24、应用程序安全保障全流程指南

应用程序安全保障全流程指南

1. 安装OpenSSL

在保障应用程序安全的过程中,第一步是在你的机器上安装OpenSSL。OpenSSL是一个开源的加密工具,用于生成私钥和证书签名请求(CSR)。你可以通过在命令行输入 openssl 来检查机器是否已经安装了它。如果打开了OpenSSL提示符而没有抛出错误,那么你就可以开始下一步了。
- 若未安装OpenSSL,Mac/Linux用户可从 www.openssl.org/source 下载;Windows用户可从 www.openssl.org/related/binaries.html 下载二进制文件。
- 若安装遇到问题,可参考 http://wiki.openssl.org/index.php/Compilation_and_Installation 。

下面是安装和检查OpenSSL的流程:

graph LR
    A[开始] --> B{检查OpenSSL是否安装}
    B -- 已安装 --> C[可开始后续操作]
    B -- 未安装 --> D{选择系统}
    D -- Mac/Linux --> E[从www.openssl.org/source下载]
    D -- Windows --> F[从www.openssl.org/related/binaries.html下载]
    E --> G{安装是否成功}
    F --> G
    G -- 是 --> C
    G -- 否 --> H[参考http://wiki.openssl.org/index.php/Compilation_and_Installation解决]
    H --> G
2. 创建密钥和CSR

安装完成后,你需要生成一个私钥和相应的证书签名请求(CSR)。在命令行界面输入以下命令:

openssl req -new -newkey rsa:2048 -nodes -keyout photoalbums.key -out photoalbums.csr

你可以使用与要获取证书的域名相关的文件名,而不是 photoalbums.key 和 photoalbums.csr 。在CLI中,你会被提示填写一些问题,具体如下:
| 字段 | 说明 | 填写建议 |
| ---- | ---- | ---- |
| Country Name (2 letter code) [AU] | 国家代码 | 输入你的国家代码 |
| State or Province Name (full name) [Some-State] | 州或省的全名 | 输入你的州或省的全名 |
| Locality Name (e.g., city) [] | 所在地区(如城市) | 输入你的城市名称 |
| Organization Name (e.g., company) [Internet Widgits Pty Ltd] | 组织名称(如公司) | 输入你的组织名称 |
| Organizational Unit Name (e.g., section) [] | 组织单位名称(如部门) | 可根据实际情况填写 |
| Common Name (e.g., server FQDN or YOUR name) [] | 通用名称 | 输入不带 www 的域名 |
| Email Address [] | 电子邮件地址 | 输入你的电子邮件地址 |

填写完这些必填字段后,会提示你输入可选字段,直接按回车键跳过即可。完成后,你应该在当前工作目录中得到一个 .key 和 .csr 文件。

3. 请求证书

接下来,你需要将密钥和证书签名请求提交给证书颁发机构(CA)。选择哪个CA提供商完全取决于你,你可以参考 www.dmoz.org/Computers/Security/Public_Key_Infrastructure/PKIX/Tools_and_Services/Third_Party_Certificate_Authorities/ 中的部分列表。
- 通常使用销售由CA签名的证书的供应商会更方便。根据你注册域名的公司,它可能也提供证书服务。例如,NameCheap是一个信誉良好的供应商,你可以通过他们获得Comodo签名的证书,大约每年9美元,整个过程大约需要十分钟。如果你只是想获得一个用于开发的有效证书,这可能是最简单的途径。
- 在SSL证书供应商处,首先选择一个证书套餐/价格。付款后,开始请求证书和验证域名的过程。你会被要求提供CSR,你需要在纯文本编辑器中打开 .csr 文件,其内容如下:

-----BEGIN CERTIFICATE REQUEST-----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-----END CERTIFICATE REQUEST-----

