Claude联网功能突然失效?——基于Cloudflare日志、Anthropic Rate Limit Header及TLS指纹的12分钟故障定位法

Cloudflare拦截自动化请求怎么办?排查与放行配置指南 在网站安全防护中,Cloudflare的Bot管理机制会综合TLS指纹、IP信誉、请求频率等维度评估流量,将疑似自动化的请求判定为高风险并返回403拦截页,即常见的“We're sorry”提示。理解这一识别原理,能够帮助开发者区分合法爬虫与恶意流量,避免误伤业务。实际排查时,应先通过Security Events定位命中规则,再利用WAF自定义规则为可信的User-Agent和IP段配置白名单,实现精确放行。本文结合Python请求示例,演示了如何声明自动化身份、设置重试策略,并探讨了Computer U 阅读详情
更多请点击: https://kaifayun.com

第一章:Claude联网功能突然失效?——基于Cloudflare日志、Anthropic Rate Limit Header及TLS指纹的12分钟故障定位法

当Claude的联网功能在生产环境突发中断,且无明确错误提示时,传统日志排查往往陷入“请求发出去了,但没回来”的黑洞。此时需构建三层证据链:网络层(Cloudflare边缘日志)、协议层(Anthropic响应头中的速率限制信号)、客户端层(TLS指纹一致性)。整个定位过程可严格控制在12分钟内。

快速提取Cloudflare边缘日志关键字段

通过Cloudflare仪表板或API获取最近5分钟`cf-ray`匹配的失败请求日志,重点关注`edge_status`、`origin_status`和`cache_status`三字段组合:
edge_statusorigin_statuscache_status典型含义
5020MISSTLS握手失败或Origin不可达
403——Cloudflare WAF拦截(常因TLS指纹异常)
200503—Anthropic服务端限流或上游熔断

解析Anthropic响应头中的速率限制信号

即使HTTP状态码为200,也需检查响应头是否存在`x-ratelimit-remaining`、`x-ratelimit-reset`等字段。若其值为`0`且`retry-after`存在,则表明触发了账户级或IP级限流:
HTTP/2 200 OK
content-type: application/json
x-ratelimit-limit: 5000
x-ratelimit-remaining: 0
x-ratelimit-reset: 1718924520
retry-after: 60
该响应表示当前窗口内配额已耗尽,需等待60秒重试——而非网络故障。

验证TLS指纹一致性

使用curl模拟请求并捕获TLS握手细节:
  1. 执行:curl -v --tlsv1.3 https://api.anthropic.com/v1/messages 2>&1 | grep -i "tls"
  2. 比对成功请求与失败请求的ALPN协商结果(应为h2)及Server Name Indication (SNI)是否一致
  3. 若失败请求中出现SSL certificate problem或unknown protocol,则指向客户端TLS栈异常(如Go 1.21+默认禁用TLS 1.2)

第二章:故障表征与可观测性锚点构建

2.1 解析Cloudflare边缘日志中的HTTP状态码与边缘错误标识(如523/502/530)

核心状态码语义辨析
Cloudflare边缘日志中,标准HTTP状态码(如200、404)反映源站响应,而边缘专属错误码揭示代理层故障根源:
状态码含义典型触发场景
523Origin Unreachable源站IP不可达或防火墙拦截
502Bad Gateway源站返回无效HTTP响应(如空响应头、畸形报文)
530Origin DNS ErrorCloudflare无法解析源站域名(DNS配置错误或TTL过期)
日志字段提取示例
{
  "edge_status": 523,
  "origin_status": 0,
  "edge_response_time_ms": 127,
  "cache_status": "miss"
}
edge_status 是关键诊断字段:非零且非标准HTTP码(如523/502/530)即表明失败发生在Cloudflare边缘节点; origin_status 为0说明请求未抵达源站。
自动化过滤逻辑
  • 优先匹配 edge_status ∈ {502, 523, 530} 的日志条目
  • 结合 cache_status 判断是否绕过缓存(miss 或 bypass)

