PostgreSQL 日报｜ pgAdmin 4 v9.17 修复七个安全漏洞（8 月 4 日）

IvorySQL IvorySQL 博客等级 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 200+累计阅读 206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 码龄5年
关注
原创 最新推荐文章于 2026-10-16 15:54:36 发布 206 阅读 AI 写同款· GEO 优化 ›
centos8 安装新版bind9源码 bind一直在更新，使用了比较多的新架构 本文记录新版本的bind怎么安装，以及其依赖库的安装 1. 在https://www.isc.org/download/ 下载最新stable版本bind，本文以bind-9.17.9.tar.xz为例。将软件传到/root目录下。 也可以到https://ftp.isc.org/isc/bind9/ 下载更多历史版本 2. 安装基本的依赖库，像gcc、amake等 3. 需要安装libuv库，但直接用yum时可能安装不全 建议使用源码安装，需要安.. 阅读详情

PostgreSQL 技术文章

Canvas 还是 Function：AIDB 与 Langflow 在 EDB Postgres AI 上的智能体 AI Ops 对比

EDB Postgres AI 支持两种构建智能 AI 工作负载的方式：AIDB 是一个原生 PostgreSQL 扩展，可在数据库内部直接完成检索与推理；Langflow 则是 AI Studio 中使用的可视化编排运行时。此前的文章介绍了一个基于 pgvector、内置模型服务和 Langflow 的故障响应流水线。本文探讨用 AIDB 替换 Langflow 实现智能体 AI Ops 的架构差异与实践考量。

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fenterprisedb.com%2Fblog%2Fcanvas-or-function-aidb-vs-langflow-agentic-ai-ops-edb-postgres-ai

E-Maj 5.0.0 版本正式发布

E-Maj 5.0.0 正式发布。E-Maj 是一个 PostgreSQL 扩展，支持对数据库子集进行细粒度写入日志记录和时间回溯操作。此次主要更新包括：允许非超级用户角色安装和使用 E-Maj，可用功能根据其权限动态调整；简化了幂等管理脚本的编写及参数管理；并新增对 PostgreSQL 19 的兼容支持。配套客户端 Emaj_web 也同步更新，充分利用了新特性。

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.org%2Fabout%2Fnews%2Fannouncing-e-maj-500-3353%2F

pgBackRest 2.59.0 版本发布

pgBackRest 2.59.0 于 2026 年 7 月 30 日正式发布。此版本新增了对 PostgreSQL 19 的支持，引入 archive-expire-before 选项用于清理 WAL 归档，新增 S3 Outposts 支持和 S3 进程身份验证，支持 Azure 批量删除，修复 SFTP 空闲连接断开后的自动重连，集成 systemd 服务支持等多项增强。

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.org%2Fabout%2Fnews%2Fpgbackrest-2590-released-3355%2F

pgAdmin 4 v9.17 版本发布

pgAdmin 4 v9.17 正式发布，包含 28 项错误修复与新功能。本次安全更新修复了七个 CVE，涉及工具权限绕过、通过 MASTER_PASSWORD_HOOK 和导入/导出数据工具触发的 OS 命令注入、Index Statistics 及 Publications 视图中的 SQL 注入、AI Assistant 只读事务防护的词法差异绕过等多个严重漏洞，建议所有用户尽快升级。

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.org%2Fabout%2Fnews%2Fpgadmin-4-v917-released-3356%2F

PostgreSQL Hacker 电子邮件讨论精选

在订阅端添加逻辑解码消息的处理钩子

Masahiko Sawada 提出了一个新的钩子 LogicalRepMessageHandle_hook，允许订阅端扩展在逻辑复制过程中处理 logical decoding 消息，典型用例包括 DDL 复制和将消息转发至本地 CDC 管道。Fujii Masao、Bharath Rupireddy 和 Chao Li 对 v2 补丁进行了审查，主要反馈涉及钩子命名与接口设计。

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Add%20a%20hook%20for%20handling%20logical%20decoding%20messages%20on%20subscribers.

