha256.Sum256([]byte(strings.Join(metaFields, "|"))) // 业务关键字段哈希
    anchor := fmt.Sprintf("%s|%s", fullHash.Hex(), metaHash.Hex()) // 合规性锚点字符串
    return anchor, nil
}
以下为DICOM流上链前需校验的合规性要素:
  • 患者身份标识(PatientID)是否脱敏或经授权映射
  • Study/Series实例UID是否全局唯一且不可复用
  • AcquisitionDateTime是否满足时钟同步要求(±1秒误差)
  • DICOM Transfer Syntax是否为显式VR小端序(如1.2.840.10008.1.2.1),确保解析一致性
锚点类型上链内容合规依据验证方式
全文件锚点SHA-256(DICOM文件字节流)GB/T 35273—2020 第6.3条本地重算哈希比对
元数据锚点SHA-256(PatientID|StudyUID|AcqTime)《电子病历基本架构与数据标准》第4.2.1节链上凭证+本地DICOM解析双重验证

第二章:Docker 27医疗加密容器核心架构解析

2.1 Docker 27新增加密引擎原理与国密SM4集成机制

Docker 27 引入轻量级可插拔加密引擎(Pluggable Crypto Engine),原生支持国密算法,其中 SM4 加密模块通过 OpenSSL 3.0+ 提供的 EVP 接口实现零依赖集成。
SM4 加密调用示例
cipher, _ := sm4.NewCipher(key[:]) // key 必须为16字节
blockMode := cipher.NewCBCEncrypter(iv[:]) // iv 需16字节随机值
blockMode.CryptBlocks(dst[:], src[:]) // 批量分组加密
该调用基于 Go 的 golang.org/x/crypto/sm4 实现,适配 Docker 容器运行时密钥隔离上下文,确保密钥永不暴露于用户态内存。
加密引擎配置项对比
参数Docker 26Docker 27
默认对称算法AES-128-GCMSM4-CBC(国密合规模式)
密钥注入方式环境变量/Secrets APITPM 2.0 + SM2 签名验签绑定
集成关键流程
  • 容器启动时由 containerd-shim 触发 SM4 密钥派生(基于 KDF-SM3)
  • 镜像层解密使用硬件加速指令集(Intel AES-NI 兼容,ARMv8.2+ SM4 扩展)

2.2 DICOM元数据动态脱敏策略在容器运行时的实现

脱敏策略注入机制
容器启动时通过 initContainer 注入脱敏规则配置,挂载为只读 ConfigMap 到 /etc/dicom-sanitizer/rules.yaml,主应用进程按需加载。
运行时字段级动态过滤
// DICOM Tag 动态掩码处理器
func MaskTag(tag ds.Tag, value string, policy *SanitizePolicy) string {
    if policy.IsSensitive(tag) {
        return policy.Hasher.Sum256(value + policy.Salt) // 加盐哈希防逆向
    }
    return value // 非敏感字段透传
}
该函数在解析 DICOM 数据流时逐字段调用;policy.Salt 来自 Kubernetes Secret 挂载的运行时密钥,确保跨实例不可预测。
敏感字段映射表
DICOM Tag语义脱敏方式
(0010,0010)PatientNameSHA256+Salt
(0010,0020)PatientIDFormat-preserving encryption

2.3 基于OCIv2规范的加密镜像签名与可信启动链构建

签名验证流程集成
OCIv2 镜像通过 `application/vnd.oci.image.manifest.v1+json` 媒体类型声明签名元数据,签名以独立 artifact 形式存于同一 registry,通过引用关系绑定:
{
  "schemaVersion": 2,
  "mediaType": "application/vnd.oci.image.manifest.v1+json",
  "subject": {
    "digest": "sha256:abc123...",
    "mediaType": "application/vnd.oci.image.config.v1+json"
  },
  "annotations": {
    "io.wabtec.signature.type": "cosign"
  }
}
该 manifest 表示对目标镜像配置的签名引用;`subject.digest` 指向被签名镜像的唯一摘要,`annotations` 标识签名工具链,确保运行时可策略化校验。
可信启动链关键组件
  • Secure Boot 固件验证 UEFI 签名的 initramfs
  • IMA(Integrity Measurement Architecture)度量容器镜像层哈希
  • TPM2 PCR 扩展记录各阶段验证结果
签名策略执行对比
策略类型验证时机失败动作
Strictpull 时即时校验拒绝拉取
Permissiverun 时校验仅日志告警