2.2 提取并验证Anthropic响应头中的X-RateLimit-Remaining与X-RateLimit-Reset语义一致性

响应头语义约束关系
`X-RateLimit-Remaining` 表示当前窗口内剩余可用请求数,`X-RateLimit-Reset` 为 Unix 时间戳(秒级),二者必须满足:当 `Remaining = 0` 时,`Reset` 必须已到来或即将到来(≤ 当前时间 + 1s),否则存在服务端逻辑矛盾。
Go 客户端校验逻辑
// 验证响应头语义一致性
func validateRateLimitHeaders(resp *http.Response) error {
	remaining, _ := strconv.Atoi(resp.Header.Get("X-RateLimit-Remaining"))
	reset, _ := strconv.ParseInt(resp.Header.Get("X-RateLimit-Reset"), 10, 64)
	now := time.Now().Unix()
	if remaining == 0 && reset > now+1 {
		return fmt.Errorf("inconsistent: remaining=0 but reset=%d is too far in future", reset)
	}
	return nil
}
该函数捕获服务端潜在的时钟漂移或计数器重置异常。`reset > now+1` 容忍1秒网络延迟,避免误判。
典型不一致场景对照表
RemainingReset (Unix)当前时间 (Unix)是否一致
017170236001717023598✅
017170240001717023598❌(延迟超阈值)

2.3 构建TLS指纹特征向量:JA3/JA3S哈希比对与客户端Hello异常模式识别

JA3指纹生成原理
JA3通过提取TLS Client Hello中关键字段(SSL版本、加密套件、扩展列表、椭圆曲线、点格式)并序列化为字符串,再经MD5哈希生成32位指纹。其稳定性依赖于字段顺序与标准化处理。
def compute_ja3(client_hello):
    # 提取字段并按规范拼接
    parts = [
        str(client_hello.version),  # TLS版本(如0x0303)
        ','.join(map(hex, client_hello.cipher_suites)),
        ','.join(map(str, client_hello.extensions)),
        ','.join(map(hex, client_hello.supported_groups or [])),
        ','.join(map(str, client_hello.ec_point_formats or []))
    ]
    return hashlib.md5(','.join(parts).encode()).hexdigest()
该函数严格遵循JA3 RFC草案规范,确保跨工具(如Zeek、Wireshark)指纹一致性; client_hello.version需转换为十六进制整数表示,避免字节序歧义。
JA3S与异常模式协同分析
JA3S(Server Hello指纹)与JA3联合构建双向指纹对,用于识别中间设备篡改或TLS终止代理行为。异常模式包括:JA3存在但JA3S缺失、JA3S加密套件与JA3不兼容、扩展字段非对称出现。
异常类型典型场景检测依据
JA3S缺失HTTPS拦截代理未转发Server Hello仅捕获Client Hello,无对应Server响应
套件不匹配负载均衡器强制降级加密JA3含TLS_AES_128_GCM_SHA256,JA3S返回TLS_ECDHE_RSA_WITH_AES_128_CBC_SHA

2.4 复现故障链路:curl + --verbose + TLS handshake capture的最小化可复现用例设计

核心命令组合
# 最小化复现命令,同时输出详细日志与TLS握手帧
curl --verbose --insecure --dump-header /dev/stderr \
  --connect-timeout 5 --max-time 10 \
  https://api.example.com/health
该命令启用完整协议级调试:`--verbose` 输出HTTP/TLS协商全过程;`--insecure` 跳过证书校验以聚焦握手异常;`--dump-header` 强制将响应头重定向至stderr便于分离分析。
关键参数对照表
参数作用故障定位价值
--verbose显示请求/响应头、SSL握手状态、重定向路径识别ClientHello发送失败或ServerHello无响应
--insecure禁用证书验证,避免PKI干扰隔离TLS版本协商或密钥交换失败
抓包协同策略
  1. 在curl执行前启动tcpdump捕获:`tcpdump -i any -w tls.pcap port 443`
  2. 运行curl命令并记录stdout/stderr输出
  3. 用Wireshark加载pcap,按`ssl.handshake.type == 1`过滤ClientHello帧

2.5 建立时间轴证据链:Cloudflare Request ID → Anthropic Trace ID → 客户端TLS会话ID三方关联

关联锚点注入机制
请求在 Cloudflare 边缘节点生成唯一 cf-ray(即 Request ID),并通过 X-Request-ID 头透传至 Anthropic 后端服务:
func injectTraceHeaders(w http.ResponseWriter, r *http.Request) {
    cfRay := r.Header.Get("CF-Ray")
    w.Header().Set("X-Request-ID", cfRay)
    // Anthropic SDK 自动将该 header 映射为 trace_id
}
此函数确保请求生命周期起始标识不丢失; cf-ray 全局唯一且含时间戳前缀,是时序对齐的强锚点。
客户端 TLS 会话绑定
TLS 1.3 的 tls_session_id(实际为 PSK 标识符)与客户端首次握手强绑定,可关联前端真实会话:
字段来源用途
CF-RayCloudflare Edge边缘入口时间戳+随机ID
trace_idAnthropic SDK自动继承 X-Request-ID
session_idClient TLS handshake唯一会话指纹,不可伪造