选择文件的全部内容并复制粘贴到提示的字段中。你可能还会被要求选择Web服务器类型,如果有选项,选择 Apache+OpenSSL 。如果证书有效,域名将从你生成CSR时输入的通用名称中自动提取。CA随后会尝试验证域名,可能会向注册为域名管理员的电子邮件地址发送带有验证码的电子邮件,你可以通过在命令行输入 whois yourdomain.com 并在响应中找到 Admin Email 来获取该地址。也可以选择为请求证书的域名的电子邮件地址。通常会通过电子邮件进行验证。
当你的证书请求获得批准后,你将从CA收到几个扩展名为 .crt 的文件,其中一个是根CA证书,另一个是你的SSL证书(如 yourdomain_com.crt ),此外还有一个或多个中间CA证书。

4. 转换证书格式

在将这些证书与AWS服务一起使用之前,需要解决兼容性问题,因为AWS只接受X.509 PEM格式的证书。可以使用OpenSSL将证书转换为PEM格式。
- 转换私钥:在CLI中执行以下命令并按回车键:

openssl rsa -in photoalbums.key -text > aws-private.pem

这是在你的机器上生成的私钥,将上传到AWS。
- 转换公钥:输入以下命令,将 yourdomain_com 替换为你的证书的实际文件名:

openssl x509 -inform PEM -in yourdomain_com.crt > aws-public.pem
  • 创建证书链:证书链是通过按顺序拼接中间证书颁发机构的证书来生成的,反映了从我们的域名通过中间CA到根CA的信任链。收到证书时,应该会有一个有序列表,例如:
    • Root CA Certificate: AddTrustExternalCARoot.crt
    • Intermediate CA Certificate: CANameAddTrustCA.crt
    • Intermediate CA Certificate: CANameDomainValidationSecureServerCA.crt
    • Your PositiveSSL Certificate: yourdomain_com.crt
      在创建证书链时,需要注意中间CA证书的顺序并反转它们。在命令行输入以下命令:
(openssl x509 -inform PEM -in CANameDomainValidationSecureServerCA.crt; openssl x509 -inform PEM -in CANameAddTrustCA.crt) >> aws-certchain.pem

这样就将两个中间CA证书合并到一个名为 aws-certchain.pem 的 .pem 文件中。

5. 配置AWS命令行界面(CLI)

由于IAM仪表板中没有SSL视图,需要使用AWS命令行界面将证书上传到AWS。首先要在你的机器上安装和配置AWS CLI工具,安装说明可参考 http://docs.aws.amazon.com/cli/latest/userguide/installing.html 。
- 配置权限 :可以使用 photoadmin IAM用户并生成一个访问密钥用于命令行界面。具体步骤如下:
1. 导航到AWS控制台的IAM,从左侧导航栏选择 Users 。
2. 选择 photoadmin 用户,在用户详细信息视图中点击 Attach Policy 。
3. 选择托管策略,滚动或在 Policy Type 过滤字段中输入 iam 进行过滤,找到 IAMFullAccess 并勾选复选框。
4. 点击 Attach Policy 附加策略并返回用户详细信息视图。此时用户在用户级别和组级别都有策略。
5. 点击 Show Policy 可以查看策略声明,如下所示:

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Action": "iam:*",
            "Resource": "*"
        }
    ]
}
6. 在 `Security Credentials` 标题下,点击 `Manage Access Keys`,在弹出的模态窗口中点击 `Create Access Key`,然后点击 `Download Credentials` 保存本地副本。
  • 配置CLI使用凭证 :在命令行输入 aws configure ,按提示操作:
    • 粘贴刚刚保存的凭证中的访问密钥并按回车键。
    • 输入你的秘密访问密钥。
    • 输入默认的AWS区域 us-east-1 并按回车键。
    • 留空默认输出格式并按回车键。
6. 上传SSL证书

完成上述所有配置后,执行以下命令上传证书并使其在CloudFront中可用:

aws iam upload-server-certificate --certificate-body file://aws-public.pem --private-key file://aws-private.pem --certificate-chain file://aws-certchain.pem --server-certificate-name yourdomain_com --path /cloudfront/www.yourdomain.com/

