Misnearch的博客

原创 windows电脑上重新启动MySQL服务

我现在电脑上的mysql服务的位置是D盘，但是我的D盘已经删除了，如何删除msyql服务，并重新启动F盘上的mysql。进入到新安装的mysql服务的bin目录下面。二：重新注册并启动MySQL服务。一：删除旧的MySQL服务。

原创 1865.找出和为指定值得下标对

为了找出满足指定值得下标对，可以假设nums1[i]的值为num，从而tot-num就是要从nums2中找的的，可以事先维护一个哈希表，从而直接获取tot-num的出现次数。

原创 2311. 小于等于 K 的最长二进制子序列

对于长度大于等于m的情况，最长可能子序列的长度至少是m-1。然后检查长为m的子序列中是否存在小于k的情况，如果存在则最长子序列长度可以是m，反之最长子序列长度为m-1。注意题目中的字符串的子序列是指从一个字符串中删除零个或多个字符后，不改变顺序得到的剩余字符序列。假设数值k的二进制有m位，则确保子序列长度不超过m，同时确保值不超过k。首先直接生成所有可能的子序列并进行检查是不可行的，因为时间复杂度会很高。任何长度超过k的二进制位数的子序列，值必定大于k。substring() 方法返回字符串的子字符串。

原创 大模型API，检索增强生成Retrieval-Augmented Generation

借助API自动化处理一批任务。具体是获取API key，并将API key配置到环境变量。当然也可以查看一些“大模型API教程”进行使用。大模型插件：是一种软件组件，设计用于增强和扩展基础大模型的功能。除了官方插件，还可以自定义插件实现更多的功能。在大模型对话中使用\n进行分段。

原创 SSNP: Stochastic subgraph neighborhood pooling for subgraph classification

介绍随机邻域池化及其各个组成部分，例图转换层，子图邻域池化，子图邻域采样。

原创 OLinear: A Linear Model for Time Series Forecasting in Orthogonally Transformed Domain

本文提出了一种基于线性的多元时间序列预测模型OLinear，该模型在正交变换域内运行。目前的预测模型通常采用时间预测(TF)范式，直接在时域对时间序列进行编码和解码。然而，序列数据中纠缠的逐步依赖关系会影响TF的性能。为了解决这个问题，一些预测者使用固定的、与数据集无关的基(例如，傅里叶变换中的正弦和余弦信号)在变换域中进行编码和解码。相比之下，我们使用了OrthoTrans，这是一种基于正交矩阵的数据自适应变换，它对角化了序列的时间Pearson相关矩阵。

原创 2016.增量元素之间的最大差值

如何进行优化呢，只需要对j进行遍历，维护i对应的最小值，如果nums[i] > premin, 则满足j > i同时nums[j] > nums[i]，并更新最大值，反之则说明当前遍历的值nums[i]小于等于premin，则更新i所对应的最小值。利用双指针求解，维护j > i并未nums[i] < nums[j]，维护最大差值。

原创 1432.改变一个整数能得到的最大差值

变成最小，如果>1，则将该数位代表的数都变成1，如果该数位已经是1了，则从下一个数位开始，为了最小，应从0开始修改，并注意判断如果都是一样的位数1，则不能修改为0。变成最大，如果<9，则将该数位代表的数都变成9，如果该数位已经是9了，则将下一个数位如此循环。也可以通过枚举的方法，枚举替换的数字，并查看是否可行，然后维护最大最小值。例如num=111,则最大是999，最小值100，最大差值是899。贪心思想，为了得到最大差，想办法变成一个最大的数和一个最小的数。这里有规则，从最高位开始，

原创 386.字典序排序

这种方式o(nlogn)，直接排序会使用额外o(n)空间存储字符串数组。为了达到o(1)空间，不能使用直接排序。字典序即按照字典的顺序排序，在计算机中两个字符串的大小关系取决于两个字符串从左到右第一个不同字符的ASCII值的大小。字典序实际上是数字的前序遍历。

原创 spring切面

例如一个案例就是添加用户，重复的代码包含了记录日志、事务提交和事务回滚等，都是重复的，为了简单，交给AOP来做。回到添加用户的案例，把不同面的代码单独抽出去，当程序运行到方法时，例如方法前，可以动态将该面的程序动态的切进去，方法运行完也可以动态的切进去。通过代理对象调用原来对象的方法。代理对象方法前后都可插入代码，这些代码就是增强处理。动态代理的经典实现。所谓面向切面编程，即一种通过预编译和运行期动态代理的方式，实现在不修改源代码的情况下给程序动态添加功能的技术。