2.4 容器内TLS 1.3双向认证与DICOM over QUIC传输加固

TLS 1.3双向认证配置要点
在容器化PACS网关中,需强制启用证书链验证与密钥交换前向安全性。关键参数包括:MinVersion: tls.VersionTLS13、ClientAuth: tls.RequireAndVerifyClientCert。
cfg := &tls.Config{
    Certificates: []tls.Certificate{serverCert},
    ClientCAs:    clientCA, // 根CA证书池
    ClientAuth:   tls.RequireAndVerifyClientCert,
    MinVersion:   tls.VersionTLS13,
}
该配置禁用所有低于TLS 1.3的协议版本,强制客户端提供有效签名证书,并通过OCSP Stapling实时校验吊销状态。
DICOM over QUIC传输层适配
QUIC流需映射DICOM DIMSE服务原语,避免消息截断。下表对比传统TCP与QUIC在DICOM传输中的关键差异:
特性TCP/DICOMQUIC/DICOM
连接建立延迟≥3 RTT(含TLS握手)≤1 RTT(0-RTT可选)
多路复用需多个TCP连接单连接多流并发
安全加固实践
  • 容器启动时挂载只读证书卷,禁止运行时修改私钥
  • QUIC监听端口启用Connection ID绑定策略,防止连接迁移劫持

2.5 医疗敏感字段级访问控制(MAC)策略的eBPF实时注入

策略注入核心流程
用户空间策略 → libbpf 加载器 → eBPF verifier → 内核运行时钩子(tracepoint/syscall)→ 字段级ACL匹配引擎
eBPF字段过滤程序片段
SEC("tp/syscalls/sys_enter_read")
int BPF_PROG(filter_medical_read, struct pt_regs *ctx) {
    pid_t pid = bpf_get_current_pid_tgid() >> 32;
    void *buf = (void *)PT_REGS_PARM2(ctx); // 用户缓冲区地址
    u32 len = (u32)PT_REGS_PARM3(ctx);
    // 检查是否为HIPAA敏感进程且读取含PII字段
    if (is_sensitive_pid(pid) && contains_phi_pattern(buf, len)) {
        return -EPERM; // 拒绝访问
    }
    return 0;
}
该程序在系统调用入口处拦截 read(),通过 is_sensitive_pid() 查策略映射表,contains_phi_pattern() 执行轻量正则扫描,避免全量解密。
策略元数据映射表结构
Key (pid)Value (field_mask)Enforce_mode
123450x0000000Fstrict
678900x00000030audit_only

第三章:全链路存证工作流设计与验证

3.1 DICOM流摄取→容器化加密→哈希上链的原子事务建模

原子性保障机制
采用三阶段提交(3PC)协调DICOM流摄取、加密容器执行与区块链写入,确保任一环节失败则全局回滚。
加密与哈希流水线
// 容器化加密后生成SHA-256哈希并封装为链上事件
hash := sha256.Sum256(encryptedBytes)
event := BlockchainEvent{
    StudyUID:  dicomHeader.StudyInstanceUID,
    EncryptedHash: hash[:],
    Timestamp: time.Now().UnixNano(),
    Nonce:     rand.Uint64(),
}
该代码在隔离容器内执行,encryptedBytes为AES-256-GCM加密后的DICOM帧数据;Nonce防重放,Timestamp纳秒级精度保障时序唯一性。
事务状态映射表
状态码含义可恢复性
INGESTEDDICOM流完成解析与元数据提取是
ENCRYPTED容器内完成加密并校验完整性是
CHAINED哈希成功写入Hyperledger Fabric通道否(终态)

