2026网络安全法修订落地:企业六类法定强制评估合规指南(附协同实施路径)

2027年新疆职业院校技能大赛“网络系统管理”A模块网络构建真题 2027年新疆职业院校技能大赛“网络系统管理”A模块——网络构建真题,仅供学习使用。 阅读详情

2026年1月1日,新修订的《中华人民共和国网络安全法》正式施行,这一里程碑事件标志着我国网络安全与数据安全监管正式从“分散立法、分头执行”迈入“体系协同、一体推进”的新阶段。对于广大企业而言,这不仅是监管环境的重大变革,更是网络与数据安全合规工作的全新起点。

近年来,《网络安全法》《数据安全法》《个人信息保护法》《密码法》及《网络数据安全管理条例》等一系列法律法规密集出台,企业在网络与数据安全领域的合规义务愈发明确,但同时也日趋复杂。监管部门逐步确立了多项法定评估要求,覆盖系统防护、密码应用、个人信息处理、重要数据管理、跨境传输及关键信息基础设施安全等核心环节。这些评估虽各有侧重,但共同构成了当前企业必须刚性履行的合规框架,缺一不可。

然而在实际操作中,由于各项要求分散于不同法律文本、由不同部门推动实施,企业普遍面临“重复投入、多头应对、逻辑不清、漏项风险”等痛点。新修订的《网络安全法》通过强化责任衔接、推动证据互认、压实主体责任,将原本碎片化的合规要求整合为有机联动的责任网络。需要注意的是,任一环节缺失或遗漏,都可能被责令改正、处以高额罚款;情节严重的,还将面临业务暂停、市场准入限制等处罚,直接冲击正常经营。

本文聚焦企业合规实操需求,在现有法律体系框架下,系统梳理六类法定强制评估的核心要求,深度拆解其内在协同逻辑,并提供可直接落地的实施路径,助力企业实现合规高效、风险可控、资源集约的目标。

一、六类法定强制评估:核心要求与合规要点梳理

当前企业需履行的六类法定强制评估,由《网络安全法》《数据安全法》《个人信息保护法》《密码法》等上位法,以及《关键信息基础设施安全保护条例》《商用密码管理条例》《网络数据安全管理条例》等配套行政法规共同确立,覆盖网络系统、数据处理、密码应用、跨境传输及关键基础设施等核心领域。

值得注意的是,这些评估并非孤立存在,而是基于不同法律定位、适用场景和责任主体构建的有机体系,彼此之间存在明确的时序衔接、证据复用与责任联动关系。企业若忽视这种关联性,极易陷入“重复测评、资源浪费”的困境。

为帮助企业快速定位自身业务对应的合规要求,下表系统梳理了每类评估所对应的核心法律及配套行政法规、具体条款内容,便于企业对照业务场景开展合规判断与准备工作:

六类法定强制评估法律依据对照表

面对交织的合规要求,企业亟需一个能厘清内在逻辑、打通评估壁垒、实现高效复用的整体框架——这正是下文将要展开的核心内容。

二、内在逻辑:三层协同架构,破解重复合规困局

六类法定强制评估的设计,根植于“系统安全—数据安全—跨境安全”的递进式监管逻辑,最终形成“基础—业务—跨境”三层协同架构。企业只有精准把握这一核心逻辑,才能高效复用评估成果,从根源上减少重复工作和协调成本。

(一)制度设计哲学:从“保系统”到“强治理”的演进脉络

我国网络安全监管体系的演进始终与法律法规完善同步,呈现出从“保系统”向“强治理”持续深化的清晰路径,企业合规工作需紧跟这一演进趋势:

1. 早期监管阶段:以《网络安全法》《密码法》为基础,聚焦网络系统自身的安全防护,确立了网络安全等级保护测评(等保测评)和商用密码应用安全性评估(密评)两项基础要求,核心目标是保障信息系统可信可控,这是企业合规的基础底座。

2. 数据治理深化阶段:随着数字经济发展,监管重心逐步延伸至数据本身。《数据安全法》《个人信息保护法》的施行,标志着治理视角从系统安全转向数据全生命周期管理,新增了个人信息保护影响评估(PIA)和重要数据风险评估,分别从个人权益保护与国家安全维度强化企业主体责任。