为什么清空虚拟内存不需要在 WAL 记录中注册缓冲区

Melanie Plageman 提交了一个与 WAL 记录中 VM（可见性映射）缓冲区处理相关的补丁。Coverity 随后报告了一个问题（CID 1697133）：在 heap_page_fix_vm_corruption() 中调用 visibilitymap_clear() 时未检查返回值，而其他 14 处调用中有 13 处都做了检查。Tom Lane 进一步指出该函数实际会 panic 而非返回 false，因此设计意图与 Coverity 警告之间存在一定张力。

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Why%20clearing%20the%20VM%20doesn’t%20require%20registering%20vm%20buffer%20in%20wal%20record

缺陷：XLogReader 对超大多页 xl_tot_len 处理不当（可能导致内存损坏）

该讨论涉及一个 XLogReader 的 bug：在处理跨多页的超大 xl_tot_len 值时存在错误，可能导致内存损坏。Matthias van de Meent 提交了修复补丁，并新增了覆盖超过 XLogRecordMaxSize 的记录的测试用例。Michael Paquier 指出该 bug 导致已有的恢复测试 039_end_of_wal 出现间歇性失败，目前已通过补丁一并修复。

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Bug%3A%20XLogReader%20mishandles%20oversized%20multi-page%20xl_tot_len%20(potential%20memory%20corruption)

CREATE SUBSCRIPTION 与 pg_dump 等工具的对比与选择

该讨论围绕 CREATE SUBSCRIPTION ... SERVER 及相关行为的补丁展开。Jeff Davis 发布了 v4 系列补丁，此前他与 Amit Kapila 达成一致，认为 disable_on_error 相关的边界情况无需额外处理。另一个从 ENABLE 路径中移除 retain_dead_tuples 检查的补丁经 Hayato Kuroda 审查后已合并。

原文链接：

https://pgnexus.ai/hacker-discussions?subject=CREATE%20SUBSCRIPTION%20…%20SERVER%20vs.%20pg_dump%2C%20etc.

PostgreSQL 外部服务器的执行计划分析

Bharath Rupireddy 对 Dinesh Salve 提交的 v6 补丁进行了审查，该补丁旨在通过 postgres_fdw 暴露远端服务器的执行计划。其应用场景主要针对分布式/分片 PostgreSQL 架构——在这类环境中，逐一访问远端数据库分析查询性能往往不切实际。Bharath 指出，测试用例包含了过多 JSON/XML/YAML 格式化代码，建议简化输出格式以提升可用性。

原文链接：

https://pgnexus.ai/hacker-discussions?subject=explain%20plans%20for%20foreign%20servers

[GSoC 2026] B-tree 索引臃肿优化方案讨论

GSoC 2026 参与者 Salma El-Sayed 提交了一个 B-tree 叶页合并的 v1 概念验证补丁系列（共 3 个补丁）。该设计仅合并共享同一父节点的相邻页，利用 pd_prune_xid 字段存储 Merge Anchor（MA）块号作为合并组标识，M 标志在页分裂时继承传递。VACUUM 清理流程从合并组尾部向头部遍历，逐步清除标志并将空闲页归还给 FSM。

原文链接：

https://pgnexus.ai/hacker-discussions?subject=%5BGSoC%202026%5D%20-%20B-tree%20Index%20Bloat%20Reduction%20-%20Approach%20%26%20Questions

行业新闻

Anthropic 与 AI 云计算初创公司 Volta 达成 100 亿美元合作

Anthropic 与 AI 云计算初创公司 Volta 签署了一份据报道价值 100 亿美元的合作协议。这是 Anthropic 近期一系列云合作布局中的最新动作，反映出该公司正积极扩充算力资源，以支撑旗下 AI 模型的开发与大规模部署。目前，双方除披露交易规模外，未透露其他具体条款。此次合作使 Volta 跻身与 Anthropic 深度合作的云服务商行列。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F08%2F04%2Fanthropic-signs-10-billion-deal-with-ai-cloud-startup-volta