3.2 区块链存证智能合约的《个保法》第38条合规性形式化验证

形式化建模关键约束
《个保法》第38条要求向境外提供个人信息须通过安全评估、认证或标准合同。区块链存证合约需将“跨境传输授权状态”建模为不可变状态变量:
enum TransferStatus { Pending, Approved, Rejected, Expired }
TransferStatus public crossBorderStatus;
uint256 public approvalExpiryTimestamp;
该枚举强制状态迁移闭环,approvalExpiryTimestamp 实现时效性控制,防止过期授权被复用。
合规性验证检查表
  • 状态变更必须由经备案的合规审计地址触发
  • 每次传输前需调用外部CA签名验证接口
  • 日志事件必须包含GDPR/个保法双标签哈希
验证结果比对
验证项合约实现第38条匹配度
安全评估留痕onchain auditLog(bytes32)✅
标准合同签署require(validSCAHash == msg.sender)✅

3.3 存证时间戳、操作者身份、设备指纹三元组不可抵赖性审计

三元组绑定机制
系统在每次关键操作(如文件签署、数据提交)时,原子化生成并签名以下三元组:
  • 可信时间戳(由国家授时中心BIP-TS服务签发)
  • 操作者X.509证书唯一SubjectDN
  • 设备指纹(含CPU序列号、TPM PCR值、屏幕分辨率哈希)
签名验证示例
// 使用国密SM2对三元组进行联合签名
signData := sha256.Sum256([]byte(fmt.Sprintf("%s|%s|%s", 
    timestamp.String(), // RFC3339格式
    cert.Subject.String(), 
    deviceFingerprint)))
sig, _ := sm2.Sign(privateKey, signData[:], crypto.Sm3)
该代码确保三元组整体不可分割;任何字段篡改将导致SM3哈希变更,使SM2验签失败。
审计校验表
校验项来源抗抵赖依据
时间戳BIP-TS权威时间源UTC+8毫秒级可验证
操作者身份CA颁发的双因子证书私钥持有即身份归属
设备指纹TPM 2.0 Shielded Location硬件级不可克隆性

第四章:7分钟生产级部署栈实战

4.1 使用docker stack deploy一键拉起含KMS、Raft共识、DICOM网关的复合服务

服务编排核心结构
version: '3.8'
services:
  kms:
    image: registry.example.com/kms:1.2.0
    deploy:
      replicas: 3
      labels: [traefik.enable=true]
  raft-node:
    image: registry.example.com/raft:2.4.1
    command: --cluster-size=3 --peer-addr=raft-node:8888
  dicom-gateway:
    image: registry.example.com/dicom-gw:0.9.5
    ports: ["104:104"]
该 Compose 文件定义了三类服务:KMS 提供密钥生命周期管理;Raft 节点通过自发现机制构建强一致日志复制集群;DICOM 网关监听标准端口 104 并集成 TLS 上游鉴权。
部署与依赖关系
  • KMS 服务启动后,向 Raft 集群注册加密策略配置
  • Raft 节点完成 leader 选举后,同步 DICOM 网关的路由规则至各副本
  • DICOM 网关启动时通过 /health/raft 接口验证共识就绪状态
关键端口与协议映射
服务暴露端口协议用途
KMS8443HTTPS密钥分发与审计
Raft8888TCP节点间日志同步
DICOM104DICOM-ULPACS 接入