3. 协同治理进阶阶段:近年来,监管进一步迈向协同治理。以新修订的《网络安全法》和《网络数据安全管理条例》为支撑,制度设计更强调系统、数据与跨境流动的联动管控——在夯实系统安全、规范数据处理的基础上,加强对关键信息基础设施(关基)的保护和跨境数据流动的风险防控,逐步构建起“保系统—管数据—控流动”三位一体的纵深监管体系,实现网络安全与数据安全的全域覆盖。

(二)三层协同架构:环环相扣的合规闭环

1. 基础层(系统可信)

以保障系统可信为核心,涵盖等保测评、密评和关基安全检测评估,聚焦系统运行安全与密码应用合规,是整个合规体系的技术底座。其成果可直接为上层评估提供支撑:例如等保整改期间可同步准备密评材料(需注明整改进展);关基年度检测应整合等保与密评结论,形成一体化报告,避免重复检测。

2. 业务层(数据可控)

聚焦数据全生命周期安全管控,通过PIA(保障个人信息权益)与重要数据风险评估(维护国家安全)构建双轨审查机制。实操要点:若处理的数据同时属于重要数据并包含个人信息,须同步开展两类评估;若结论冲突(如对同一数据的加密措施判断不一致),应以重要数据风险评估为准,并相应优化PIA中的防控措施。

3. 跨境层(主权可守)

以数据出境安全评估为出口闸门,严格管控跨境数据流动风险。申报关键要求:需交叉验证基础层与业务层的评估成果;若未通过评估,企业须反向优化系统防护、密码应用及数据安全措施,整改后重新申报,严禁“先传输、后补评”。

(三)证据链复用:提升合规效率的关键抓手

高效合规的核心在于“一次采集、多处复用”的证据管理模式。企业应建立统一的评估元数据仓库,明确证据的采集标准、更新频率与管理责任,实现各评估环节证据链的互联互通。具体复用场景包括:

  • 数据分类分级结果:可同时用于PIA(识别敏感个人信息)、重要数据风险评估(识别重要数据)和数据出境评估(判断出境类型);

  • 等保测评成果:其中“安全审计”控制项的成果,可作为PIA“操作可追溯”和关基检测“日志留存合规”的直接证据;

  • 密评成果:形成的加密配置清单与密钥管理方案,可直接用于数据出境评估的“安全保障措施说明”及PIA的“加密合规佐证”;

  • PIA成果:其中的风险防控措施,可纳入重要数据风险评估报告,形成防控合力。

组织保障建议:由数据治理部门牵头,建立统一的合规证据管理机制,协调IT、法务、安全等部门定期同步系统配置、数据分类、风险评估等关键信息,确保证据材料准确、一致、可追溯。

三、典型误区与协同实施路径(实操指南)

企业在落实六类评估和三层架构时,常因对法规理解偏差陷入合规误区,导致合规低效或漏项风险。下文澄清三类高频误区,并提供“四步法”协同实施路径,助力企业快速落地合规要求。

(一)三大常见误区澄清

误区1:等保已覆盖数据安全,无需单独开展PIA

核心澄清:二者定位、目标、依据完全不同,不可替代。等保测评聚焦系统技术防护有效性(防攻击、防未授权访问);PIA聚焦个人信息处理活动的合法性与用户权益影响。实践中,等保达标但PIA不合规的案例屡见不鲜,企业必须按各自触发条件分别开展。

误区2:重要数据由行业认定,企业无需主动评估

核心澄清:这是对法定义务的严重误解。《数据安全法》第三十条明确要求“重要数据处理者”定期开展风险评估,而前提是企业需先自行识别是否为“重要数据处理者”。《网络数据安全管理条例》第二十九条进一步明确:“网络数据处理者应当按照国家有关规定识别、申报重要数据。” 这意味着,识别义务在先,监管确认在后——即使行业重要数据目录尚未发布,企业也必须基于数据内容是否涉及国家安全、经济运行、公共利益等维度,主动开展判断与评估。

误区3:出境评估只针对大公司,中小企业无需关注

核心澄清:触发标准与企业规模无关,只与数据类型和数量相关。根据《个人信息保护法》和《网络数据安全管理条例》,只要向境外提供达到国家规定数量的个人信息,或涉及重要数据,无论企业规模大小,均需履行安全评估义务。例如,小型跨境电商SaaS服务商若长期向境外传输大量用户订单信息,一旦达到法定申报门槛,即需主动申报。忽视此要求,可能导致高额罚款甚至业务暂停。

(二)协同实施四步法(可直接落地)

