<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Network_Engineer的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Network_Engineer</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Network_Engineer]]></copyright><item><title><![CDATA[Context Contamination in LLM Analysis of Network Security Logs——实验篇]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/166690174</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/166690174</guid><author>Network_Engineer</author><pubDate>Sat, 26 Sep 2026 15:56:32 +0800</pubDate><description><![CDATA[LogInject构建了首个可复现的评估框架，针对大语言模型在日志分析中的提示注入漏洞，涵盖活动隐藏、假阳性生成、信息外泄与输出劫持四类攻击目标。基于12,847条真实日志的基准数据集，对GPT-4o、Claude 3.5 Sonnet和Llama-3-70B-Instruct进行双场景测试（批量摘要与告警分诊），采用“自动+人工”混合评判机制，确保评估客观性。实验表明，尽管安全对齐模型（如Claude）降低攻击成功率13个百分点，但根本性缺陷仍存。防御层面，输入过滤效果有限，提示词加固（Spotlight]]></description><category></category></item><item><title><![CDATA[Context Contamination in LLM Analysis of Network Security Logs——Threat Model篇]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/166491331</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/166491331</guid><author>Network_Engineer</author><pubDate>Wed, 23 Sep 2026 20:04:32 +0800</pubDate><description><![CDATA[本文提出“上下文污染”攻击，利用可写日志字段将隐蔽指令注入LLM分析系统，通过被动、异步方式在模型上下文中执行恶意行为。攻击者无需认证，仅需生成合法日志即可触发。基于Transformer的注意力机制使模型无法区分可信指令与恶意数据，导致活动隐藏、误报生成、信息窃取和输出劫持等威胁。攻击分为原子注入、上下文拼接与混淆规避三类，可绕过传统过滤机制，揭示了日志分析中语义层面的安全盲区。]]></description><category></category></item><item><title><![CDATA[尝试快速理解YOLO论文到底在做什么？----002]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/164142933</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/164142933</guid><author>Network_Engineer</author><pubDate>Fri, 28 Aug 2026 11:28:34 +0800</pubDate><description><![CDATA[针对上述问题,本文提出一种基于改进YOLOv8n[19]的航拍轻量化小目标检测算法———PECS-YOLO。]]></description><category></category></item><item><title><![CDATA[尝试快速理解YOLO论文到底在做什么？----001]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/164139914</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/164139914</guid><author>Network_Engineer</author><pubDate>Fri, 28 Aug 2026 11:00:17 +0800</pubDate><description><![CDATA[我们的研究引入了一种创新的方法，利用YOLO框架来改进果树病害的检测。YOLO的实时能力，结合其卓越的速度和准确性，使其成为研究人员在各种目标检测任务中的首选。我们的研究做出了几项重要贡献：• 我们提出了一种自动化定位技术，旨在识别整个图像集合中的受影响区域。利用先进的深度学习模型，特别是 YOLOv3 和 YOLOv4，我们执行疾病检测和分类。• 本研究仅考虑了公开可用的Plant Village数据集中的四个类别，该数据集包含9种不同植物的健康和患病植物共25个类别，并包含数千个样本。]]></description><category></category></item><item><title><![CDATA[尝试分析JailMeter的大语言模型越狱攻击评估部分]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/162426025</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/162426025</guid><author>Network_Engineer</author><pubDate>Mon, 29 Jun 2026 16:54:06 +0800</pubDate><description><![CDATA[大语言模型（LLM）近年来发展迅速，为人类生产、生活带来了极大的便利。