需要注意的是, --path 参数应设置为 /cloudfront/www.yourdomain.com/ (使用你的域名并包含末尾的斜杠), --server-certificate-name 值应为你的域名。 file:// 路径是相对的,如果需要使用绝对路径,使用 file:/// 。按下回车键后,可能会得到一个错误或类似以下的JSON响应:

{
    "ServerCertificateMetadata": {
        "ServerCertificateId": "ASCAJLNQBYPFYEYN5BQNU",
        "ServerCertificateName": "yourdomain_com",
        "Expiration": "2016-01-05T00:03:54Z",
        "Path": "/cloudfront/www.yourdomain.com/",
        "Arn": "arn:aws:iam::061246224738:server-certificate/cloudfront/www.yourdomain.com/yourdomain_com",
        "UploadDate": "2015-01-05T01:04:36.593Z"
    }
}
7. 在CloudFront中启用HTTPS
  • 导航到AWS控制台的CloudFront,选择你的分发,在 General 选项卡中点击 Edit 。
  • 启用自定义SSL证书,将默认的CloudFront证书切换为自定义SSL证书,并从下拉列表中选择你的证书。选择自定义SSL证书时,需要决定是支持所有客户端还是仅支持支持服务器名称指示(SNI)的客户端。支持所有客户端需要请求访问,并且费用会比仅支持SNI的客户端高很多。除非你的应用程序有特定原因需要支持所有客户端,否则建议选择仅支持SNI的客户端。
  • 点击右下角的 Yes, Edit 。CloudFront分发设置的更改需要几分钟才能传播,你可以关注分发的状态字段,等待其从 InProgress 变为 Deployed 。完成后,在浏览器中访问你的 Hello World 页面,确保在URL前添加 https:// ,此时你应该会在地址旁边看到那个令人安心的小锁图标。
  • 目前虽然可以通过HTTPS连接到我们的域名,但这是可选的。可以在浏览器地址栏中输入仅使用 http 的URL来验证,此时锁图标会消失。对于应用程序的某些部分,暂时这样可能没问题,但对于一些需要用户与应用程序交互的路径,需要安全会话。在CloudFront的分发中,选择 Behaviors 选项卡,会看到所有行为的查看器协议策略都设置为 HTTP and HTTPS 。需要为需要HTTPS连接和会话cookie的请求支持一些额外的行为,需要限制的路由如下:
    • /users/login
    • /users/register
    • /users/logout
    • /albums/upload
    • /albums/delete
    • /photos/upload
    • /photos/delete
      可以通过以下五个路径来实现目标:
    • /users/login
    • /users/register
    • /users/logout
    • /*/upload
    • /*/delete
      为这五个路径创建相同规则的行为, Origin 应设置为ELB, Viewer Protocol Policy 应设置为 HTTPS Only , Allowed HTTP Methods 应为 GET, HEAD, OPTIONS, PUT, POST, PATCH, DELETE , Forward Headers 和 Forward Cookies 应设置为 All 。完成后,注意起源的顺序很重要,将基于会话的行为排在顶部。
  • 通常,在CloudFront中所做的更改需要几分钟才能传播。在此期间,还需要更改CloudFront中一个更隐蔽的设置。当将ELB添加为CloudFront分发的起源时,允许CloudFront仅通过HTTP与ELB通信,这意味着对CloudFront的HTTPS请求将变为对ELB的HTTP请求。为确保从全球的CloudFront边缘位置到美国东部数据中心的流量是加密的,此流量应通过HTTPS进行。选择 Origins 选项卡,在 Origin Protocol Policy 列中可以看到此问题。选择你的ELB并点击 Edit ,在 Origin Settings 视图中,将 Origin Protocol Policy 从 HTTP Only 更改为 Match Viewer ,然后点击 Yes, Edit 。之后,对CloudFront的HTTP请求将通过HTTP转发到ELB,HTTPS请求也将通过HTTPS转发,这些更改也需要几分钟才能传播。
8. 在ELB中启用HTTPS