第一步:资产识别与分类分级——筑牢合规基础

组建跨部门团队(数据治理、IT、业务、安全),建立覆盖全业务的网络系统与数据资产目录,明确标注数据类型(个人信息、敏感个人信息、重要数据、普通数据)、存储位置、处理方式,确定各系统的等保定级及对应义务。成果形成标准化文档(如《资产分类分级清单》),供后续评估统一使用,避免因底数不清导致漏评或重复投入。

第二步:绘制评估触发地图——精准对标要求

将核心业务流程与六类评估触发条件逐一映射,绘制“业务场景—触发评估—核心要求—所需材料”对应图。例如:新增用户画像功能需启动PIA;三级系统需同步推进等保与密评;向境外传输用户日志前,应先判断是否达到出境评估门槛。通过可视化地图,实现合规要求与业务场景的精准匹配。

第三步:建立跨部门协作机制——保障协同落地

明确各部门职责分工:法务牵头PIA与出境评估,负责法律解读与监管对接;IT负责等保与密评的技术落地;数据治理部门主导分类分级与重要数据评估,并管理元数据仓库;安全部门统筹关基检测与攻防演练,推动问题整改。建议设立月度协调会,由安全或数据负责人裁决职责争议,确保协同顺畅。

第四步:构建持续改进闭环——适配长期合规

将评估发现的问题纳入风险管理台账,明确整改责任人、时限与验证标准;整改完成后及时更新元数据仓库;依托仓库持续优化证据复用流程;安排专人跟踪法规更新、行业目录发布等监管动态,及时调整合规策略。通过“评估—整改—优化—再评估”的闭环,实现长期合规适配。

(三)组织能力建设:从基础合规到主动治理的演进路径

企业合规能力建设无需一步到位,可结合自身业务复杂度与资源状况,循序渐进推进,逐步实现从被动响应到主动治理的转型:

  • 夯实基础阶段:聚焦合规底线要求,完成核心网络系统与数据资产的全面梳理和分类分级,确保六类法定评估应评尽评、及时完成,有效规避基础性合规风险;

  • 提升效率阶段:在资产清晰的基础上,建立统一的评估元数据仓库,推动证据材料在不同评估间高效复用,显著减少重复投入,提升合规工作的协同性与响应速度;

  • 深度融合阶段:将合规要求内嵌至项目建设、产品设计、研发与运营全生命周期,实现“合规前置”。此时,合规不再是附加流程,而是驱动业务和产品可信、赢得用户信任、支撑业务创新的核心能力。

通过这一演进路径,企业可将法定评估压力转化为治理优势,在满足监管要求的同时,构建可持续的竞争壁垒。

结语:合规不是成本,而是信任的基石

新修订《网络安全法》(2025年修订,2026年1月1日起施行)的核心要义,在于将分散于多部法律的六类法定强制评估纳入统一责任框架,标志着监管从“单项合规”迈向“体系治理”。

对企业而言,合规工作的分水岭不在于是否完成了某一次测评,而在于能否将合规要求内化为数据治理的底层逻辑——用一次资产梳理支撑多维评估,用一套证据链条贯通监管要求。当合规从被动响应转为主动架构,它便不再是成本中心,而成为企业在数字经济时代最坚实的信任基础设施。

#搜索关键词#:#2026网络安全法修订 #六类法定强制评估 #个人信息保护影响评估 #PIA #商用密码应用安全性评估 #密评 #重要数据识别 #数据出境安全评估 #关键信息基础设施检测 #关基检测 #三层协同合规架构 #元数据仓库 #合规证据复用 #网络安全等级保护 #等保测评 #网络数据安全管理条例 #数据分类分级 #企业合规落地

参考法律法规与行政条例

  • 《中华人民共和国网络安全法》(2026年1月1日施行)

  • 《中华人民共和国数据安全法》

  • 《中华人民共和国个人信息保护法》

  • 《中华人民共和国密码法》

  • 《关键信息基础设施安全保护条例》

  • 《商用密码管理条例》

  • 《网络数据安全管理条例》

​​​​​​​

【RV1126/RV1109学习笔记】#基础篇#(2)基础入门使用 一、调试方式 1、串口调试 2、ADB调试 3、网络调试 二、基础外设使用 音频使用(aplay,arecord,amixer) 三、WIFI连接 四、屏幕背光控制 阅读详情