本人也使用过很多不同厂商研发的LLM，例如GPT系列、Claude系列、Deepseek系列等等，LLM发展至今，几乎达到了“全知”的高度。但是，科学技术的发展往往是把双刃剑，LLM在知道蛋糕怎么做的同时，同时也知道炸弹怎么做。这个问题无法避免，在模型训练时，模型就已经具备了这个能力。这个能力如果不加以限制，会是非常可怕的，因为LLM不仅仅为学生、工人、警察、医生提供服务，恐怖分子、极端分子只要注册账号也能获取“全知”的能力。]]></description><category></category></item><item><title><![CDATA[深度解析：基于混合专家(MoE)与互信息解耦的多模态知识图谱推理架构]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/158811039</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/158811039</guid><author>Network_Engineer</author><pubDate>Sun, 08 Mar 2026 20:23:24 +0800</pubDate><description><![CDATA[本文提出一种多模态知识图谱表示学习框架，通过异构特征对齐、并行混合专家网络和动态模态融合实现高效知识表征。模型首先对结构、视觉和文本特征进行维度对齐：结构特征通过嵌入层转换，视觉和文本特征分别采用AvgPool和Adaptive AvgPool降维。随后构建三个并行混合专家网络（MoE），每个网络包含多个专家模块和门控机制，实现多角度特征学习。在融合阶段，设计多子模块模态网络和动态注意力机制，实现细粒度跨模态交互。最后引入互信息估计器评估专家特征间的相关性。该框架有效解决了异构特征融合、多模态动态加权和语义]]></description><category></category></item><item><title><![CDATA[从零手写LSTM：从门控原理到PyTorch源码级实现]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/157773671</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/157773671</guid><author>Network_Engineer</author><pubDate>Thu, 05 Feb 2026 18:48:57 +0800</pubDate><description><![CDATA[本文深入解析LSTM的门控机制与矩阵运算，从基础原理到PyTorch实现。首先阐述LSTM通过输入门、遗忘门和输出门控制信息流动的核心公式，解释细胞状态更新的数学原理。接着详细分析PyTorch中LSTM的参数组织方式，包括权重矩阵拼接存储的逻辑。最后通过手动实现LSTM前向传播，对比官方API验证正确性，揭示深度学习框架底层计算细节。全文以代码实践结合理论推导，帮助读者深入理解序列建模的本质。]]></description><category></category></item><item><title><![CDATA[从零手写RNN&BiRNN：从原理到双向实现]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/157738390</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/157738390</guid><author>Network_Engineer</author><pubDate>Wed, 04 Feb 2026 22:16:09 +0800</pubDate><description><![CDATA[本文通过手动实现RNN前向传播过程，深入解析循环神经网络的计算原理。首先介绍了RNN的核心公式和PyTorch参数含义，然后从零实现单向RNN的前向传播，包括权重矩阵运算、隐藏状态更新等关键步骤，并与PyTorch官方实现进行对比验证。实现过程详细展示了如何通过矩阵运算完成序列数据的时序特征提取，帮助读者理解RNN内部工作机制，而不仅是简单调用API。代码部分包含批次处理、权重扩展和激活函数应用等关键实现细节。]]></description><category></category></item><item><title><![CDATA[从零手写Transformer：基于每一步shape变化拆解与PyTorch实现]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/157700537</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/157700537</guid><author>Network_Engineer</author><pubDate>Tue, 03 Feb 2026 23:31:50 +0800</pubDate><description><![CDATA[本文详细解析了Transformer模型的PyTorch实现，重点剖析了核心组件的工作原理。首先介绍了缩放点积注意力机制，通过Query-Key-Value类比解释了相似度计算、缩放和Softmax归一化过程。接着阐述了多头注意力如何通过分头处理、并行计算来捕获不同子空间特征。然后说明了前馈网络对每个位置进行独立非线性变换的作用，以及层归一化稳定训练的重要性。全文通过张量形状变化和代码实现，直观展示了Transformer内部的数据流动和处理逻辑。]]></description><category></category></item><item><title><![CDATA[双塔异构神经网络：互补特征融合的实战探索]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/157556449</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/157556449</guid><author>Network_Engineer</author><pubDate>Fri, 30 Jan 2026 23:26:54 +0800</pubDate><description><![CDATA[本文的双塔架构通过结构异构性MLP1提供稳定、鲁棒的基准特征（Regularized Backbone）MLP2提供丰富、复杂的高阶特征（Expressive Backbone）Hadamard融合实现选择性注意这种"宽+深"、"正则+原始"的组合策略，在实践中往往比单一路径的模型具有更好的泛化性能，尤其适合特征维度高且模式复杂的二分类任务（如CTR预测、欺诈检测等）。]]