Apple 承认更多离职员工可能将机密信息带往 OpenAI

Apple 针对 OpenAI 的商业秘密调查持续升级。Apple 在最新提交的法庭文件中声称，可能有更多前员工保留或非法获取了公司机密信息。这一进展表明，双方的法律纠纷正在扩大，Apple 指控多名跳槽至 OpenAI 的前员工存在更大范围的数据侵占行为。此案折射出 AI 行业人才频繁流动背景下，大型科技公司之间日趋激烈的知识产权争议。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F08%2F04%2Fapple-says-more-ex-employees-may-have-taken-confidential-data-to-openai

Nvidia 主导的 Open Secure AI Alliance 成立一周即取得重要进展

由 Nvidia 主导成立、刚刚成立一周的 Open Secure AI Alliance 已迅速扩展至逾 120 家成员企业，并率先发布了针对 AI 智能体的防御提案。这一快速扩张态势凸显了业界对 AI 安全问题的高度重视。通过在短时间内汇聚大规模行业联盟，Nvidia 正将自身定位为制定 AI 系统安全标准的核心力量，远超一般行业标准机构的推进速度。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F08%2F04%2Fnvidia-doesnt-mess-around-a-week-after-open-ai-industry-group-formed-its-already-showing-progress

社交媒体动态

pg_hardstorage 近期亮相《Scaling Postgres》节目

pg_hardstorage 近期登上了《Scaling Postgres》播客节目。该期内容涵盖如何在生产数据库上安装该工具、与现有备份脚本协同运行，以及实时演示迁移方案。完整视频已发布至 YouTube，感兴趣的读者可前往观看。

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fcybertec-postgresql_migrating-to-pghardstorage-scaling-postgres-activity-7490294197250375680-2ASh

Unity AI Gateway 正式发布：帮助企业管控 AI 成本、安全与资源

Unity AI Gateway 现已正式上线，旨在帮助企业统一管控 AI 成本、安全与治理。目前已有数千家客户在使用，过去一年内通过该网关处理的 token 数量超过千万亿。随着企业 AI 环境日趋复杂，涵盖智能体、应用、MCP、技能工具及编程助手等多种形态，Unity AI Gateway 作为统一管控中枢，提供端到端的可观测性，并支持按模型、服务商、应用等维度进行精细化治理。

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fdatabricks_today-were-announcing-general-availability-activity-7490532569952825345-re3A

Databricks 加入开放安全人工智能联盟，与英伟达等行业领导者共同推进 AI 安全

Databricks 宣布加入开放安全人工智能联盟，成员还包括英伟达等行业头部企业。该联盟的核心理念是：AI 安全研究应基于开放系统公开进行与共享。Databricks 将为联盟带来受治理的数据能力、模型与智能体功能，以及涵盖安全防护、合规治理、红队测试和网络防御的开源工具与框架。各方携手合作，旨在共同应对智能体 AI 时代面临的安全挑战。

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fdatabricks_databricks-joins-the-open-secure-ai-alliance-activity-7490442650198700032-mjgM

以上信息来自 PGNexus（https://pgnexus.ai/home），欢迎注册账号体验和订阅邮件获取每日更新。

PGNexus 是面向全球 PostgreSQL 用户、开发者与贡献者的一站式生态平台，汇聚技术博客、Hacker 邮件讨论、社区补丁分析、行业资讯及全球活动信息。同时，平台提供在线沙盒环境，用户无需本地部署，即可快速体验和验证 PostgreSQL 相关功能、SQL 语句与技术方案。通过智能化的信息筛选、内容提炼与实践工具，PGNexus 帮助用户更高效地了解 PostgreSQL 技术动态，参与社区协作，并完成从学习到验证的完整闭环。