由于CloudFront边缘位置遍布全球,数据需要从CloudFront传输到不同区域的ELB。为了确保流量的安全性,必须确保到达CloudFront的HTTPS请求能够安全地转发到ELB,这意味着需要在ELB上安装SSL证书并配置为接受HTTPS请求。
- 监听HTTPS连接 :默认情况下,ELB配置为仅在端口80上监听未加密的HTTP请求。需要在ELB上打开端口443以允许HTTPS请求通过。
- 导航到EC2,从左侧导航栏选择 Load Balancers ,选择你的ELB实例,打开 Listeners 选项卡,会看到只有端口80是开放的。点击 Edit 为ELB的监听器添加HTTPS。
- 在弹出的模态窗口中,添加一个负载均衡器协议为 HTTPS (Secure HTTP) ,使用负载均衡器端口443,实例协议应为 HTTP ,实例端口应为80。在 SSL Certificate 列中,点击 Change ,选择 Choose an existing certificate 并选择你的证书。

通过以上步骤,你可以全面保障应用程序的安全,确保数据在传输过程中的加密和完整性。

应用程序安全保障全流程指南

9. 总结与回顾

为了更清晰地回顾整个应用程序安全保障的流程,我们可以通过以下表格来梳理关键步骤:
| 步骤 | 操作内容 | 关键命令或设置 |
| ---- | ---- | ---- |
| 安装OpenSSL | 检查机器是否已安装OpenSSL,未安装则根据系统下载安装 | Mac/Linux: www.openssl.org/source ;Windows: www.openssl.org/related/binaries.html ;检查命令: openssl |
| 创建密钥和CSR | 生成私钥和证书签名请求 | openssl req -new -newkey rsa:2048 -nodes -keyout photoalbums.key -out photoalbums.csr |
| 请求证书 | 选择证书颁发机构,提交CSR,完成域名验证 | 选择供应商,复制 .csr 文件内容;选择Web服务器类型: Apache+OpenSSL |
| 转换证书格式 | 将证书转换为X.509 PEM格式 | 私钥: openssl rsa -in photoalbums.key -text > aws-private.pem ;公钥: openssl x509 -inform PEM -in yourdomain_com.crt > aws-public.pem ;证书链: (openssl x509 -inform PEM -in CANameDomainValidationSecureServerCA.crt; openssl x509 -inform PEM -in CANameAddTrustCA.crt) >> aws-certchain.pem |
| 配置AWS命令行界面(CLI) | 安装配置AWS CLI,配置权限和凭证 | 权限配置:选择 photoadmin 用户,附加 IAMFullAccess 策略;凭证配置: aws configure |
| 上传SSL证书 | 将转换后的证书上传到AWS并使其在CloudFront中可用 | aws iam upload-server-certificate --certificate-body file://aws-public.pem --private-key file://aws-private.pem --certificate-chain file://aws-certchain.pem --server-certificate-name yourdomain_com --path /cloudfront/www.yourdomain.com/ |
| 在CloudFront中启用HTTPS | 启用自定义SSL证书,配置支持的客户端类型,设置特定路径的访问策略,更改起源协议策略 | 切换到自定义SSL证书;选择支持客户端类型;设置特定路径的 Viewer Protocol Policy 为 HTTPS Only ;将 Origin Protocol Policy 从 HTTP Only 更改为 Match Viewer |
| 在ELB中启用HTTPS | 在ELB上打开端口443,配置监听HTTPS连接 | 添加负载均衡器协议为 HTTPS (Secure HTTP) ,端口443;实例协议 HTTP ,端口80;选择SSL证书 |

下面是整个流程的mermaid格式流程图:

graph LR
    A[开始] --> B[安装OpenSSL]
    B --> C[创建密钥和CSR]
    C --> D[请求证书]
    D --> E[转换证书格式]
    E --> F[配置AWS CLI]
    F --> G[上传SSL证书]
    G --> H[在CloudFront中启用HTTPS]
    H --> I[在ELB中启用HTTPS]
    I --> J[完成安全保障]
10. 常见问题与解决方案

