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
1.1k累计阅读
1.1k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
开发云 V1.32本次上线，主要功能为：
DDoS IP高防的监控图表分为三类，DDoS攻击防护、业务流量、连接数。默认展示近7天的图表，最大可查看30天内的报表情况。
网站类转发配置新增防护规则，可以配置黑/白名单管理。
黑白名单允许您对常见的HTTP字段（如IP、URI、Headers、Cookie）进行条件组合，用来筛选访问请求，并对命中条件的请求设置放行、阻断等匹配动作。
您可以点击白名单、黑名单进行切换。开启总开关，则所有规则将全部生效；如关闭总开关，则所有规则将不生效。
单击 添加按钮 ，添加黑/白名单规则，设置规则的匹配条件和相应的匹配动作。黑/白名单分别可以配置10条。匹配规则包括：URI、IP、Cookie、Geo、headers。（下图为白名单添加规则内容）
本针对云容器，优化了镜像说明功能，以及其他用户反馈的相关问题。
本周程序猿小哥哥正在努力开发新资源GPU，致力于满足用户的云资源需求，敬请期待！
了解云服务可以点击下方链接：
光猫改桥接后，一根网线搞定IPTV和上网的保姆级教程（附VLAN配置避坑点）
本文详细介绍了光猫改桥接后如何通过单线复用技术实现IPTV和上网功能共存。从VLAN配置原理到具体操作步骤，包括光猫超级管理员权限获取、VLAN绑定设置及路由器IPTV功能配置，提供了全面的保姆级教程。特别针对常见问题如IPTV信号丢失、网速下降等给出了实用解决方案，帮助用户轻松避坑。
云防护是什么？为何使用云防护？
云计算如约而至，智能与计算的步伐越来越快。在云计算、大数据以及人工智能加持下，世界已经不再单一而是多种科技的混合体。科技的到来改变世界的同时也带来了威胁。 随着社会智能化与科技化程度加深的趋势，互联网上的网络安全受到越来越大的威胁，黑客攻击等行为越来越频繁，服务器或者网站等受攻击后出现瘫痪或者无法访问的现象也随之而来，安全问题逐渐成为用户上网考虑的首要问题。 云防护 随着技术的不断进步，各种各样技术先进的黑客总在不断诞生，攻击行为发生的频率也越来越快。为了应对这种攻击，除了不断提高用户的安全意识，
ESP32-S3驱动PCA9685模块：I2C扩展16路舵机控制实战指南
本文提供了ESP32-S3通过I2C总线驱动PCA9685模块扩展16路PWM输出的完整实战指南。详细解析了PCA9685模块原理、硬件连接、I2C地址配置，并给出了核心驱动代码与角度控制函数，帮助开发者解决微控制器PWM引脚不足的问题，轻松实现多路舵机控制。
云等保合规深度解读|云租户须知道的8条安全防护tips
在《网络安全法》出台后，等级保护制度上升到法律层面。在此背景下孕育出来等保2.0标准体系也进行了大的升级，在原等级保护核心标准（基本要求、测评要求、设计要求）的基础上，进行重新修订，整个标准体系制定为一个矩阵，针对每一个特定的安全领域，做出相应的扩展要求，比如云计算领域，制定云计算扩展要求。 虽然云等保不是新鲜事物，然而还是用户一知半解，实际上，云等保是在原等保框架下新增了扩展要求。对比传统等保而言，云等保在定级、备案、建设整改、测评、监督检查等环节上的工作都必不可少。云等保总体分为两个部分，技术要求及管理
BUCK降压电路设计实战：从理论到PCB的完整指南
本文详细介绍了BUCK降压电路的设计实战，从基础原理到PCB布局的完整指南。通过关键部件选型、PCB布局黄金法则和调试技巧，帮助工程师高效设计稳定可靠的开关电源。特别针对电感、MOSFET和电容选型提供实用公式和避坑指南，并分享高温环境下的工程经验与测试方法。
YOLOv8 道路病害检测全栈工程｜22 类路面裂缝坑洞 VOC&YOLO 数据集、PyQt 精美 GUI、ONNX 量化、全套训练评估曲线落地
城市道路、国省道、高速公路路面长期受车辆碾压、雨水侵蚀，衍生纵向 / 横向裂纹、坑洼、车辙、接缝剥落等二十余种路面病害。传统人工道路巡检存在致命行业痛点：人工徒步 / 乘车目视巡检效率极低，单日有效巡查里程不足 20 公里；毫米级细微线性裂纹肉眼极易漏检，雨水冲刷后微小病害快速扩张为大坑槽，养护成本翻倍；强光暴晒、阴雨积水、路面油污场景人工分辨难度大；海量巡检图片人工分类统计病害台账耗时数天，养护决策缺乏量化数据支撑。传统阈值、边缘检测图像处理仅能识别大面积坑洞，无法区分二十余种细分裂纹类型，泛化能力极差。
云服务下的安全特点及防护
2019独角兽企业重金招聘Python工程师标准>>> ...