4.2 基于docker buildx的跨平台医疗镜像构建与SBOM自动嵌入

构建多架构镜像
docker buildx build \
  --platform linux/amd64,linux/arm64 \
  --tag registry.example.com/ehr-api:1.2.0 \
  --sbom=true \
  --push \
  .
该命令启用 BuildKit 后端,同时为 x86_64 和 ARM64 架构构建镜像;--sbom=true 触发 Syft 自动扫描并以 SPDX JSON 格式嵌入至镜像元数据中,无需额外脚本。
SBOM 验证方式对比
方法时效性完整性
镜像层内挂载 SBOM 文件低(需解压读取)高
OCI 注解嵌入(buildx 默认)高(docker image inspect 直查)中(仅含依赖清单)

4.3 利用docker compose v2.23+ secrets rotation机制实现密钥生命周期自动化

密钥轮转的原生支持
Docker Compose v2.23 起正式引入 secrets.rotation 配置项,支持自动触发密钥更新与服务滚动重启。
声明式轮转配置示例
services:
  app:
    image: nginx:alpine
    secrets:
      - db_password
secrets:
  db_password:
    file: ./secrets/db_pass.txt
    rotation:
      interval: 24h
      delay: 10s
      grace: 30s
interval 定义轮转周期;delay 控制新密钥生效前的等待时间;grace 为旧密钥保留窗口,确保连接平滑过渡。
轮转行为对比表
参数作用最小值
interval密钥强制更新周期1h
grace旧密钥并行有效时长5s

4.4 部署后合规性自检:GDPR/个保法双模扫描器集成与报告生成

双模规则引擎协同架构
扫描器采用策略驱动的双模匹配引擎,动态加载 GDPR 第6条合法性基础与《个人信息保护法》第十三条法定情形规则集。
扫描配置示例
scan:
  policies:
    - name: "gdpr-lawful-basis"
      version: "2024.1"
      enabled: true
    - name: "pipeda-consent-mapping"
      version: "2024.2"
      enabled: true
  output_format: "pdf+json"
该 YAML 定义了双法域策略启用状态及输出格式组合;version 字段确保规则可审计、可回滚;pdf+json 输出支持人工审查与自动化对接。
合规差距对比表
检查项GDPR 要求个保法对应条款当前状态
用户撤回同意机制Art.7(3)第十五条✅ 已实现
跨境传输评估Ch.5第三十八条⚠️ 待补充SCCs

第五章:演进边界与临床落地挑战

模型泛化能力的临床鸿沟
在某三甲医院放射科部署的肺结节检测模型,在训练集(LIDC-IDRI)上达到92.3%敏感度,但真实工作流中因扫描协议差异、重建算法(如IR vs. FBP)、层厚不一致,敏感度骤降至76.1%。跨设备迁移需引入域自适应微调,而非简单重训。
实时性与合规性冲突
  • CT灌注分析要求端到端延迟 ≤800ms,但DICOM解析+多阶段分割+血流动力学建模在边缘GPU(Jetson AGX Orin)上平均耗时1.2s;
  • 为满足《医疗器械软件注册审查指导原则》,所有推理路径必须可追溯,导致ONNX Runtime无法启用图优化,吞吐量下降37%。
临床工作流嵌入瓶颈
# 实际部署中拦截PACS推送的DICOM并触发AI分析
def on_dicom_received(dcm_path):
    # 必须等待Modality LUT、VOI LUT应用后才可送入模型
    ds = pydicom.dcmread(dcm_path)
    pixel_array = apply_modality_lut(ds.pixel_array, ds)  # 关键预处理
    normalized = (pixel_array - -1024) / 3071.0  # 标准化至[0,1],非直接窗宽窗位缩放
    return model.predict(normalized[None, ...])
数据治理与标注一致性
标注方结节边界判定标准平均IoU(vs.专家共识)
影像科主治医师包含毛玻璃影过渡区0.81
AI公司标注员仅标记实性成分0.53
第三方众包平台依赖自动初筛框+人工修正0.46
责任界定模糊性

当AI漏诊微小磨玻璃结节(<5mm),而报告系统未强制弹出“低置信度提醒”,且放射科医师未二次核查原始薄层图像——该事件在现行《人工智能医用软件质量评估规范》中无明确归责路径。