></description><category></category></item><item><title><![CDATA[FTP SAMBA Web]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/148984845</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/148984845</guid><author>Network_Engineer</author><pubDate>Sun, 29 Jun 2025 00:37:47 +0800</pubDate><description><![CDATA[摘要：本文对比了FTP、SAMBA和Web三种服务的配置流程。主要步骤包括：1)通过rpm查询软件；2)修改yum源并挂载光盘；3)安装对应软件包；4)进行服务配置（FTP默认匿名下载，SAMBA需创建共享目录并配置smb.conf，Web需创建网页文件）；5)启动服务并关闭防火墙等安全限制；6)通过Windows或浏览器访问测试。关键差异在于：FTP无需复杂配置，SAMBA和Web需关闭SELinux，且各有特定配置文件。三种服务的关键目录分别为/var/ftp/pub/、/test/和/var/www/]]></description><category></category></item><item><title><![CDATA[网络安全技术期末考试]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/148903067</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/148903067</guid><author>Network_Engineer</author><pubDate>Wed, 25 Jun 2025 18:51:25 +0800</pubDate><description><![CDATA[《网络安全技术期末考试摘要》 本文系统梳理了网络安全技术理论框架： 基础概念：涵盖CIA三要素（机密性、完整性、可用性）及不可否认性等扩展属性 密码学核心： 柯克霍夫原则与古典密码体制 单/双钥密码原理，重点掌握RSA密钥生成流程（可能大题） 应用技术： 信息认证（MD5特性、数字签名流程） 网络侦查（Shodan/FOFA等工具使用） 攻击防范（DDoS分类、口令暴力破解实验） 访问控制：自主/强制/基于角色三类模型 考试重点：RSA算法、Hash匹配、端口扫描方法与实操题型。]]></description><category></category></item><item><title><![CDATA[大数据期末考试复习知识点001]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/148834958</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/148834958</guid><author>Network_Engineer</author><pubDate>Mon, 23 Jun 2025 00:33:13 +0800</pubDate><description><![CDATA[本文摘要介绍了Hadoop和HBase的基础操作命令。Hadoop部分涵盖文件系统基本操作(ls/mkdir/rm)、文件上传下载(put/get)、权限管理(chmod)等。HBase部分详细讲解了表创建、数据插入(put)、查询(get/scan)、删除(delete/drop)等操作，以及版本控制和权限管理(grant/revoke)。这些命令适用于大数据环境下的分布式存储和数据库管理，为数据处理提供了基本工具和操作方法。]]></description><category></category></item><item><title><![CDATA[20220706134JavaWeb大作业（学生信息管理系统）实现说明]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/144832772</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/144832772</guid><author>Network_Engineer</author><pubDate>Mon, 30 Dec 2024 19:47:12 +0800</pubDate><description><![CDATA[【代码】20220706134JavaWeb大作业（学生信息管理系统）实现说明。]]></description><category></category></item><item><title><![CDATA[生成模型的新篇章：变分自编码器（VAE）与流模型]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/141964135</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/141964135</guid><author>Network_Engineer</author><pubDate>Thu, 12 Sep 2024 01:00:00 +0800</pubDate><description><![CDATA[变分自编码器（VAE）和流模型作为生成模型中的重要成员，通过学习数据的潜在分布，实现了高质量的数据生成。在数据增强、图像生成、异常检测等任务中，VAE和流模型展现了强大的应用潜力。