在实施上述安全保障流程的过程中,可能会遇到一些常见问题,以下是一些问题及对应的解决方案:
- OpenSSL安装问题 :如果在安装OpenSSL时遇到困难,可以参考 http://wiki.openssl.org/index.php/Compilation_and_Installation 上的详细说明。
- 证书请求被拒 :证书请求被拒可能是由于域名验证失败。检查域名管理员的电子邮件地址是否正确,确保能够收到验证邮件并及时完成验证。也可以检查生成CSR时输入的信息是否准确,特别是通用名称字段。
- CloudFront配置问题 :如果在CloudFront中更改设置后长时间未生效,可能是由于配置更改传播需要时间。耐心等待几分钟,关注分发的状态字段,直到其从 InProgress 变为 Deployed 。如果问题仍然存在,检查配置是否正确,特别是路径设置和证书选择。
- ELB监听问题 :如果在ELB上添加HTTPS监听器后仍然无法通过HTTPS访问应用程序,检查SSL证书是否正确选择,端口配置是否无误。也可以检查安全组设置,确保端口443是开放的。

11. 安全最佳实践建议

除了完成上述的安全保障步骤外,还有一些安全最佳实践建议可以进一步提升应用程序的安全性:
- 定期更新证书 :SSL证书有有效期,定期更新证书可以确保应用程序始终使用有效的证书,避免因证书过期导致的安全问题和用户信任问题。
- 监控安全日志 :定期查看CloudFront、ELB等服务的安全日志,及时发现异常访问和潜在的安全威胁。可以设置日志监控和报警机制,当出现异常情况时及时通知管理员。
- 使用强密码和多因素认证 :对于IAM用户,使用强密码并启用多因素认证可以增加账户的安全性,防止账户被盗用。
- 限制访问权限 :根据用户的角色和职责,合理分配权限,避免给予不必要的高权限。定期审查用户权限,及时撤销不再需要的权限。

12. 未来安全趋势与展望

随着技术的不断发展,应用程序安全面临着新的挑战和机遇。未来,以下安全趋势值得关注:
- 零信任架构 :零信任架构基于“默认不信任,始终验证”的原则,对任何试图访问应用程序的用户、设备和网络进行严格的身份验证和授权。这将有助于应对日益复杂的网络攻击。
- 人工智能和机器学习在安全中的应用 :人工智能和机器学习技术可以用于分析大量的安全日志和数据,及时发现潜在的安全威胁和异常行为。通过智能算法的学习和预测能力,提高安全防护的效率和准确性。
- 量子加密技术 :量子加密技术利用量子力学原理提供更高级别的加密安全性。随着量子计算技术的发展,传统的加密算法可能面临被破解的风险,量子加密技术有望成为未来保障数据安全的重要手段。

通过不断关注和适应这些安全趋势,我们可以更好地保障应用程序的安全,为用户提供更可靠的服务。

通过以上全面的安全保障流程、常见问题解决方案、安全最佳实践建议以及对未来安全趋势的展望,我们可以更系统地保障应用程序的安全,确保数据在传输和存储过程中的安全性和完整性。希望这些内容对你有所帮助,让你在应用程序安全领域迈出更坚实的步伐。

相关推荐

24、密码学:原理、应用与安全保障

本博客全面解析密码学的原理、应用与安全保障,涵盖对称密钥与非对称密钥密码学的核心概念、优缺点及常见算法,详细阐述哈希函数、数字签名、数字证书的作用与实现流程。同时探讨密码学在安全通信、软件分发和网站安全等场景的应用,分析量子计算、同态加密和多方安全计算等未来趋势,并提供密钥管理、证书管理和安全策略制定的实践指导。通过本博客,读者可以系统掌握密码学技术,为保障信息安全提供坚实基础。