Docker容器----TLS加密通讯 Docker容器----TLS加密通讯 一:介绍TLS ​ TLS (Transport Layer Security)指传输层安全,是解决网络安全的重量级武器。传输层安全最早由网景公司所开发,那时的名字还不叫TLS,而是SSL(Secure Sockets Layer),即安全套接字层。 1、TLS的目的 ​ 目的是建立起一个安全的通道。在建立安全通道时可以安全地传输数据... 阅读详情

相关推荐

在Modelsim中手动添加仿真库

缘由:在使用rom ip核的时候发现仿真需要altera_mf库的支持,而我的ModelSim没有这个库,所以想写一篇手动添加仿真库的文章方便自己以后使用:首先新建一个库,名字叫做altera_mf:然后编译对应的库文件:这里altera_mf.v文件是在quartus安装路径下quartus\eda\sim_lib文件夹下,点击编译后退出:最后在modelsim->example文件夹下可以找到编译好的库文件:

欢迎一起交流问题! 3402

docker容器加密访问的方法

对于宿主主机能够操作docker的账号拥有很大的权限,它可以进入宿主主机的所有容器中,因为容器本身的进出是不能加密的。 这种情况在开发测试中不愿意被看到的,可行的办法就是把编辑代码所用的账号和拥有docker权限的账号分开,然后通过ssh的方式登录测试容器环境。 一、容器安装ssh 进入容器中 1.直接安装ssh apt-get update apt-get install openssh-server 如果安装ssh报如下错误: E: Sub-process /usr/bin/dpkg

ling的专栏 1万+

手把手教你用神经网络优化电机控制:从Simulink仿真到实际部署

本文提供了一套完整的工程实践指南,详细讲解了如何将神经网络应用于电机控制,从Simulink仿真建模、轻量级网络设计,到关键的模型量化与代码生成,最终实现向DSP/FPGA硬件的实际部署。文章直面实时性、精度与资源限制等核心工程挑战,为工程师提供了从理论到落地的清晰路径和实用避坑策略。

weixin_29246195的博客 228

容器docker数据卷加密

我整理的一些关于【容器,Docker】的项目学习资料(附讲解~~)和大家一起分享、学习一下:https://d.51cto.com/xltfov容器Docker数据卷加密 随着云计算和容器化技术的迅猛发展,Docker作为一种流行的容器平台,越来越多地被运用在生产环境中。在使用Docker容器时,数据的持久性和安全性是一...

weixin_40911489的博客 754

工程师职级胜任力框架

一、前言 尽管这些年国内的IT行业发展迅速,但是仍然欠缺一套比较综合性的面向工程师的职级胜任力框架,造成国内很多工程师大都一心只想成为技术大牛,而忽视了自己全方位的工程师职业素养和能力的培养。 最近我有幸读到了Circle CI公司分享的工程胜任力矩阵,发现这份文档就是一份比较贴合互联网研发型企业的工程师职级胜任力框架,于是我在它的基础上,重新整理出了一份更适合国内工程师阅读的《工程师职级胜任力框架》,并把它分享在波波的github站点上,希望这份文档对工程师的职业开发和成长有帮助。注,Circle CI.

架构师波波的专栏 6334

数据字典实战:如何用Excel快速搭建你的第一个数据字典(附模板下载)

本文针对中小团队在软件开发中面临的术语不一致问题,提供了一套使用Excel快速搭建数据字典的实战指南。文章详细讲解了核心字段设计、填充示例、高阶技巧及团队协作维护流程,旨在通过这一轻量级工具统一团队共识、提升开发效率,并附有实用模板下载。

weixin_29303701的博客 383

Docker系列:docker开启远程加密访问,并使用Portainer远程管理

现在 Docker 作为一种轻量级的容器化技术,已经被广泛应用于开发、测试和生产环境。为了更方便地管理 Docker 容器,有时候我们需要远程访问 Docker 守护进程,例如:Portainer 远程管理容器的时候。但是,远程访问会带来安全风险,因此开启加密的远程访问显得尤为重要。本篇博客将详细介绍如何开启 Docker 加密的远程访问,并且使用 Portainer 远程连接 Docker。