相关推荐

MYSQL、ORACLE、PostgreSQL数据库对象层次及权限管理对比

本文为出于自己扩展、比较、图形化的思维路径自行总结归纳,可能有些细节不太准确,欢迎指正。MySQL、Oracle、PostgreSQL关系型数据库都有管理员用户、用户、权限管理、表函数索引等数据库对象,schema。但在数据库对象隶属层次上有差异和相同的地方。

rachel_2016的博客 1490

倒计时8天!2026修订版《网络安全法》实施,企业必做的7项合规准备

摘要:2025年修订版《网络安全法》将于2026年1月1日实施,首次纳入AI治理并强化处罚力度。核心变化包括:扩大合规范围至全链路网络安全,新增主动防控要求,大幅提升罚款上限至千万元级别。企业需在8天内完成7项准备:梳理资产数据、修订安全制度、技术升级、供应链审查、全员培训、自查整改及审计准备。不同规模企业应差异化应对,大型企业聚焦跨境数据与AI备案,中小微企业优先基础合规。合规应作为长效机制,而非一次性任务。

HNhlsa的博客 779

别再只会regress了!用Stata的csdid命令搞定多期DID的完整实操指南

本文详细介绍了如何在Stata中使用csdid命令进行多期DID分析,解决传统DID方法在交错处理场景下的局限性。通过完整的实操指南,包括环境搭建、核心语法、结果解读和高阶应用,帮助研究者更准确地评估政策效果,适用于计量经济学和实证研究领域。

weixin_30236595的博客 582

PIA协同落地指南:打破六类评估壁垒,实现合规证据复用(合规协同系列第四篇)

2025-2026年网络安全合规新规密集落地,企业面临"网络-数据-密码-关基-出境-个人信息"立体治理网。本文聚焦PIA(个人信息保护影响评估)作为协同落地的突破口,指出其覆盖广、误解深、与业务关联密三大特性。文章提出PIA协同三核心动作:调取等保资产清单、复用数据分级结果、衔接关基检测要求,并通过三个典型场景展示协同价值。强调合规应从被动补救转向主动架构,PIA不仅满足法定要求,更能为企业建立跨团队共识的数据视图。作为合规协同系列的首个专项,本文为后续重要数据评估等专题奠定基础。

junge_sys的博客 808

图像配准方法之灰度信息法

这系列文章是5年前的,也是从自己的QQ(632846506)日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。      图像配准的方法主要有三种:基于灰度信息方法;基于空间变换域方法;基于图像特征的方法。 一、灰度信息法。     灰度信息法直接利用两幅图像之间灰度度量的相似性,以图像内部的信息为依据,采用搜索方法寻找相似度最大或

月秀明竹的专栏 1万+

Bellhop水声信道模型的仿真

Bellhop是一种基于射线追踪的水声信道模型,广泛用于预测水下环境中的声压场。它通过模拟声波在水中的传播路径,计算声场分布,适用于复杂的水下通信场景。

yt94832的博客 1313

网络安全法

2026 年是网络安全合规的“大考之年”。随着《网络安全法》修订版的全面施行和“净网”行动的常态化,合规已不再是企业的成本项,而是市场准入的“通行证”和核心竞争力的“护城河”。对于广大技术人员而言,代码不仅是逻辑的实现,更是法律的载体。希望每一位开发者都能筑牢技术防线,守住法律底线,共同维护清朗网络空间。网络安全为人民,网络安全靠人民,让我们从每一次合规的代码提交做起,共筑数字中国的安全基石。

2601_96911824的博客 564

大数据分析实验,包含五个子实验:wordCount实验,PageRank实验,关系挖掘实验,k-means算法,推荐系统算法。

大数据分析实验,包含五个子实验:wordCount实验,PageRank实验,关系挖掘实验,k-means算法,推荐系统算法。

805

四路 CAN 转 4G 网关

SG‑CAN‑4G‑410 为**四路隔离 CAN 转 4G 工业网关**,把 CAN2.0A/B 报文封装成 TCP/UDP 报文,通过 4G 无线网络实现 CAN 总线远程监控、远程控制。四路 CAN 相互独立;以太网仅用于本地配置,不做业务数据传输;支持移动 / 联通 / 电信 4G 网络。

S2003120416的博客 162

ardupilot 日志分析《xKF1信息》

ardupilot 日志分析系列将会把ardupilot所有的日志文档进行分析,为我们分析无人机的运行状态,炸鸡原因,传感器状态,电机状态,控制信息,滤波信息做准备。本节主要分析xKF1日志信息,欢迎批评指正。学习好ardupilot必须会分析飞行日志,从飞行日志中我们可以学到很多无人机的知识。无人机是综合知识的体现,涵盖:导航、控制、滤波、算法、协议等各种知识,只有更全面的学习,才能在无人机的道路上越走越远。

