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
266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
我们都知道，传输用户密码的明文到后台是非常危险的。更有甚者还把这些密码存储在数据库里。另一部分开发者采用md5进行不可逆的转化，然后传输和存储密码的md5值。看似很保险，但是实际上只要又一个常见密码和md5值的索引表就可以轻而易举的进行破解。2011年，优快云 600W用户名密码泄漏，就是被这么破解的。最合理的方式是对密码进行加盐。盐是一个固定长度添加密码到固定未知的字符串，为每一个用户绑定了唯一的盐值。密码和盐值一起进行MD5运算，可以大大增加黑客破解密码的成本。（黑客即使能获取每个用户的盐值，也必须把自己手中的索引表按照该盐值都重新计算一遍）
https://blog.youkuaiyun.com/zp1996323/article/details/54782858
从零开始掌握机械臂运动控制：原理、建模与实践
本文系统介绍了机械臂运动控制的核心原理与实践方法。从运动学与动力学建模的基础理论出发，详细解析了经典PID控制与现代MPC（模型预测控制）算法的应用，并通过ROS与MATLAB仿真案例，指导读者从零开始实现机械臂的轨迹规划与精准控制，为工业自动化应用提供完整的技术路径。
安全编程详解
翻译：By xundi@xfocus.org --> 此原文是来自www.securityfocus.com中的Secure Programming v1.0,本人建议能读原文读原文，如果你英语实在不过关，就读此文吧，并且感谢你能花不少时间来看这篇我敲了很长时间的文章。----------------------------------------------------------------
5G物理层基础知识
1、关于RB和RE (1) RB（Resource Block,资源块）频率上连续12个子载波，时域上一个slot(时隙,14个ofdm符号) (2) RE（Resource Element,资源单元）频率上一个子载波，及时域上一个ofdm符号 注意：协议规定，5G每个时隙（非扩展CP）的符号数为14个(扩展CP情况下每个时隙有12个符号)，而LTE（非扩展CP）每个时隙的符号数为7个。 简单说：一个12X14的方格，大的整个叫一个RB，每一个小块叫一个RE。另外，一个RE可存放一个调制符号（mo.
安全编程: 开发安全的程序
安全编程: 开发安全的程序正确的理念是成功的一半 级别: 初级David A. Wheeler, 专职研究员, Institute for Defense Analyses2003 年 7 月 10 日本专栏说明了如何编写安全的应用程序；重点讨论的是 Linux
智能小车避障功能的实现（cpp,ubuntu）
智能小车避障功能的实现（cpp,ubuntu）
国社科“选题设计论证”部分不再难！用AI快速梳理五大核心板块，轻松撰写出高质量的基金申报书（附AI提示词）
七哥给大家推荐的高校都在用的AI平台——高级学术版专业应用平台，集成了ChatGPT、Claude、Gemini、Grok等Al大模型的PLUS版本平台，包括 ChatGPT-5、4o、o3、4.1、4.5、Gemini 2.5 Pro、Claude 3.7、Claude 4、DeepSeek 满血版、Grok 3 、Grok 4等原生线路，还有国际主流的GPTs学术应用，可以辅助大家高效完成科研和学术写作任务，当然撰写硕博论文，课题、职称论文、国社科、国自然基金本子也是手拿把掐。
安全编程
留言版安全： 留言版普遍特性： 支持匿名提交留言 无论用户是否登陆，允许用户提交留言是输入用户名 允许用户创建账号，一旦创建账号用户可以修改查看历史留言 允许用户提交留言是上传小图片 允许管理员查看并删除用户账号以及留言内容 输入格式不正确是提示用户重新输入 可能会出现的漏洞： 面对用户出现的某些情况：输入错误、厌倦情绪、能够更胜于你的挑战、出于好奇、恶意企图…… 空白输入的处理 控...