标签
#postgresql #人工智能 #大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Docker Compose 部署 pgAdmin 4：生产级 PostgreSQL 图形化管理实践 pgAdmin 是 PostgreSQL 官方推荐的 Web 版图形化管理工具，其核心价值在于提供跨平台、零客户端安装、功能完备的数据库运维界面。基于 Docker 的容器化部署，可彻底解决传统安装方式带来的版本碎片、依赖冲突与环境不一致问题；而 Docker Compose 进一步实现了配置即代码、多环境隔离与资源可控。结合 SQLite 元数据持久化、Nginx 反向代理、HTTPS 终止及 Basic Auth 认证等工程实践，能构建出高可用、可审计、易扩展的标准化 GUI 管理入口。本文聚焦 pgA 阅读详情

相关推荐

PostgreSQL数据库迁移实战：用pgAdmin 4实现导出导入（UTF-8编码避坑指南）

本文详细介绍了使用pgAdmin 4进行PostgreSQL数据库迁移的实战技巧，特别针对UTF-8编码问题提供了避坑指南。从环境准备、导出导入操作到数据验证，全面解析了迁移过程中的关键步骤和常见错误解决方案，帮助开发者高效完成数据库迁移任务。

kubernetes8ctl的博客 786

Centos-Linux安装bind9.17.9

linux安装bind9.17.9，升级dig

qq_36819827的博客 3654

pgAdmin 4 服务器模式部署全指南：Apache+WSGI+PostgreSQL生产实践

pgAdmin 4 本质是一个基于 Flask 和 SQLAlchemy 的 Web 应用，其‘桌面模式’仅限单机调试，而真正支持多用户协同、HTTPS、LDAP集成与审计合规的，是可部署于标准 Web 容器的‘服务器模式’。该模式依托 WSGI 协议实现 Python 应用与 Apache/Nginx 的高效通信，核心价值在于可运维性、权限可控性与企业级安全能力。典型应用场景包括金融级 PostgreSQL 运维平台、混合数据库管理门户及与现有 Apache 生态（如 phpMyAdmin、SSO）深度集

闲谈 464

9.9 分高危漏洞，尽快升级到 pgAdmin 4 v9.2 进行修复

近日，银河哈希监控一个 pgAdmin 远程代码执行漏洞。pgAdmin 4 存在远程代码执行安全漏洞，涉及（query_commited 参数）和（high_availability 参数）2 个 POST 端点，相关参数不安全地传递给 Pythoneval()函数，允许任意代码执行，此问题影响 pgAdmin 4 v9.2 之前的版本。漏洞编号漏洞类型远程代码执行漏洞漏洞评分9.9漏洞等级高危影响组件pgAdmin利用成熟度POC已公开利用难度低利用方式远程。

少安事务所 1232

pgAdmin 4高危漏洞紧急升级指南：从原理到实战修复

在数据库管理领域，安全漏洞的防范是运维工作的核心。路径遍历与代码注入是两类常见的高危漏洞类型，其原理在于应用程序未能对用户输入进行充分验证和过滤，导致攻击者能够越权访问系统文件或执行恶意代码。这类漏洞的技术价值在于其极低的利用门槛与极高的破坏性，一旦被利用，可能直接导致服务器被完全控制，数据面临泄露、篡改或删除的风险。在PostgreSQL生态中，pgAdmin作为广泛使用的图形化管理工具，其安全性直接关系到后端数据库实例的安危。近期披露的CVE-2024-xxxxx高危漏洞（CVSS评分9.9）正是此类风

weixin_30682415的博客 412

Docker 部署 pgAdmin 4 最佳实践：安全、可复现、团队就绪

pgAdmin 是 PostgreSQL 官方推荐的图形化管理工具，其核心价值在于将数据库运维从命令行操作升维为可视化、可审计的工作流。依托 Docker 容器化技术，pgAdmin 4 能实现环境隔离、配置即代码、跨平台一致等关键能力，显著降低本地开发、CI 测试与客户演示中的环境差异风险。结合自定义网络、健康检查、servers.json 预置连接和 volume 持久化等工程实践，可构建高可靠、易协作的 PostgreSQL 开发单元。本文聚焦容器化部署中真实高频问题——如 DNS 解析失败、服务启动