尽管面临生成质量、计算效率等挑战，未来的研究将进一步优化这些模型，并探索更多实际应用场景，为生成模型的发展带来新的机遇。]]></description><category></category></item><item><title><![CDATA[神经网络（GNN）：深度学习的新前沿]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/141964057</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/141964057</guid><author>Network_Engineer</author><pubDate>Wed, 11 Sep 2024 07:00:00 +0800</pubDate><description><![CDATA[图神经网络是一类专门用于处理图结构数据的神经网络。图数据由节点（Node）和边（Edge）组成，节点代表实体，边表示实体之间的关系。GNN通过学习图中节点及其邻居节点之间的信息传递规则，生成每个节点的高维表示（Embedding）。图的定义节点（Node）：图中的个体元素，如社交网络中的用户、分子结构中的原子。边（Edge）：连接节点的线，表示节点之间的关系或交互，如社交网络中的好友关系、分子结构中的化学键。GNN的核心思想消息传递（Message Passing）]]></description><category></category></item><item><title><![CDATA[强化学习与深度学习的结合：深度强化学习（DRL）高级应用]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/141964087</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/141964087</guid><author>Network_Engineer</author><pubDate>Wed, 11 Sep 2024 06:30:00 +0800</pubDate><description><![CDATA[深度强化学习通过结合强化学习和深度学习的优势，为复杂的决策任务提供了强大的工具。随着算法的不断发展和应用场景的扩展，DRL在机器人控制、自动驾驶、金融交易等领域展现了广阔的前景。然而，数据稀缺、不确定性高、多智能体协作等挑战依然存在。未来的研究将进一步优化DRL算法，探索其在更多真实场景中的应用，为人工智能的决策能力带来新的突破。]]></description><category></category></item><item><title><![CDATA[深度学习中的注意力机制：从Self-Attention到Transformer]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/141964026</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/141964026</guid><author>Network_Engineer</author><pubDate>Tue, 10 Sep 2024 12:00:00 +0800</pubDate><description><![CDATA[注意力机制，特别是自注意力机制，为深度学习的序列建模带来了革命性的变化。通过引入Transformer架构，注意力机制在自然语言处理领域取得了巨大的成功，并逐渐扩展到其他领域，如图像处理和音频处理。随着研究的深入，注意力机制的应用前景将更加广阔，为深度学习的进一步发展提供强大动力。]]></description><category></category></item><item><title><![CDATA[自监督学习：无标签数据的潜力挖掘]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/141963983</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/141963983</guid><author>Network_Engineer</author><pubDate>Tue, 10 Sep 2024 07:15:00 +0800</pubDate><description><![CDATA[自监督学习是一种通过构建特定的预训练任务，从数据本身生成“伪标签”，并用这些伪标签进行监督训练的方法。其核心思想是让模型通过预测数据的一部分来学习数据的潜在结构和特征。动机减少对人工标签的依赖：自监督学习可以利用大量的无标签数据，降低对人工标注的依赖。提升泛化能力：通过在大量无标签数据上的预训练，自监督学习可以帮助模型学习更具普遍性的特征，从而提高在下游任务中的表现。提高效率：自监督学习能够利用未标注的数据，帮助模型在标签数据不足的情况下获得较好的性能。]]></description><category></category></item><item><title><![CDATA[10. 深度学习的未来发展：从边缘计算到AI民主化]]></title><link>https://blog.youkuaiyun.com/Network_Engineer/article/details/141530111</link><guid>https://blog.youkuaiyun.com/Network_Engineer/article/details/141530111</guid><author>Network_Engineer</author><pubDate>Mon, 09 Sep 2024 11:45:00 +0800</pubDate><description><![CDATA[深度学习的未来发展充满机遇与挑战。从边缘计算到AI民主化，再到伦理问题的应对，深度学习将在更多领域中发挥重要作用。随着技术的不断进步，深度学习将进一步推动医疗、环境科学、太空探索等领域的创新，改变我们的生活方式。与此同时，AI公平性和隐私保护等伦理问题也需要引起更多关注，确保深度学习技术能够被负责任地应用，为社会带来更多积极影响。]]></description><category></category></item></channel></rss>