原创 2359.找到离给定两个节点最近的节点

首先肯定要计算节点到各个节点之间的最短距离。由于是有向图因此可以通过循环实现找到节点到其他节点的路径及距离。最后选出里node1和node2最远距离最小的点即可。

原创 latex创建多个子图

整理的创建模板，即拿即用。

原创 第1章 计算机系统知识

阵列处理机，单指令多数据流计算机。

原创 数据库表添加索引

给字段添加索引，适用于查询频繁，重复不多的字段。主键和唯一约束在MySQL中会自动生成索引。需要根据具体的查询模式和数据特点来设计，过多的索引会影响写操作性能，而索引确实会导致查询缓慢。合理的索引设计师数据库性能优化的关键。

原创 第10章 网络与信息安全基础知识

多模光纤的特点：成本低，宽芯线，聚光好，耗散大，低效，用于低速度、短距离的通信。单模光纤的特点：成本高，窄芯线，需要激光源，耗散小，高效，用于高速度、长距离的通信。ping操作只能判断用户与外部站点的连通性Netsat用于显示IP,TCP,UDP和ICMP协议相关的统计数据，一般用于校验本机各端口的网络连接情况使用ARP查看和修改本地计算机上的ARP选项Tracert是路由跟踪实用程序，用于确定IP数据报访问目标所采取的路径，通过该命令可以查看在哪段路出现连通问题。

原创 第11章 标准化和软件知识产权基础知识，多媒体、图像相关

标准化法》分为5章26条，主要内容是：确定了标准体制和标准化管理体制，规定了制定标准的对象与原则以及实施标准的要求，明确了违法行为的法律责任和处罚方法。标准是对重复性事物和概念所做的统一规定。发表权是指决定作品是否公之于众的权利。此外：人的听觉器官能感知的声音频率在20~20kHz之间。

原创 第5章 软件工程基础知识

设计模式：是对被用来在特定场景下解决一般设计问题的类和相互通信的对象的描述。一般而言一个设计模式有4个基本要素：模式名称，问题，解决的方案和效果。瀑布模型：各阶段的固定顺序，如同瀑布流水。适用于需求明确，且很少发生较大变化的项目。设计模式使人们可以更加简单方便的复用成功的设计和体系结构。喷泉模型：主要用来描述面向对象的软件开发过程。掌握常见软件开发模型的基本概念。

原创 第2章 程序设计语言基础知识

一般程序中的错误可以分为语法错误和语义错误（或逻辑错误），语法错误是语句形式上的错误，语义错误是含义上的错误（逻辑错误）。运行中出现的逻辑错误是动态语义错误。

原创 第4章-操作系统知识

原创 overleaf，latex使用过程中记录（二）

在\maketitle后面加上，

原创 gephi绘图

参考：如何在Gephi中正确的显示中文？Gephi绘制网络图初步探索gephi 节点标签 调节_图分析与可视化-从Gephi开始

原创 neurips2025_latex

补充材料单独提交一个zip材料，上传代码评估质量，检查提交code的准则、模板等。使用\usepackage[nonatbib]{neurips_2025}，其中：提交一篇PDF，包含了正文(9页)，参考文献，checklist。添加bib文件，完整的方法已经修改好了。下载IEEEtran.bst，添加即可。为了保证严谨性和透明度，需要有。neurips模板修改。

原创 边缘损失函数

本质上是为了在模型学习过程中拉大某两类节点的评分差距，在差距不够时施加惩罚，是一种常见的对比性损失或排序损失思想。可以成为边缘排名损失(margin-based ranking loss)，鼓励某类节点的评分高于另一类节点。，假设差距是0.5，则损失是0.2，假设差距是0.8，则损失是0，损失越来越小。，否则就回产生损失，损失大小就是未满足差距的部分，代表了正类与负类的差距，显然希望这个差距大于等于。，即正类的评分比负类高至少。

原创 one class classification

在one class classificaiton中，仅仅只有一类的信息用于训练，其他类别的(outlier)信息是缺失的，即区分两个类别的边界线是通过仅有的一类数据的信息学习得到的。二分类中常用的BCE Loss，理解这里的Loss就是判断模型的好坏并纠正，对于错误的预测，应该返回高值，对于良好的预测，应该返回低值。利用已知部分正常节点来检测异常，即只利用一类正常节点来实现二分类，这是one-class的任务。

原创 网络与信息安全基础知识

防火墙技术：包过滤防火墙、应用代理网关、状态检测技术。有链路加密、节点加密、端到端加密。

原创 七大寻址方式

原创 远程主机可能不符合glibc和libstdc++ VS Code服务器的先决条件

服务器中有个GLIBC库，VSCode>=1.86.0版本对 低于v2.28.0版本的GLIBC不再满足需求。回退到之前能够连接服务器的版本。我之前用的是January 2025 (version 1.97)这是因为我最近更新了vscode，