R语言单因素被试内ANOVA检验
在R语言中，我们可以使用多种方法进行被试内ANOVA检验，其中包括使用内建函数或使用外部包。我们随机选择了10个被试，并对每个被试使用了三种不同的药物处理。通过上述代码示例，我们可以使用R语言进行单因素被试内ANOVA检验。假设我们的数据存储在一个名为"data"的数据框中，其中包含两个列：一个列是被试的编号，另一个列是生物指标的测量值。在上述代码中，我们创建了一个名为"data"的数据框，其中"Subject"列包含了被试的编号，"Measurement"列包含了生物指标的测量值。参数指定了数据来源。
安全编程（一）
1.Java虚拟机 首先，我们要先了解一下什么叫做虚拟机？所谓的虚拟机，就是一种抽象化的计算机，通过在实际的计算机上模拟仿真各种计算机功能实现的。通俗来说就是安装在你计算机（1）上面的“计算机（2）”，你可以用这台“计算机（2）”做一些你不敢在自己计算机（1）上面做的事。比如说玩玩木马中毒之类的。那Java虚拟机呢？Java虚拟机是一个可以执行Java字节码的虚拟机进程，我把它理...
万字长文解密：SAP Fiori 首屏加载缓慢背后的真相
什么是一个健康理想的 Fiori 首次加载状态？FLP 首页不臃肿,用户默认看见的内容不多但足够用缓存作业按规则运行，冷启动不至于每次都从零开始应用首屏只读必要数据，UI5 资源经过 preload,视图异步加载OData 服务字段克制、分页合理、缓存分层清楚后台 CDS 与 HANA 只为当前屏幕做最必要的工作。只要这些标准同时满足，用户第一次打开 Fiori 页面的体感通常会从明显卡顿变成可接受甚至顺滑。
基于 Spring Cloud 环境污染物数据分析与预测平台
基于 Spring Cloud 环境污染物数据分析与预测平台
Web安全编程
安全编程能够体现一个程序员是否合格，什么是安全编程，就是在开发阶段避免系统漏洞，根据乌云漏洞平台的统计，2014排行前10的安全问题如下： 最容易由程序员的编程疏忽产生的漏洞是SQL注入和XSS，SQL注入的危害严重的情况是泄漏整个数据库的信息，后果不堪设想，XSS的后果严重的情况使用户信息泄漏。
69页完整版智慧港口综合解决方案
智慧港口需求4港机远程操控等自动化改造需求自动化码头AGV无线通信及专用视频系统需求安全生产视频监控类需求港机RCMS及设备管理需求岸边智能理货码头三维全景应用智慧港口解决方案5自动化码头AGV/跨运车/无人集卡无线接入港机远控视觉及冗余无线通信视觉集卡防吊起系统集装箱码头岸边智能理货港机RCMS系统无线接入港机智能化管理（无线高清视频监控、一键报警、远程抄表系统）港口拖轮无线接入岸边溢油监测系统TD-LTE覆盖及业务终端接入港口生产管理系统港口可视化集群调度港口GiNMS综合网络设备智能管理全球作业效率最
IOS安全编程之Keychain基本概念
有时候我们的程序可能会在iphone上存储一些敏感或认证信息，比如登录密码，网站认证书，用于信息加解密的私钥等。有些信息不能以明文来存储，最好是我们能把这些信息加密起来，然后存到一个安全的地方。 那么我们把他们放在那里呢？IOS系统为我们提供了一个保险柜——Keychain即钥匙串。Keychain提供了一种机制，让我们可以将这些敏感数据存放到Keychain中。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
WCF安全编程--基本概念
WCF安全机制是个非常复杂的问题，因为涉及的知识点较多，所以今天这个文章，会分析进行WCF安全开发应该了解的哪些知识点。如何查看资料。为了更好地理解WCF安全相关知识，我把WCF安全机制主要知识点整理为图表。本章以介绍WCF安全机制的基础概念为主。 要学习WCF安全编程，你应该学习什么首先掌握什么基础知识？很多时候会因为缺乏系统的安全概念，在进行WCF安全编程开发的时候，遇到很多问题，...