手把手教你学pcie--性能调优 - 中断机制优化
在PCIe系统开发中，中断机制是主机与设备之间通信的重要组成部分。然而，不当的中断设计可能导致CPU负载过高、延迟增加等问题。本文将详细介绍如何优化PCIe系统的中断机制，提升系统性能和响应速度。传统中断（INTx）：通过专用引脚发送中断信号，可能引发冲突且效率较低。消息中断（MSI）：通过内存写操作发送中断消息，避免冲突并提高效率。扩展消息中断（MSI-X）：基于MSI改进，支持更多独立中断向量，适用于复杂场景。选择合适的中断模式对系统性能至关重要。
第6 章 ： 云上安全防护
第6 章 ： 云上安全防护云安全中心之初体验实验概述实验目标实验手册1 申请黑客服务器2 搭建黑客服务器3 安骑士配置白名单4 安骑士异地登录报警云监控初体验实验概述实验目标实验手册1 监控阿里云云服务2 创建ECS监控报警规则3 使用云监控对站点进行监控4 清理云监控阿里云高校学生计划 云安全中心之初体验 实验概述 本实验将介绍并使用安骑士的基本功能“木马查杀”，“补丁管理”，“安全管理”和“安全运维”。云中沙箱平台会自动创建一台已部署Phpwind站点的ECS云服务器实例。首先，模拟“暴力破解”ECS
智元机器人开源具身仿真框架 Genie Sim 入门教程
GenieSim是AgiBot推出的具身智能仿真框架，提供完整闭环开发管道，包括轨迹生成、模型训练和基准测试。框架支持Docker容器化部署，要求Ubuntu 22.04和NVIDIA硬件环境。主要功能涵盖： 支持12种基准测试任务 提供ADER评估框架 集成UniVLA/RDT等基线模型 支持PICO/键盘遥操作 具备轨迹记录回放功能 提供完整API控制接口 开发者可通过Hugging Face获取场景资产，使用标准化ROS主题与仿真环境交互。框架特别优化了碰撞检测和抓取物理模拟，适用于从简单抓取到复杂操
vectorCast——Probe point 功能实现故障注入，局部变量打印，断点调试。
选择一个测试用例，选择coverage窗口进行查看。点击edit probe point，如图所示绿色的小圆圈。 选代码中选择需要打断点的地方进行点击。黑色的小圆点都可以选。 点击黑色小圆点，小圆点变绿，表示打断点成功。 此时就可以根据自己的需求在打断点的位置编写一些C语言的命令语句。 点击编译，成功会弹出窗口显示编译成功，失败会在下方报错error，并显示错误的原因。 点击应用保存，选择yes to all就可以了。 点击用例执行就可以看到打断点情况下的执行结果了。
使用地理防护（Geofencing）的正确和错误的方式
作为知道我们的应用程序的营销人员，我们能够理解用户期望的是个性化的体验。现在推出定位功能？官方的说法是：个性化到来，通用的已过时——这才是出路。广泛的、通用的消息感觉就像一个机器人生产出来一整天就不会削减它了。用户想要与他们自身相关的经历。 与信号灯和地理定位一起，地理围栏（geofence...
Authentication Assertion Tickets，SAP 系统到系统单点登录里的短命凭证
SAP 系统间的身份传递机制存在 Authentication Assertion Ticket 和 SAP Logon Ticket 两种易混淆的凭证。前者用于系统间短时身份委托（有效期2分钟，通过HTTP头传输），后者用于浏览器SSO（可配置有效期，通过Cookie传输）。Assertion Ticket依赖签发系统的数字签名和严格的时间同步，适用于ABAP/Java系统间的后台作业调用。现代SAP架构已转向OAuth 2.0等标准协议，但老系统中仍需注意两种票据的关键差异：传输方式、有效期、接收方限制
防止云平台出现安全隐患，主要有哪些技巧？
我国云计算产业进入了快速成长阶段，众多企业开始把他们的IT基础设施部署从内部转移到外部，一些面向移动、动态获取、多终端应用等新的云应用程序开始推向市场。云计算对于用户端的设备要求最低，使用起来也最方便，可以轻松实现不同设备间的数据与应用共享，为我们使用网络提供了几乎无限多的可能。但对于企业级应用来说，云安全仍然是最头痛的事情。云计算平台如果出现了安全问题，对于企业来说是非常致命的。以下五个技巧，可...
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
如何解决您的虚拟主机中有文件触发了安全防护报警规则，可能存在webshell网页木马...
