何为证书吊销列表CRL?

http://blog.163.com/liu_sheng_han/blog/static/190591372201202710340212/

证书具有一个指定的寿命,但 CA 可通过称为证书吊销的过程来缩短这一寿命。CA 发布一个证书吊销列表 (CRL),列出被认为不能再使用的证书的序列号。CRL 指定的寿命通常比证书指定的寿命短得多。CA 也可以在 CRL 中加入证书被吊销的理由。它还可以加入被认为这种状态改变所适用的起始日期。

当我们在使用HTTPS(SSL)访问WEB站点时,浏览器会从服务器上下载其证书,并根据证书的“CRL分发点”指定的URL下载CRL(证书吊销列表),检查当前的证书是否在列表内。CRL包含有“下一次的更新”的日期,在该日期到来之前,Windows会直接使用已被缓存起来的CRL,等到下一次的更新日期到来之后才会再次下载CRL。证书可以通过IE浏览器的工具——Internet选项——内容——证书来查看,也可以单击“开始”——“运行”,输入“certmgr.msc“来打开。

何为证书吊销列表CRL? - 18989792 - 刘盛瀚

何为证书吊销列表CRL? - 18989792 - 刘盛瀚

 
    如果CRL不能被正常下载时,我们访问HTTPS站点时,就会提示不能检查服务器证书的吊销信息。如何解决这个问题呢?
方法有两种,手工下载CRL的和屏蔽CRL检查。

一、手工下载CRL
当弹出“该站点安全证书的吊销信息不可用,是否继续? ”的对话框时,点击“查看证书”,切换到“详细信息”TAB页,找到其“CRL分发点”的URL(有些证书也不一定有,可能是这些证书不需要检查CRL吧),复制下来,用迅雷等下载工具或找一台可以正常访问该URL的机器将该文件下载后并复制过来。

何为证书吊销列表CRL? - 18989792 - 刘盛瀚


点击鼠标右键,选择“安装”,按照向导完成安装。此时再重浏览该站点就不会再收到“不能检查服务器证书的吊销信息”了。当然,当超过了“下一次的更新”日期,运气不佳的你可能又需要重做一次。

何为证书吊销列表CRL? - 18989792 - 刘盛瀚

何为证书吊销列表CRL? - 18989792 - 刘盛瀚

何为证书吊销列表CRL? - 18989792 - 刘盛瀚

何为证书吊销列表CRL? - 18989792 - 刘盛瀚

 

二、屏蔽CRL检查(视乎可以一劳永逸,却留有隐患)
打开Internet Explorer浏览器——工具——Internet 选项——高级,依次做如下操作:

何为证书吊销列表CRL? - 18989792 - 刘盛瀚

 
 把其中“检查发行商的证书是否吊销”、“检查服务器证书吊销”的勾选去掉,也可以解决弹出安全证书的吊销信息不可用问题,但是这样证书的权威性和可信度就将低了。


<think>嗯,用户问的是“基于MLP的模型”,我需要先确认MLP的定义。MLP是多层感知机,也就是多层全连接神经网络。那基于MLP的模型应该是指以MLP为核心结构的模型吧。 首先得解释MLP的基本结构,包括输入层、隐藏层和输出层,每层由神经元组成,使用全连接方式。激活函数的部分很重要,比如Sigmoid、ReLU这些,得说明它们的作用。 然后要讲MLP如何工作,前向传播的过程,输入数据经过层层处理,得到输出。反向传播和梯度下降用于训练,优化参数。这部分可能需要简单描述,但用户可能已经了解基础,所以不用太深入。 接下来,需要说明MLP的应用场景,比如分类、回归,还有具体的例子,比如图像识别、自然语言处理中的简单任务。但也要提到它的局限性,比如处理图像时不如CNN高效,序列数据不如RNN或Transformer好。 用户可能想知道为什么现在还用MLP,可能是在某些轻量级任务或者作为复杂模型的一部分组件。比如Transformer中的FFN其实也是MLP,这点可以提到,说明其现代应用。 另外,可能用户想了解MLP的变体或改进,比如加入残差连接、不同的初始化方法,或者结合其他结构,比如Deep Feedforward Networks。这些扩展可以展示MLP的灵活性。 还要注意用户的背景,可能不是特别熟悉深度学习,所以需要避免太多术语,用通俗的语言解释。比如用“堆叠多个层”而不是“层级联结构”,可能更易懂。 需要确认有没有混淆MLP和其他模型,比如CNN或RNN,强调MLP是全连接的特点。同时,举例子的时候,比如推荐系统或简单模式识别,让用户有更直观的理解。 总结的时候,应该强调MLP的基础地位,虽然简单但重要,是很多复杂模型的基础组件。这样用户能明白学习MLP的价值,即使现在有更高级的模型,MLP依然有用武之地。</think>基于MLP(Multi-Layer Perceptron,**多层感知机**)的模型是一种经典的神经网络模型,也是深度学习中最基础的结构之一。它通过堆叠多个全连接层(Fully Connected Layers),结合非线性激活函数,实现对复杂数据的建模能力。以下是其核心概念和特点: --- ### **1. MLP的基本结构** - **输入层**:接收原始数据(如图像像素、文本特征等)。 - **隐藏层**:介于输入层和输出层之间的多层神经元,每层通过权重矩阵和激活函数对输入进行非线性变换。 - **输出层**:生成最终预测结果(如分类概率、回归值等)。 **示例结构**: 输入层 → 隐藏层1(激活函数) → 隐藏层2(激活函数) → 输出层 --- ### **2. 核心特点** - **全连接**:每一层的神经元与下一层的所有神经元相连,参数规模较大。 - **非线性激活函数**:如ReLU、Sigmoid、Tanh等,赋予模型非线性表达能力。 - **前向传播**:数据从输入层逐层传递到输出层,通过矩阵乘法和激活函数计算输出。 - **反向传播**:通过损失函数计算误差,利用梯度下降优化权重参数。 --- ### **3. 应用场景** - **分类任务**:如图像分类、文本分类。 - **回归任务**:如房价预测、销量预测。 - **简单模式识别**:处理结构化数据或低维非结构化数据。 --- ### **4. 优势和局限性** - **优势**: - 结构简单,易于实现和训练。 - 可作为复杂模型的基础组件(例如Transformer中的FFN层)。 - **局限性**: - 参数量大,容易过拟合。 - 对高维数据(如图像、序列)的局部特征或时序关系建模能力较弱(需配合CNN、RNN等结构)。 --- ### **5. MLP的现代扩展** - **深度MLP**:增加隐藏层数和神经元数量,提升表达能力(如早期的深度前馈网络)。 - **结合残差连接**:通过跳跃连接缓解梯度消失问题(类似ResNet思想)。 - **自注意力增强**:与注意力机制结合,提升对全局信息的捕捉能力。 --- ### **6. 实际案例** - **推荐系统**:用MLP学习用户和物品的交互特征。 - **简单图像分类**:如MNIST手写数字识别(需将图像展平为向量)。 - **Transformer中的FFN**:Transformer模型中的前馈网络本质是两层MLP。 --- ### **总结** MLP是深度学习的基石,尽管在处理复杂任务时可能被CNN、Transformer等结构替代,但其全连接思想和非线性变换能力仍是现代模型的重要组成部分。理解MLP是学习更复杂神经网络模型的基础。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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