落叶 726

Transformer实战(1)——词嵌入技术详解

词嵌入的核心思想是,通过将词语表示为稠密的向量,使得计算机可以更有效地处理和理解文本中的语义关系。在本节中,我们学习了单词分布式表示的概念及其实现,包括静态嵌入和动态嵌入,实现了 Word2Vec 和 GloVe 模型,并介绍了如何使用 Gensim API 探索嵌入空间。

盼小辉丶的博客 1万+

Docker仓库加密认证

实验环境:准备第二台虚拟机并配置docker服务及开启等。一. 强制使用非加密访问仓库 insecure registry。部署客户端证书 在certs.d里创建一个以域名命名的目录并拷贝证书过去。###此时远程拉取login登录即可。二. 设置仓库加密。## 记得配置好两台虚拟机仓库名的解析。三. 设置仓库认证。此时报错为没有证书 拷贝证书即可。删除之前创建的容器并添加参数重新运行。升级openssl11软件包。创建serts目录并创建证书。创建认证文件 创空目录并创建文件。

BJZX_OL的博客 250

RK3568平台开发系列讲解:UBOOT详细介绍

U-boot是一款广泛使用的开源引导加载程序,支持多种嵌入式操作系统和处理器架构。其主要功能包括系统上电时的硬件初始化、引导操作系统内核等。U-boot的引导流程通常包括Boot Code、idbloader.img、uboot.img、boot.img和rootfs.img等步骤。启动U-boot时,通过Debug串口连接板卡,按下ctrl+c键可进入U-Boot命令行模式。U-boot启动过程中会执行一系列初始化操作,如打印系统信息、初始化内存、加载内核设备树、初始化I2C、PMIC电源芯片、DRM框架

内核笔记 813

MATLAB 车牌识别系统

车牌识别系统利用计算机视觉和图像处理技术,自动识别车辆牌照上的字符信息。本系统基于 MATLAB 实现车牌识别,包括图像预处理、车牌定位、字符分割、字符识别等模块。车牌识别系统是实现智能交通和公共安全的重要手段,具有广泛的应用前景。MATLAB 提供了丰富的工具和函数,可以方便地进行算法仿真和系统开发。

走向CTO的路上... 805

docker镜像进行加密处理,在进入镜像时需要输入密码才能运行容器

需求:在已有镜像的基础上,现在需要给该镜像进行加密处理。需求是在进入镜像时需要输入密码才能运行容器。在镜像中创建入口脚本 entrypoint.sh,实现密码输入和验证逻辑。

qq_45413214的博客 858

主题033:燃烧反应工程

燃烧反应工程(Combustion Reaction Engineering)是研究燃料与氧化剂发生剧烈氧化反应的科学,涉及化学反应动力学、流体力学、传热传质等多个学科。燃烧是人类利用能源的主要方式,广泛应用于发电、交通运输、工业加热等领域。燃烧反应通常通过自由基链式反应进行。链引发:RH+O2⟶R⋅+HO2⋅ RH + O_2 \longrightarrow R^\cdot + HO_2^\cdot RH+O2​⟶R⋅+HO2⋅​链传递:R⋅+O2⟶RO2⋅ R^\cdot + O_2 \longrigh

kkchenjj的博客 232

Docker容器----安全管理(内涵TLS加密通讯)

文章目录前言:一、Docker使用场景二、Docker 容器与虚拟机的区别2.1 隔离与共享2.2 性能与损耗三、Docker 存在的安全问题3.1 Docker 自身漏洞3.2 Docker 源码问题3.3 Docker 架构缺陷与安全机制3.4 Docker 安全基线标准3.4.1 内核级别3.4.2 主机级别3.4.3 网络级别3.4.4 镜像级别3.4.5 容器级别3.4.6 其他设置四、...