早上刚上班就有新客户咨询我们Sinesafe安全公司反映说收到一条阿里云的短信过来，内容为：网站木马文件提醒018-06-20 09:20:49尊敬的***网：您的虚拟主机中有文件触发了安全防护报警规则，可能存在webshell网页木马，您可以登录虚拟主机控制台-对应主机的"管理"文件管理-网站木马查杀功能确认是否为恶意文件，相关帮助文档请参考网站木马查...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
换 DDoS 防护服务商麻烦吗？业务不停机迁移要怎么做？
换DDoS防护服务商并不麻烦，关键在于源站是否暴露。若源站IP未外露，仅需切换域名解析即可实现不停机迁移；若曾暴露，则需先更换源站IP再迁移。建议按“资产盘点—并行接入—演练压测—灰度切流—指标验收—收敛旧线”六步走，全程新旧防护并行，确保业务无感。迁移期间最怕空窗期被攻击，应避免“先退旧、再接新”，并做好灰度验证与应急演练。迁移后仍需定期复查暴露面，保障长期安全。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
网站被 DDoS 攻击了怎么办：1 小时内的应急操作清单
DDoS 攻击发生时，最忌讳的是慌乱中乱改配置。本文按“0-5 分钟确认、5-15 分钟止血、15-40 分钟加固、40-60 分钟复盘准备”的时间轴，给出一份可直接照着执行的 1 小时应急操作清单，帮助你在最短时间内恢复服务并保留证据。
从攻击原理、演练架构到抗 DDoS 产品选型
DDoS 是攻击世界里性价比最高的一种打法：几百块钱的僵尸网络，就可能让一家企业价值数千万的业务停摆几小时。更麻烦的是，多数企业直到真正被打的那一刻，才知道自己的防护行不行——买的 300G 清洗真能扛住 300G 吗？策略会不会把正常用户一起挡在门外？从发现到清洗生效，究竟要多久？这些问题没法靠产品彩页回答，只能靠一次受控的DDoS 攻击模拟演练验证出来。今天我们就来了解清楚演练的原理与架构、怎么设计一次不伤业务的压测，以及如何把结果落到德迅云安全抗 DDoS 产品的选型上。
DDoS 与 CC 攻击区别：别再混淆四层与七层攻防
DDoS 与 CC 攻击不是并列关系，而是“大类与子集”的关系；真正的分水岭在于攻击发生在四层还是七层。四层攻击拼带宽和连接资源，靠流量清洗解决；七层攻击拼业务处理能力，靠识别、限流和架构韧性解决。排查时先看带宽与 PPS，再看 QPS 与 URL 分布，最后结合后端指标和日志样本，才能快速判断攻击类型并选对防护手段。
从阿里云高防切换到第三方 DDoS 防护：不停机迁移实操步骤
忘记调低 TTL：导致切换和回切都很慢，是最常见的失误。证书未同步：新防护未上传证书，切换后出现 HTTPS 报错。真实 IP 丢失：源站风控把防护节点 IP 当成用户 IP，造成误封。策略未复刻：只切了解析没配 CC 规则，切换后立刻被打穿。过早释放旧高防：出问题时无兜底入口，只能被动等待。把迁移当成一次“带灰度、带回滚的线上变更”来管理，而不是一次简单的配置替换，基本就能做到业务无感知。
DNS 不是把域名翻译成 IP：递归解析、TTL 缓存、CNAME 与报文排错实战
本文通过离线Python实验，拆解DNS递归解析、缓存机制与报文结构，揭示“DNS不是全局映射表”的本质。重点解析递归器角色、TTL衰减、CNAME链处理、负缓存隔离及修改记录延迟生效等核心问题，结合实战排错案例，阐明缓存层级、事务匹配、截断处理与安全边界，强调从应用到权威的逐层排查逻辑，实现可复现、可验证的DNS教学系统。
深入剖析 TCP/IP 网络通信原理与内核实现
本文系统讲解TCP/IP协议核心机制
【Linux网络】TCP 服务器并发处理多客户端：从 fork 分发到双重 fork 彻底消灭僵尸进程
拆解 TCP 服务器并发演进链：fork 分发连接、SIGCHLD 循环回收僵尸、双重 fork 交孙进程给 init 收养，并给出模型选型与线上排错对照。
Xilinx Divider Generator IP 实战：64位有符号除法、Fractional 输出解析与定点数转换
本文结合 Vivado Divider Generator v5.1 的实际配置与 RTL 工程，介绍 Radix-2 有符号 64 位除法、Fractional 输出格式、AXI4-Stream 时序及 132 拍延迟，并重点推导 Q1.63 有符号小数转换为统一定点数时，为何需要执行 Quotient - Fractional[63]，最后分析定点数精度转换和工程注意事项。
【Linux网络】TCP 服务器如何并发处理多个客户端？从 fork、僵尸进程到双重 fork
本文详解多进程TCP服务器的实现原理，从单进程并发瓶颈出发，通过fork分离连接接收与服务职责。重点解析文件描述符继承机制、僵尸进程问题及双重fork解决方案，最终构建高效、稳定的多进程服务器模型，并说明服务器重启时可能因端口未释放导致绑定失败的原因。
告别 4-20mA 布线难题：配电柜 RJ45 温湿度传感器 Modbus TCP 监控实战
本文针对配电柜温湿度监控痛点，提出以RJ45以太网传感器+ModbusTCP协议替代传统4-20mA模拟方案的实战改造方案。通过复用弱电布线、PoE供电、分组轮询与本地自治设计，实现多点采集、抗干扰强、扩容灵活、数据可追溯。系统支持露点预警、除湿联动、故障诊断，具备断网不离控能力，适用于变电站、数据中心等强电磁环境，显著提升配电室智能化运维水平。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1751
扫一扫