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")
WCF安全编程--基本概念（转）
WCF安全机制是个非常复杂的问题，因为涉及的知识点较多，所以今天这个文章，会分析进行WCF安全开发应该了解的哪些知识点。如何查看资料。为了更好地理解WCF安全相关知识，我把WCF安全机制主要知识点整理为图表。本章以介绍WCF安全机制的基础概念为主。 要学习WCF安全编程，你应该学习什么首先掌握什么基础知识？很多时候会因为缺乏系统的安全概念，在进行WCF安全编程开发的时候，遇到很多问题，比如所...
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
Java多线程编程，Java多线程编程的基本概念、线程安全的处理方式、并发编程模式等方面的知识，结合具体的代码示例讲解
在本文中，我们将介绍Java多线程编程的基本概念、线程安全的处理方式以及并发编程模式等方面的知识，并结合具体的代码示例来讲解。关键字只能保证变量的可见性和有序性，并不能保证原子性，因此对于一些需要原子性操作的场景，如累加操作，需要使用其他的线程安全方式来实现。其他线程可以立即看到这个变量的最新值，并且所有线程看到的这个变量的值的顺序是一致的。变量，这保证了任何线程在修改计数器的值后，其他线程都可以立即看到这个值的最新值。关键字只能保证单个变量的线程安全，对于多个变量的操作需要使用其他线程安全的方式，如。
java并发编程（二十二）-并发安全的基本概念
类的线程安全定义 如果多线程下使用这个类，不过多线程如何使用和调度这个类，这个类总是表示出正确的行为，这个类就是线程安全的。 类的线程安全表现为： 操作的原子性 内存的可见性 不做正确的同步，在多个线程之间共享状态的时候，就会出现线程不安全。 怎么才能做到类的线程安全？ 栈封闭 所有的变量都是在方法内部声明的，这些变量都处于栈封闭状态。 无状态 没有任何成员变量的类，就叫无状...
网络安全从零开始学习CTF——CTF基本概念_ctf竞赛编程环境是什么
一般大型比赛大都是i春秋承办的，以小组的形式比赛，分预选赛和总决赛。
WCF分布式开发步步为赢(14):WCF安全编程--基本概念
Posted on 2009-08-04 20:48 Frank Xu Lei 阅读(1723) 评论(11) 编辑 收藏 网摘 所属分类: WCF分布式开发步步为赢, SOA and EAI <!--<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"xmlns:dc="ht
面试-计算机编程基本概念
简述： 主要记录一些计算机编程需要的基本概念，为了更好地理解编程中用到的其他概念。 比如要理解hashmap数据结构，就要对数据，链表，取模，位运算有基本的了解 内容： 1：取模，取余 1.1取模和取余类似，当取模的两个值得富豪相同时，取模和取余得到的值一样；否则相反 1.2取模的意义何在呢？ 2.数组 ...
多线程编程入门及基本概念， 线程安全与锁，原子操作及call_once
#include<iostream> #include<string> #include<thread> #include<unistd.h>//for getpid #include<pthread>//for pthread_self using namespace std;//实战中不要用namespace std？？why using std::cout; using std::endl; using std::string; using
XL5301 TOF传感器：工业级远距低功耗宽压测距方案
TOF（飞行时间）传感器是实现非接触式高精度距离测量的核心器件，其性能由SPAD灵敏度、脉冲调制策略与光学设计共同决定。在工业自动化、AGV避障和电池供电IoT等场景中，传统方案常受限于测距不足、功耗过高及电压适应性差等问题。XL5301通过96×96 SPAD阵列、双脉冲调制与片上高压LDO等架构级创新，在保持小尺寸封装前提下，实现2.5米可靠测距、＜80mW典型功耗及9–24V宽压输入能力，显著提升系统鲁棒性与BOM经济性。本文围绕XL5301的工程落地展开，覆盖硬件连接、寄存器配置、现场校准与典型故障
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
564
扫一扫