第三章:核心瓶颈归因分析

3.1 基于Rate Limit Header动态衰减曲线的配额耗尽根因判定

动态衰减曲线建模
通过解析 X-RateLimit-Remaining 与 X-RateLimit-Reset 的时序变化,构建请求速率衰减函数:
def decay_curve(remaining, reset_ts, window_sec=60):
    # remaining: 当前剩余配额;reset_ts: 重置时间戳(秒级)
    now = time.time()
    elapsed = min(window_sec, max(0, reset_ts - now))
    return remaining / (elapsed + 1e-6)  # 防零除,单位时间消耗率
该函数输出瞬时配额消耗速率,数值跃升预示突发调用或客户端重试风暴。
根因分类矩阵
衰减斜率Reset 时间偏移典型根因
陡降(>5/s)提前触发未退避的指数重试
缓降(0.1–1/s)准时触发长周期爬虫或定时任务
实时判定流程
  1. 每5秒采集一次 Rate Limit Header
  2. 计算连续3个窗口的衰减斜率方差
  3. 方差 > 2.5 → 触发“突发型耗尽”告警

3.2 Cloudflare WAF规则触发日志与SNI匹配策略的逆向推演

日志字段逆向映射
Cloudflare WAF日志中 ssl.sni 与 action 字段存在强因果关联。通过高频触发样本聚类,可反推出隐式SNI白名单边界:
{
  "ssl": {
    "sni": "api.example-corp.com",
    "client_hello": true
  },
  "action": "block",
  "rule_id": "cf_waf_custom_789"
}
该日志表明:WAF在TLS握手阶段已完成SNI解析,并在未建立HTTP连接前触发阻断——证实SNI匹配早于Host头校验。
匹配优先级验证
匹配层级触发时机可否绕过
SNI(ALPN前)TLS ClientHello否(底层协议拦截)
Host HeaderHTTP请求行是(如HTTP/2伪头篡改)
规则推演关键路径
  • 采集连续72小时WAF阻断日志,按ssl.sni分组统计触发频次
  • 交叉比对Cloudflare仪表盘中启用的自定义规则条件表达式
  • 定位规则中隐含的SNI正则模式(如^.*\.internal\..*$)

3.3 TLS 1.3 Early Data(0-RTT)被拒绝导致搜索请求静默丢弃的实证验证

复现环境与抓包证据
在客户端启用 0-RTT 后,Wireshark 捕获到 Server Hello 中携带 early_data_rejected 扩展,但客户端未重发请求。
关键代码逻辑
if tlsConn.ConnectionState().EarlyDataAccepted {
    sendSearchRequest() // 仅当 0-RTT 被接受时发送
} else {
    // 无 fallback 逻辑 → 请求静默丢失
}
该逻辑缺失重试机制:`EarlyDataAccepted` 为 `false` 时,搜索请求直接跳过,不降级至 1-RTT。
不同服务器响应对比
服务器类型EarlyDataAccepted是否静默丢弃
Nginx 1.21+false是
Cloudflaretrue否

第四章:12分钟标准化定位流水线落地

4.1 第1–3分钟:Cloudflare Logpush实时流解析与Error Code聚类脚本(Python+Pandas)

数据同步机制
Logpush 以 30 秒批次将 JSONL 格式日志推送到 S3,脚本通过 `boto3` 轮询新对象并流式读取,避免全量加载。
核心聚类逻辑
# 按 error_code + edge_status_code 双维度聚合
df = pd.read_json(s3_object_body, lines=True)
error_clusters = df.groupby(['error_code', 'edge_status_code']).size().reset_index(name='count')
该代码利用 Pandas 的 `groupby` 实现轻量级实时聚类;`lines=True` 支持 JSONL 解析;`edge_status_code` 补充了 CDN 边缘层错误上下文,提升根因定位精度。
高频错误码TOP5
Error CodeEdge StatusCount
origin_dns_error523142
timeout52497

4.2 第4–6分钟:Anthropic API响应头自动化解析与限流状态机建模(Go微工具链)