o5p6q的博客 63

24、微服务安全保障:使用 OAuth2 和 Keycloak

本文深入探讨了如何利用 OAuth2 和 Keycloak 构建安全的微服务系统。从 OAuth2 授权类型和 Keycloak 基本架构入手,详细演示了使用 Spring 和 Keycloak 保护微服务端点的全过程。内容涵盖身份验证与授权、角色权限配置、多因素认证、日志监控与安全优化策略,帮助开发者构建可靠的安全体系,适用于需要高安全性与可扩展性的微服务架构场景。

h6j7k8l9p0的博客 82

40、企业连续性规划与 vSphere 安全保障

本文探讨了企业在数字化时代如何通过vSphere实现业务连续性和数据安全保障。重点介绍了vSphere的复制功能及其配置步骤,包括本地和远程数据保护机制;同时深入解析了ESXi主机的安全配置方法,如本地用户管理、与Active Directory集成以及访问控制策略。此外,还涵盖了网络访问控制、角色权限管理和防火墙规则设置等关键内容,帮助企业构建稳定、安全、高效的虚拟化环境。

gaochao的博客 53

24、应用性能与安全的关键要点

本文探讨了应用程序性能优化与安全保障的关键要点。性能优化方面涵盖了负载均衡、自动伸缩、高性能计算和性能监控,强调了如何通过这些技术提升应用的稳定性和响应能力。在安全保障部分,详细介绍了身份验证与授权控制、纵深防御策略、数据保护措施以及安全事件响应机制。同时,文章分析了性能与安全之间的权衡关系,提出了在不同应用场景下如何平衡两者的方法。最后,总结了实施性能优化和安全措施的关键要点,并展望了未来技术发展的方向。

fern8的博客 67

30、Docker 安全保障:漏洞扫描与安全配置全解析

本文深入探讨了Docker容器的安全保障措施,涵盖镜像漏洞扫描与安全配置两大核心领域。通过使用Anchore和Snyk工具对Docker镜像进行安全检测,结合AppArmor和seccomp安全模块实现访问控制与系统调用限制,全面提升容器安全性。文章还详细介绍了自定义安全策略的实施步骤,并总结了包括定期扫描、最小化镜像、及时更新在内的多项Docker安全最佳实践,为构建安全可靠的容器化环境提供全面指导。

u5v6w7的博客 67

29、Ubuntu系统使用指南:从启动设置到文件共享与安全保障

本文全面介绍了Ubuntu系统的使用指南,涵盖启动设置优化、寻找Linux替代应用、通过Wine和PlayOnLinux运行Windows程序、在虚拟机中安装Windows、与Windows用户进行文件共享等实用操作。同时分析了Linux在安全性方面的优势,并提供了常见问题解答与操作流程总结,帮助用户高效、安全地使用Ubuntu系统,实现跨平台兼容与协作。

grafana6viz的博客 41

Apache Tomcat 8.0.24 Web服务器安装包

Apache Tomcat 8.0.24是一个开源的Web服务器和Servlet容器,它实现了Java Servlet和JavaServer Pages(JSP)规范,由Apache软件基金会管理。作为一个高性能的Web服务器,Tomcat广泛应用于Java EE环境中,支持Web应用程序的部署和管理。它提供了一个Java平台,用于运行Java代码,同时允许用户利用Java技术构建Web应用。Tomcat在内部利用了Java的多线程机制,能够处理多个请求并提供灵活的安全配置。

weixin_28895791的博客 834

VScode搭建Opencv(C++开发环境)

VScode配置Opencv一、准备软件二 、下载软件1、MinGw下载2、 Cmake下载3、Opencv下载三、编译1、cmake-gui2、make3、install四、 VScode配置1、launch.json2、c_cpp_properties.json3、tasks.json五、测试 用了半天事件,看了各种的博客终于配置成功了,在这里记录并分享一下,让更多的人少走弯路。 本次环境是Win 10. 一、准备软件 我们本次用到的3个软件,(建议读者文件路径,文件版本 尽量都和我相同,这样不容易出错