weixin_34411563的博客 539

PostgreSQL 日报｜pgAdmin 4 v9.18 修复四个安全漏洞（9 月 18 日）

他指出，AI 模型在入侵软件系统方面能力日益增强，各类目标面临的安全风险不容忽视，企业必须大力加强网络安全投入，切实保护自身软件基础设施。该套件以数据库为核心，定位于为 agen…该线程讨论了一个补丁，用于修复在 SQL 可调用的 slot 函数中，子事务内部获取的复制槽在子事务中止时未被正确释放的问题。CYBERTEC 的 Wellingtone Luvonga 在这篇深度技术文章中，系统梳理了 PostgreSQL 多区域容灾方案的完整生命周期，详细介绍了构建跨区域灾备架构所涉及的核心挑战与关键步骤。

IvorySQL的博客 216

Windows系统下PostgreSQL 10安装避坑指南：如何正确配置pgAdmin 4避免致命错误

本文针对Windows系统安装PostgreSQL 10时，pgAdmin 4因版本兼容性问题导致“致命错误”的常见故障，提供了详细的避坑指南。核心解决方案是采用“事前规避”策略：在安装数据库时取消捆绑的pgAdmin组件，随后独立下载并安装兼容版本（如v4.30），从而确保管理工具稳定运行。文章还涵盖了纯净安装PostgreSQL、正确配置连接以及安装PostGIS扩展的完整步骤。

weixin_29310631的博客 308

pgAdmin 4 v7.8 发布，PostgreSQL 开源图形化管理工具

pgAdmin 是 PostgreSQL 领先的开源图形化管理工具。pgAdmin 4 旨在满足新手和有经验的 Postgres 用户的需求，提供强大的图形界面，简化了数据库对象的创建、维护和使用。

llawliet0001的专栏 419

FPGA实战：手把手教你实现雷达信号数字下变频（DDC）完整流程

本文提供了一份完整的FPGA实现雷达信号数字下变频（DDC）的实战指南。内容涵盖从Matlab行为级仿真到FPGA硬件实现的完整闭环流程，详细讲解了数字混频、滤波、抽取等核心步骤，并分享了基于Vivado的IP核配置、数据位宽量化及资源优化等关键工程实践经验，旨在帮助读者掌握DDC系统的硬件实现与调试。

dog123的博客 342

K8s认证文件丢失的应急处理与恢复策略

本文详细介绍了Kubernetes（K8s）认证文件丢失时的应急处理与恢复策略。从快速诊断问题范围到不同场景的临时解决方案，再到深度恢复方案（无损重建、部分重置、完全重建），提供了全面的操作指南。同时强调了生产环境中的防丢失设计、高可用集群的特殊处理以及日常运维建议，帮助运维人员有效应对认证文件丢失的紧急情况。

weixin_33743248的博客 327

pgAdmin 4 v9.2升级实战：手把手教你修复CVE-2025-2945高危漏洞（附回滚方案）

本文详细指导如何升级pgAdmin 4至v9.2版本以修复高危漏洞CVE-2025-2945，涵盖Linux、Windows和Docker环境的升级步骤、回滚方案及企业级加固建议。通过实战操作和检查清单，帮助DBA快速应对这一远程代码执行漏洞，确保数据库管理安全。

jwt8token的博客 762

[Vue][面试]谈谈你对MVC、MVP和MVVM的理解

谈谈你对MVC、MVP和MVVM的理解 答题思路：此题涉及知识点很多，很难说清楚，说透彻，因为MVC，MVP这些我们前端程序员自己甚至都没用过。但是恰恰反映了前端这些年从无到有， 从有到优的变迁过程，因此沿此思路回答将十分清除。 Web1.0时代 在web1.0时代，并没有前端的概念。开发一个web应用多数采用ASP.NET/Java/PHP编写，项目通常由多个aspx/jsp/php文件构成，每个文件中同时包含了HTML、CSS、JavaScript、C#/Java/PHP代码， 系统整体架构可能如下图所