响应头解析器设计
// ParseRateLimitHeaders 提取 x-ratelimit-* 系列头部
func ParseRateLimitHeaders(hdr http.Header) RateLimitState {
	return RateLimitState{
		Limit:     parseIntHeader(hdr, "x-ratelimit-limit"),
		Remaining: parseIntHeader(hdr, "x-ratelimit-remaining"),
		Reset:     parseUnixTimeHeader(hdr, "x-ratelimit-reset"),
	}
}
该函数将 Anthropic 返回的限流元数据统一映射为结构化状态,支持毫秒级精度重置时间解析。
限流状态机核心逻辑
  • 采用 `Idle → Throttling → Backoff → Ready` 四态迁移
  • 每状态绑定超时阈值与退避系数,支持动态调整
状态迁移规则表
当前状态触发条件目标状态
Idleremaining ≤ 3Throttling
Throttlingreset ≤ now()Backoff

4.3 第7–9分钟:Wireshark + tshark离线TLS握手分析模板(含JA3提取Bash函数库)

核心分析流程
离线分析需兼顾效率与可复现性:先用 tshark 提取 TLS 握手数据,再通过 Bash 函数封装 JA3 指纹生成逻辑。
# ja3_from_pcap.sh:从pcap中提取客户端Hello的JA3指纹
tshark -r "$1" -Y "tls.handshake.type == 1" \
  -T fields -e tls.handshake.version \
  -e tls.handshake.extensions.supported_group \
  -e tls.handshake.extensions.supported_version \
  -e tls.handshake.ciphersuites | \
  awk 'NF {print $1","$2","$3","$4}' | \
  md5sum | cut -d' ' -f1
该脚本提取 TLS 版本、扩展组、支持版本及密码套件字段,以逗号拼接后哈希——完全复现 JA3 定义(RFC 8446 + IANA 注册值),避免 Wireshark GUI 环境依赖。
关键字段映射表
字段名tshark 显示过滤器JA3 对应位置
TLS 版本tls.handshake.version第1段
加密套件tls.handshake.ciphersuites第4段
自动化集成建议
  • 将上述函数纳入 ja3lib.sh,支持批量 pcap 并行处理
  • 配合 wireshark -o "gui.window_title:%f" 实现标签化离线会话管理

4.4 第10–12分钟:三源日志融合看板构建(Grafana+Loki+Prometheus指标联动)

数据同步机制
通过 Promtail 的 `pipeline_stages` 实现日志结构化,与 Prometheus 指标通过 `job` 和 `instance` 标签对齐:
scrape_configs:
- job_name: 'loki'
  static_configs:
  - targets: ['localhost:3100']
    labels:
      job: 'nginx-access'
      instance: 'web-01'
该配置使 Loki 日志流携带与 Prometheus 相同的 `job`/`instance` 标签,为跨数据源关联奠定基础。
看板联动设计
组件角色关键字段
Grafana统一可视化入口Explore + Dashboard 双模式
Loki结构化日志检索{job="nginx-access"} | json
Prometheus时序指标聚合rate(http_requests_total[5m])
实战查询示例
在 Grafana Explore 中使用 LogQL 与 Metrics 联动:
  • 点击日志条目 → 自动注入 `instance` 和时间戳
  • 切换至 Metrics 标签页 → 自动生成对应 `http_requests_total{instance="web-01"}` 查询

第五章:总结与展望

核心实践路径
在生产环境中,我们已将本文所述的可观测性链路(OpenTelemetry + Prometheus + Grafana)落地于某电商订单服务集群。关键指标采集延迟稳定控制在 80ms 内,错误率突增可在 12 秒内触发告警。
典型配置片段
# otel-collector-config.yaml 中的 exporter 配置
exporters:
  otlp/remote:
    endpoint: "otel-gateway.prod:4317"
    tls:
      insecure: false
  prometheus:
    endpoint: "0.0.0.0:9090"
    namespace: "order_svc"
性能对比数据
方案P99 采集延迟 (ms)内存占用 (MB)标签基数支持
Jaeger + StatsD215342≤ 128
OTel + Prometheus78261≥ 512
演进方向
  • 集成 eBPF 实现零侵入式网络层追踪(已在 Kubernetes Node 上完成 calico-ebpf 模块验证)
  • 构建基于 PyTorch 的异常模式识别模型,对 200+ 维度时序指标进行实时聚类分析
  • 将 SLO 计算引擎嵌入 Grafana 插件,支持前端动态调整 error budget 窗口
跨团队协同机制
DevOps → 定义 SLI/SLO → Platform Team → 自动化生成 OpenTelemetry Collector CRD → SRE → 实时校验 Burn Rate 并触发预案
Clef:Cloudflare边缘安全策略的可解释性框架 边缘安全策略是现代CDN与云服务商的核心能力,其决策逻辑直接影响WAF拦截、Tunnel健康判断与合规审计结果。传统上这类策略以黑盒形式运行,缺乏可验证的执行依据,导致误报归因难、故障MTTR高、合规举证弱。Clef作为Cloudflare首次系统外显的决策框架,采用形式化布尔逻辑与条件概率图,公开WAF规则链、Tunnel健康评分权重等关键策略逻辑,显著提升策略可解释性(Explainability)与责任归属(Accountability)。它不提供新API或SDK,而是为安全工程师调优规则、SRE构建 阅读详情