原创 node.js版本管理

遇到了版本升级后，以前项目不兼容的问题。下载一个node.js的版本管理工具，，可以选择版本下载，我选择的1.11.1版本的。下载完成后点击安装，分别选择nvm安装目录和nodejs的安装目录，点击安装，例如我本机已经安装了v20版本，就会提示你已安装是否使用nvm管理这个版本。安装成功如图所示：进入cmd查看版本是否已安装成功。

原创 智能体概述

智能体是指通过模拟特定场景下的人物或角色（希望这个 AI 员工有什么能力，你决定），主动思考与执行任务的智能助理，以完成特定任务或目标的一种 AI 应用方式。

原创 八爪鱼采集器

配置合理规则采集数据。

原创 low pass filtering / high pass filtering

在图神经网络（GNN）中，低通滤波（low-pass filtering）特性是指网络在学习图节点表示时，倾向于保留图结构中局部相似节点之间的信息，同时平滑掉图中的不相关信息。这种特性使得 GNN 能够捕捉到节点的局部结构特征，并且能够在信息传播过程中忽略掉远离当前节点的、噪声较多的部分。

原创 Pycharm-Version: 2024.3.3导入conda环境

点击select existing->conda，选择地址为：anoconda/library/bin/conda.bat，就可以选择虚拟环境了。新增环境，点击add interpreter->add local interpreter。找到Project->python interpreter。打开一个新项目，点击File->Settings。

原创 更换node版本

使用node.js官方安装程序，升级到v20.18.0。查看当前node版本。

原创 【DiffGAD: A Diffusion-based Unsupervised Graph Anomaly Detector】

传统的无监督方法以重构为重点，对未标记数据的编码的潜在表示进行解码，通常无法捕获关键的判别性内容，导致异常检测不理想。DiffGAD的核心是一种全新的潜在空间学习范式，通过精心设计，使用判别内容来指导模型，从而提高模型的熟练程度。利用扩散采样向潜在空间注入判别性内容，并引入内容保存机制，在不同尺度上保留有价值的信息，显著提高了模型在有限时间和空间复杂度下识别异常的熟练程度。在6个大规模数据集上进行了评估，卓越性能。

原创 stochastic differential equation

Stochastic Differential Equation，SDE，随机微分方程是常微分方程的扩展，其项是随机过程，解也是随机过程。形容的是一个随机变量的变动过程，也就是常微分方程加上一个白噪音项。随机过程函数本身的导数不可定义。SDE可用于模拟随机模型的各种行为，如股价、随机增长模型或受热涨落影响的物理系统。随机微分方程的概念最早以布朗运动的形式提出包含微分，解微分需要用到积分。

原创 枚举Enum用法

枚举非常适合用于定义错误状态码。通过枚举，可以将错误码集中管理，提高代码的可读性和可维护性。// 定义常见的错误状态码// 定义属性// 错误码// 错误信息// 构造函数// 获取错误码// 获取错误信息// 根据错误码查找对应的枚举实例// 遍历枚举常量进行查找。

原创 Graph Anomaly Detection via Diffusion Enhanced Multi-View Contrastive Learning

忽略了对比学习中正负采样对的增强方法，会对模型的鲁棒性和准确性产生重大影响。该方法：联合优化基于扩散的增强模块和基于多视图对比学习的模块。基于扩散的增强模块，使用扩散模型并去噪得到增强的原始图，并将原始图重建损失作为异常检测标准之一。在多视图对比模块，有节点-节点，节点-子图，子图-子图三种对比视图，以更好识别结构空间中的异常。在6个基准数据集上进行了实验。

原创 DeepSeek进阶

DeepSeek-R1是开源的推理模型，性能对其OpenAI-o1，可免费商用。DeepSeek在后训练阶段大规模使用了强化学习。DeepSeek还能完成常规绘图，例如SVG矢量图，Mermaid图表，React图表。

原创 Java版本与JDK版本

Java版本指的Java语言和平台的版本，例如Java8、Java11、Java17等，每个版本会引入新特性、改进和修复。JDK(Java Development Kit)版本则是开发工具包，包含编译器、调试器等工具，通常与Java版本对应，例如JDK8对应Java8，JDK11对应Java11。

原创 90.子集||

要求所有可能的子集，不能重复，因此对于相同的数字，要考虑去重，去重的方式就是通过排序，排序后相同的数字相邻，这样进行实现迭代时，若没有选择上一个数，，其当前数字与上一个数相同，则跳过当前生成的子集。递归完成，撤销当前选择，继续其他选择。