河旬的博客 8万+

Ollama内网离线部署大模型实战:从模型文件到私有化服务

本文详细介绍了如何在内网离线环境下,利用Ollama部署私有化大模型服务。内容涵盖从获取GGUF格式模型文件、手动安装Ollama、编写核心Modelfile配置文件,到创建运行模型、性能调优及安全加固的全流程实战指南,旨在帮助企业安全、可控地构建内部AI能力。

weixin_29209805的博客 216

【软件使用】Calibre部分提参的实战技巧与常见问题解析

本文详细解析了Calibre部分提参(Partial PEX)的实战技巧,重点介绍了如何利用HCELL与XCELL文件高效排除已知模块,实现精准的寄生参数提取,从而快速定位后仿真中的时序与信号完整性问题。文章涵盖了从图形界面到命令行的完整操作流程,并提供了常见问题(如时钟失真、模块“消失”)的深度Debug指南与最佳实践,助力芯片设计工程师提升验证效率。

yhn456789的博客 1030

【MFRC522】STM32与MFRC522的SPI通信优化及常见问题解析

本文深入解析了STM32与MFRC522进行SPI通信的优化方法与常见问题。从基础的硬件连接到SPI时序优化,再到关键的寄存器配置(如RFCfgReg设为0x4F以提升读卡稳定性),文章提供了详细的调试技巧和实战排坑指南,帮助开发者实现稳定高效的IC读卡应用。

yhn45678901的博客 842

第1集:面试官视角:AIOps 核心能力模型与面试项目全局搭建【免费试读】

本文介绍了一门面向AIOps工程师的面试实战课程,针对当前运维领域薪资差距明显的痛点,帮助学员系统掌握企业级AIOps平台开发能力。课程承诺提供可直接用于面试和生产环境的代码实现,从零构建模块化AIOps平台。第一集重点讲解了面试官视角下的核心能力模型,并指导学员搭建项目基础环境,包括Python虚拟环境配置、本地大模型部署(Ollama)以及智能巡检Agent的代码实现。课程强调实战导向,通过40集系统讲解,帮助学员实现薪资40-60万的职业跃升。

qq_2937655951的博客 616

uniapp - 实现手机端H5网页直播功能效果,拿到后端推流地址或播放资源后进行前端的流畅播放和画面展示功能,uniapp实时推流/拉流直播系统详细教程(提供完整示例代码,一键复制开箱即用!)

uniapp,h5网页,手机端H5网页,uniapp h5直播功能页面,uniapp直播实时推送显示,uniapp h5直播怎么做,怎么使用uniapp去实现移动端手机H5直播,h5 vue+uniapp怎么做直播,uniapp中使用videojs构建H5直播播放器,uniappH5端怎么实现直播推流,uniapp如何实现直播,直播聊天功能,h5平台端直播用什么插件,uniapp手机网页直播用什么组件插件播放器,uniapp手机H5直播播放器详细教程,直播项目,怎么使用vue+uniapp怎么做H5实时直播

✅ 精选推荐文章 8795

基于FPGA的多通道音频信号采样系统设计

FPGA是随着数字集成电路的发展而逐步演变而来的。从早期的电子管、晶体管、小规模集成电路,到超大规模集成电路(VLSIC),数字集成电路的集成度和性能不断提升。FPGA的出现为系统设计师提供了灵活的设计平台,使其能够在不依赖半导体厂商的情况下快速设计专用集成电路(ASIC)。FPGA具有设计周期短、成本低、开发工具先进等优点,广泛应用于原型设计和产品生产中。VHDL是一种用于描述数字系统的硬件描述语言,其语言形式类似于计算机高级语言,但包含了许多硬件特征语句。

qq_62634009的博客 709

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

上一篇: 8、无人机编队飞行实验与复杂场景信息融合方法解析
下一篇: 53、机器人在教育与治疗领域的应用探索
gitlab7runner
博客等级 码龄4年 78粉丝 1747原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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