你好，欢迎光临！ 725

pgAdmin 4最新版(v9.12)功能全解析：从基础操作到高级技巧

本文深度解析pgAdmin 4 v9.12的核心功能与实战技巧。重点介绍了增强的OAuth2/OIDC认证集成、查询工具数据输出优化、角色管理细节改进等新特性，并探讨了其安全修复、高效工作流构建以及服务器模式部署最佳实践，帮助用户全面提升PostgreSQL数据库的管理与开发效率。

a0b1c2d3的专栏 548

银河麒麟V10系统下VLC播放器安装全攻略（附3.0.9.2版本离线包下载）

本文详细介绍了在银河麒麟V10操作系统无网络环境下，从零开始编译安装VLC 3.0.9.2播放器的完整攻略。通过构建本地YUM仓库解决依赖问题，提供离线资源包下载，并逐步指导完成编译环境配置、软件编译与安装，帮助用户在国产麒麟系统上成功部署强大的多媒体播放能力。

a2b3c4d5e的博客 1223

模型性能评估之 Friedman 检验与 Nemenyi 后续检验

前言 当我们提出一种算法，需要知道我们的算法和现在已有的算法相比，性能是否更优的时候，就需要用到模型性能评估的方法。本篇博客介绍一种模型性能评估的方法：Friedman 检验与 Nemenyi 后续检验。 该方法的特点是：可以进行多个算法的比较。下面看看具体的使用： 具体使用 1. 计算序值 假定我们用 D1D_1D1​、D2D_2D2​ 、D3D_3D3​ 和 D4D_4D4​ 四个数据集对算法 AAA、BBB、CCC 进行比较。首先需要得到每个算法在每个数据集上的测试结果，可以是准确率，也可以是均方误差

蕾欧娜与26的博客 1万+

PostgreSQL 日报｜ PostgreSQL 19 RC1 正式发布（10 月 16 日）

PostgreSQL 全球开发组发布了 PostgreSQL 19 RC 1，这是 PostgreSQL 19 的第一个候选版本，内容与正式版基本一致，正式发布前可能还会合入少量修复。这一特性在数据库层面实现了应用的响应式能力，无需修改查询语法或引入额外基础设施，基于 Neon 现有的 PostgreSQL 兼容平台构建。为此，Genie Ontology 应运而生，旨在让 AI 真正理解业务运转的逻辑——包括每个指标的含义、哪些数据源具有权威性，以及基于权限控制每位用户只能看到其被允许访问的内容。

IvorySQL的博客 161

AD7920实战：从咪头到ADC的音频信号采集电路设计全解析（附电路图）

本文详细解析了基于AD7920 ADC芯片的音频信号采集电路设计全流程。从驻极体咪头的驱动、AD8542运放的两级增益与偏置设计，到关键的抗混叠滤波器配置，以及ADC接口的驱动缓冲与PCB布局要点，提供了完整的实战指南与电路图，帮助开发者实现高质量音频信号采集。

red88的博客 807

pgAdmin 4 v7.6 发布，PostgreSQL 开源图形化管理工具

pgAdmin 是 PostgreSQL 领先的开源图形化管理工具。pgAdmin 4 旨在满足新手和有经验的 Postgres 用户的需求，提供强大的图形界面，简化了数据库对象的创建、维护和使用。适用于 Windows 和 macOS 的构建版本现已推出，还提供 Python Wheel、Docker 容器、RPM、DEB 包以及来自。pgAdmin 开发团队日前。源代码 tarball。