陌城烟雨 1225

【图像超分】论文精读:Interpreting Super-Resolution Networks with Local Attribution Maps(LAM)

论文题目:Interpreting Super-Resolution Networks with Local Attribution Maps —— 用局部归因图解释超分辨率网络CVPR 2021!必读文章!必须会的可视化手段!很多文章中都会对比LAM!图像超分辨率 (SR) 技术发展迅速,受益于深度网络的发明及其连续突破。然而,众所周知,深度学习和深度神经网络很难解释。SR网络继承了这种神秘的性质,很少有作品试图理解它们。在本文中,我们对 SR 网络进行了归因分析。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 547

【计算机网络】断点续传是怎么做到的:从 Range 请求到分片上传的完整机制

断点续传在下载侧靠的是 HTTP 现成的 Range 协议,Content-Range 保证偏移对得上,If-Range 防止文件变更导致的错误拼接;上传侧没有标准,需要自己设计 init/part/complete 三段式交互,核心是让服务端记住“哪些块已经收下”,从而把失败粒度从整个文件降到单个分片。 这套机制可以迁移到任何长耗时操作的设计上。判断方法很简单:先问失败粒度是多少。如果一次操作失败就得从头再来,那它迟早会在生产环境里出问题——传输、批量导入、数据迁移、长事务,都是同一个道理。把大操作切成

2503_94545876的博客 523

SAP-ABAP:SAP数据库视图(Database View)详解-创建

数据库视图是SAP中实现多表关联查询的基础工具,适合简单的跨表查询和权限控制场景。但其功能有限,对于复杂逻辑或高性能需求,建议结合CDS视图或ABAP程序开发。通过合理设计,数据库视图可显著提升开发效率和系统可维护性。它存储在数据库中,但本身不存储数据,仅通过查询动态生成结果。是一种基于物理数据库表的虚拟表,通过关联多个表(使用。

baidu_35680696的博客 1369

汽车电子标定与测量的核心基石XCP协议

控制逻辑(算法)与标定参数(数据)。如果每次优化参数都要修改源码、重新编译并刷写Flash,整个研发周期的效率将趋近于零。标定(Calibration)技术正是为了解决这一痛点而生。它允许工程师在ECU运行过程中,动态观察内部变量(测量,Measurement),并在不中断运行的前提下实时修改控制变量(标定,Calibration)。在这一领域,XCP(Universal Measurement and Calibration Protocol,通用测量与标定协议)是公认的行业标准与核心基石。

diansandaosilaodanan的博客 377

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Linux 服务器性能排查手册(2026):CPU、内存、磁盘IO、网络四大瓶颈定位

iptables 四表五链模型、firewalld zone 信任级别、云安全组与主机防火墙的关系与优先级,避坑改了防火墙把自己挡在服务器外面的翻车事故。

2502_91473995的博客 317

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

SD-WAN 与传统企业组网方式有什么区别?六个维度分析技术差异与适用场景

SD-WAN 与传统组网区别,主要体现在网络管理模式、链路调度能力、可视化水平以及多站点扩展方式上。传统组网技术成熟、架构灵活,对于站点较少、业务简单、网络结构稳定的企业来说,仍然具有较高的实用价值。SD-WAN 则通过软件定义和集中化管理,为多站点网络管理、链路质量监测和业务流量调度提供了另一种技术实现方式。两者并不存在绝对的替代关系。在实际网络建设中,也可以根据不同业务和网络区域采用混合架构。

ESDWAN的博客 793

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")

【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。

2301_78967866的博客 421

网口ps端--基础知识--调试(1)--deepseek

你现在卡住,是因为这每一层(硬件、驱动、lwIP 协议、IP 地址)中,只要有一层不对,网口就不通。物理层:看灯。灯亮说明线没问题,PHY 没死。MAC 驱动层:看串口打印。有没有打印出Link Speed?如果卡在自协商,说明你的 PHY 驱动还没配好。lwIP 协议层:如果底层通了,IP 也配对了,你调用udp_recv注册了回调函数,当电脑发来 UDP 包时,lwIP 会自动把数据包拆开,送到你的回调函数里。你之前一直在改,就是一直在死磕第 1 层和第 2 层。