weixin_45726050的博客 1132

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

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")

docker仓库(三)仓库的搭建及官方私有仓库的加密认证

在生产环境中,有些环境下可能是不被允许连接外网的,所以此时我们就需要搭建一个本地的私有仓库。我们也可以在docker官网创建一个账号,可以把我们本地的镜像上传到官网:Docker Hub 创建账户后,在本机登陆刚刚创建的账号: 用户的登录信息将会保存到用户主目录下 .docker 中,这样就可以保证后面我们不需要频繁的login: 在网页端创建仓库:在本机 先更改tag和仓库信息,然后再push上传: 可以看到在我们刚刚创建的仓库里面已经有我们上传的镜像了:我们也可以登出docker:首先进入aliyun

cjzcc1996的博客 727

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

容器镜像层加密≠数据加密!Docker 27中Volume、tmpfs、Secrets三大加密盲区紧急修复指南

Docker 27医疗数据容器加密需直面Volume、tmpfs、Secrets三大加密盲区。本文提供镜像层外真实数据加密的落地方案,覆盖KMS集成、运行时加密挂载与密钥轮转实践,保障HIPAA合规性,值得收藏。

StepNexus的博客 313

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Docker 开发者指南(四)

在这一章中,我们了解了关于 Docker 密钥的所有内容,它是 Kubernetes 密钥的对等物。我们看到如果需要使用这种技术而不是 Kubernetes 时,如何安全地在容器之间共享敏感数据。我们还了解了这对于基于工作环境划分凭证集有多么有用。最后,我们演示了如何创建、检查和删除这些密钥。接下来,我们再次回顾了标签,并讨论了如何使用这些标签确保从正确的环境中拉取正确的镜像。我们展示了环境相关的密钥和标签的结合,帮助你进一步保护开发过程。最后,我们讨论了如何为容器添加元数据标签。这也包括了使用文件。

龙哥盟 1624

容器安全和docker—TLS加密通讯

文章目录一、Docker 容器与虚拟机的区别1.隔离与共享2.性能与损耗二、Docker 存在的安全问题1.Docker 自身漏洞2. Docker 源码问题三、Docker 架构缺陷与安全机制四、Docker 安全基线标准1.内核级别2.主机级别3.网络级别4.镜像级别5.容器级别6.其他设置五、容器最小化六、Docker remote api 访问控制 首先我们需要来了解一下Docker容器和虚拟机的区别 一、Docker 容器与虚拟机的区别 1.隔离与共享 虚拟机通过添加 Hypervisor 层,虚

panrenjun的博客 2256

Redis 6.0 Docker容器使用TLS加密

前言最近,公司在做渗透测试,要求redis使用加密传输。经过比较redis各版本,发现redis6.0开始正式支持TLS 通道加密,更加安全。redis6.0以下版本只支持数据加密,最新版本为redis7.0。考虑到redis7.0刚出不久,新的功能项目也暂时用不上。故此决定选用redis6.2.11(6.0的最新稳定版)。先决条件安装了 Docker。Docker Compose 已安装。

MK 乘风破浪~的博客 2147

docker——tls(ssl)加密通信

docker——tls(ssl)加密通信DockerClient端与DockerDaemon的通信安全(https证书)背景使用证书访问的工作流程部署思路证书创建过程环境准备创建一个存放目录生成ca证书1)创建ca私钥2)创建ca证书用ca证书签发server端证书1)创建服务器私钥2)生成证书签名请求文件(csr文件)3)使用ca证书与私钥证书签发服务端签名证书用ca证证书签发client端证书1)生成客户端私钥2)生成证书签名请求文件3)创建扩展配置文件,使秘钥适合客户端身份验证4)使用ca证书签发客户