Jdjdjjdjdjdje的博客 251

VLA仿真平台：Isaac sim、MuJoCo

在虚拟仿真领域，VLA（Virtual Learning Agent）仿真器是用于开发和训练虚拟机器人代理的环境，它们为机器人提供了一个平台来进行各种任务的模拟和学习，特别是在强化学习（RL）中。两款广泛应用的仿真器是和。这两者各有其特点和优势，适用于不同类型的机器人研究和开发。

u013250861的博客 864

如何用python自己复现worldquant brain中的回测结果

本文介绍了在Python中复现WorldQuant Brain平台上alpha 101因子1和4的回测框架构建要点。重点分析了Brain平台的策略设置：使用TOP 3000高流动性股票（可用中证1000/2000替代）；delay=1表示t日信号在t+1日开盘调仓；详细解释了market/sector/industry/subindustry四级中性化方法；说明了decay参数控制持仓权重线性衰减；以及TRUNCATION参数限制单股仓位风险。文章还探讨了不同调仓时点的实现差异，为自主构建量化回测系统提供了

夏之微风的博客 742

2025年PostgreSQL 详细安装教程（windows）

PostgreSQL 详细安装教程

m0_71071763的博客 1万+

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Linux源码安装pgadmin4,Linux 服务器部署 PgAdmin 4 Server

PostgreSQL 使用率越来越高，但是好用的图形化软件，诸如 Navicat、DataGrip、HeidiSQL 都是客户端软件，对于访问控制来说，比起 MySQL 的 phpMyAdmin 更加麻烦。与 pma 对标的 phpPgAdmin 自 2013 年停更，并且不支持 PostgreSQL 10，非常尴尬。好在 PgAdmin 4 提供了 Server Deploy 选项。本文以 Ub...

weixin_42511887的博客 776

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

pgAdmin 登录错误，还是添加 PostgreSQL 服务器时的连接错

场景检查点快速修复pgAdmin 登录界面报错容器环境变量PASSWORD删除容器，用新邮箱/密码重建pgAdmin 添加服务器报错PostgreSQL 容器的进入 PostgreSQL 容器重置密码如果你能确认是在哪一步遇到的错误，我可以给出更精确的命令。你也可以直接尝试重新创建 pgAdmin 容器（记得先 stop + rm），这通常能解决大部分登录问题。

426

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

pgAdmin的介绍 及使用

1. pgAdmin的介绍 pgAdmin 4是一款专门针对PostgreSQL数据库的客户端管理软件，该版本在pgAdmin 3的基础上做了较大的架构变化，由之前的CS架构变更为基于浏览器的BS架构。 2019年1月10日，pgAdmin全球开发组在其官网上发布了最新版本pgAdmin 4 v4.0版本。该版本包括超过26个已知bug修复和新特性。新增的特性有： 新的平滑UI设计 允许......

数据知道的博客 8万+

CVE-2025-13780：pgAdmin 4 严重远程代码执行漏洞深度解析

是pgAdmin 4中的一个严重安全漏洞，该漏洞允许远程攻击者在主机系统上执行任意命令。漏洞发生在pgAdmin运行于服务器模式并用于恢复PLAIN格式的PostgreSQL数据库转储文件时。精心构造的SQL文件可以绕过pgAdmin的保护机制，触发底层操作系统的命令执行。🔴 严重9.1 / 10远程代码执行 (RCE)已修复CVE-2025-13780 是一个教科书级别的案例，说明了为何输入过滤不能作为安全边界。如果您在服务器模式下运行pgAdmin 4并允许SQL恢复，那么升级是必须的。

分享技术点滴 455
上一篇： PostgreSQL 18/19 新特性深度解读：从 IO 预取到智能运维，全面提升数据库体验
下一篇： PostgreSQL 19 前瞻：Autovacuum 机制调整
点赞 8
评论 0
书签 书签 2
IvorySQL
IvorySQL
博客等级 码龄5年 745粉丝 565原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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