AlibabaApple的博客 99

台湾行情数据API接入教程

想用程序获取台股行情,很多人第一步会搜“台股资料 API 推荐”,结果发现选择不少:证交所有免费接口,Yahoo Finance 也能查,券商还有自己的 API。真正写代码时才发现,有的数据只到收盘,有的延迟 20 分钟,有的必须先开户。本文先梳理台湾行情数据的几种获取渠道,再用 Python 从零搭一个可以运行的台股数据脚本:查代码清单、取实时报价和盘口、拉历史K线、做复权、用 WebSocket 接收实时推送,最后结合台积电 ADR 和新台币汇率计算跨市场溢价。

qq_34102871的博客 278

从母钟到子钟:NTP 网络时钟系统架构与软件接口

本文从工程角度简要介绍公共场所的时间同步需求、NTP协议的定位,以及典型LED同步时钟的系统架构与硬件设计,以讯鹏科技4寸与5寸同步时钟为例。

SPZHCS的博客 125

DPVS 报文黑匣子与 Crash 自动拉黑:给转发面装上“飞行记录仪“

谁打挂了我(crash dump)、他之前发了什么(慢路径环)、他还会再来(入口拉黑)。设计上我们始终坚持两条原则:记录与决策分离(黑匣子永远只说不做),以及误伤成本优先于漏放成本(三道闸门全部通过才拉黑,expire 到期自动解封)。性能上,全量快路径摘要 + 入口查表的综合开销低于 1.3%,在 FIP 网关的流量水位下不可感知。飞行记录仪的价值不在于飞机正常飞行的时候,而在于它让每一次事故都变成一次改进。对转发面来说,同样如此。

zyun360的博客 199

HTTP、SSE、WebSocket、Socket.IO:实时通信方案深度对比与选型指南

HTTP 是基础,是整个 Web 的底座;SSE 是单向推送的轻量最优解;WebSocket 是高性能双向实时通信的底层标准;Socket.IO 是一套降低开发门槛、抹平环境差异的上层框架。技术选型永远不是“哪个技术更酷”,而是匹配业务的实时性、交互方向、网络环境、团队维护成本。简单需求优先轻方案,复杂双向实时再上 WebSocket;如果追求快速落地、兼容各种奇葩网络,Socket.IO 是很好的选择。

changshuaihua001的博客 342

计算机毕业论文系统测试怎么写:从测试用例设计到对比实验,让“工作量“看得见

本文系统阐述计算机毕业论文中“系统测试”章节的撰写方法,涵盖功能测试用例设计(等价类、边界值、判定表)、性能测试压测方案与关键指标(平均响应时间、P99、吞吐量)、对比实验设计原则及评价指标选取。强调通过量化数据、阶梯加压曲线、瓶颈定位与多维度对比,真实展现研究工作量与技术深度,提供可直接套用的测试用例表与实验方案模板,助力论文脱颖而出。

wuwangzhiduoshao的博客 300

Linux网络编程:TCP多线程远程命令执行与线程池改造

前面已经实现了 TCP Echo Server,并且通过多进程和多线程解决了多个客户端连接的问题。不过目前服务器的业务还是比较简单,客户端发送什么,服务器就返回什么。这次在原来的多线程服务器上继续做一些改动,实现一个简单的远程命令执行功能。这次主要学习了两个内容。第一个是多线程远程命令执行。通过 Command 类封装命令的接收、检查、执行和结果返回,并使用 set 对允许执行的命令进行限制。第二个是线程池版本的 TCP Echo Server。通过和std::bind。

2501_93388101的博客 360

23 网络性能与 QoS:带宽、时延、吞吐计算与保障机制

带宽是上限、不是实际速度;时延由传输、传播、处理、排队四段组成。一道题让你算端到端时延和吞吐,关键是先找到瓶颈在哪一跳。QoS 靠分类、标记、队列、调度四步保障,配一张瓶颈定位+容量规划图,再跟 3 道真题。

weixin_46316564的博客 209

python如何编通讯程序

通讯程序需要处理IP地址和端口。IP地址用于标识网络上的设备,端口用于标识设备上的服务。编写通讯程序时,需要选择合适的端口号并确保它不与其他服务冲突。此外

2601_96798011的博客 177
上一篇: 【2026最新】网络安全合规落地指南:从制度闭环到实战执行,企业必看避坑手册
下一篇: 政府采购招标文件唯一性参数撰写指南:合规避坑+实操模板
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
 
 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

打赏作者

军哥数字化安全

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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