Yusheng9527的博客 2263

Docker Secret加密

Docker Secret 在我们启动docker或者service需要指定密码,这种密码我们有时不想被别人知道,所以可以采用docker secret方式管理。 创建secret可以有两种方式,一种通过文件创建,一种通过命令行创建 我们在本地创建一个文件passwd zack1024 接下我们可以通过如下命令创建secret docker secret create my-pw passwd 运行后可以看到屏幕输出如下 qq463dkw4da9s05rwinntmo09 这是一

恋恋风辰的技术博客 2151

一起讨论研究Docker存在的安全问题以及如何解决

文章目录Docker 容器与虚拟机的区别1、隔离与共享2、性能与损耗Docker存在的安全问题1、Docker 自身漏洞2、Docker 源码问题Docker 架构缺陷与安全机制1、容器之间的局域网攻击2、DDoS 攻击耗尽资源3、有漏洞的系统调用4、共享root用户权限Docker 安全基线标准1.内核级别2.主机级别3.网络级别4.镜像级别5.容器级别6.其他设置 Docker 容器与虚拟机的区别 1、隔离与共享 虚拟机通过添加 Hypervisor 层,虚拟出网卡、内存、CPU 等虚拟硬件,再在其上

朋来客栈 1101

容器与容器云——docker安全(TLS加密通讯)

docker 容器与虚拟机的区别 隔离与共享 虚拟机通过添加 Hypervisor 层,虚拟出网卡、内存、CPU等虚拟硬件,再在其上建立虚拟机,每个虚拟机都有自己的系统内核。 而 Docker 容器则是通过隔离的方式,将文件系统、进程、设备、网络等资源进行隔离,再对权限、CPU资源等进行控制,最终让容器之间相互不影响,容器无法影响宿主机。容器与宿主机共享内核、文件系统、硬件等资源 性能与损...

weixin_45683092的博客 553

Docker安全配置及Docker-TLS加密

Docker安全配置一、Docker 容器与虚拟机的区别1、隔离与共享2、性能与损耗二、Docker 存在的安全问题1、Docker 自身漏洞2、Docker 源码问题三、Docker 架构缺陷1、容器之间的局域网攻击2、DDoS 攻击耗尽资源3、有漏洞的系统调用4、共享root用户权限四、Docker 安全基线标准1、内核级别2、主机级别3、网络级别4、镜像级别5、容器级别6、其他设置五、部分安全操作1、容器最小化2、Docker remote api 访问控制4、镜像安全5、Docker-TLS加密通讯

kele_baba 2477

docker容器安全规则

1.仅在容器中运行必要的服务,像ssh等服务绝对不能开启 2.docker远程api访问控制,至少应该限制外网访问, 3.限制流量流向,使用iptables过滤器显示docker容器的源ip地址范围和外界通信 4.使用普通用户启动docker, 5.文件系统限制,挂载的容器根目录绝对只读,而且不同容器对应的文件目录权限分离,最好是每个容器在宿主上都有自己的独立分区。 6.镜像安全,对下载...

君幻的博客 1792

docker 容器添加访问密码

首先,docker并不是虚拟机,一般并不存在用户访问控制,但有些时候想让用户通过密码才能访问虚拟集命令行,则可以通过ssh连接来实现。 但有个前提就是不能让用户直接接触宿主机,因为使用docker exec和docker cp等,是可以不需密码直接访问docker内部文件。 下面开始正文为python-slim镜像配置ssh访问 为debian python 镜像安装sshd 启动docker image时可以指定端口映射 docker run -ditp 500001:22 [imageID] 手动更新d

沉漠的博客 1万+
上一篇: 容器OOM突然宕机,日志却一片空白?,Docker 27原生metrics+docker stats增强方案全披露
下一篇: 仅剩72小时!2026 Q2起MCP v3.1强制要求TLS 1.3+OCSP Stapling+硬件时间戳,C++网关升级避坑清单(含OpenSSL 3.2+Intel QAT适配实录)
deeplens
博客等级 码龄21年 176粉丝 2158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  | 博主筛选后可见
 
 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