相关推荐

frontend-design skills

frontend-design skills

Python——爬虫之网页请求HTTP响应头和HTTP请求头——六月十八

这是一个HTTP响应头和请求头的示例,提供了有关服务器响应的详细信息。

qq_59344127的博客 2028

Simulink与CANape联动教程:模型调试阶段如何快速标定参数观测信号

本文详细介绍了如何通过Simulink与CANape联动,实现模型参数的实时标定与信号观测,从而避免反复编译,提升开发效率。核心在于正确配置Simulink中的标定量与观测量,生成A2L描述文件,并利用XCP协议建立通信,为新能源汽车与自动驾驶系统的快速原型开发提供高效解决方案。

weixin_29006187的博客 382

HTTP 状态码列表

​ 这是超文本传输协议(HTTP) 响应状态代码的列表。状态码由服务器发出,以响应客户端对服务器的请求。它包括来自 IETF(RFC) 的代码、其他规范以及在 HTTP 的一些常见应用程序中使用的一些附加代码。状态代码的第一位数字指定了五种标准响应类别之一。显示的消息短语是典型的,但可以提供任何人类可读的替代方案。除非另有说明,否则状态代码是 HTTP/1.1 标准 (RFC 7231) 的一部分。所有 HTTP 响应状态代码都分为五个类或类别。

技匠而已 3090

车辆横向控制MPC实战:从‘老王模型’到CasADi求解的保姆级避坑指南

本文详细解析了车辆横向控制MPC的实战应用,从经典动力学模型选择到CasADi求解器的优化配置,提供了一套完整的避坑指南。重点介绍了车辆动力学模型的验证要点、CasADi环境的高效配置技巧以及MPC问题建模的核心要素,帮助开发者快速实现稳健的横向控制方案。

weixin_42524499的博客 346

获取气体传感器温度调制响应数据并转换为NumPy数组

本任务旨在获取气体传感器在温度调制条件下的响应数据,将其处理为结构化数据格式(NumPy数组),以便用于机器学习模型训练。整个过程包含数据采集、预处理、特征工程和格式转换等关键步骤。

huanghm88的专栏 1208

Cloudflare 530 error 1033 排查全记录

摘要: 本文记录了matrixengine.site根域名出现Cloudflare 530错误(错误码1033)的完整排查过程。通过逐步检查源站连通性、nginx配置、SSL证书和服务器日志,最终定位到问题源于Cloudflare面板的DNS代理设置异常。作者建议遇到530错误时,应依次检查源站状态、服务器配置、SSL证书,最后排查Cloudflare的DNS和SSL设置。文章提供了详细的排查思路和修复方法,并附上作者技术博客链接供进一步参考。

matrix_E的博客 443

大语言模型在建筑规范自动化合规审查中的微调策略与规模效应实践

大语言模型(LLM)通过在海量文本数据上预训练,具备了强大的语言理解和生成能力。其核心原理是基于Transformer架构,通过自注意力机制捕捉长距离依赖关系。在工程实践中,为了将这种通用能力适配到建筑、法律、金融等高度专业化的垂直领域,通常需要采用领域微调技术。微调通过使用特定领域的高质量指令数据对模型参数进行更新,使其掌握专业术语、逻辑规则和任务范式,从而解决通用模型在专业场景下知识匮乏和“幻觉”问题。结合检索增强生成(RAG)技术,将动态外部知识库作为模型的“参考手册”,能进一步提升事实准确性并降低幻

weixin_30667831的博客 369

httpstat.us支持的特殊状态码大全:从419到530的实战应用

httpstat.us是一款强大的HTTP响应测试工具,能够轻松生成各种HTTP状态码响应,帮助开发者测试和调试Web应用程序。本文将详细介绍httpstat.us支持的特殊状态码,从419到530,以及它们的实战应用场景。 ## 一、4xx系列特殊状态码 ### 1.1 419 CSRF Token Missing or Expired 419状态码是Laravel框架特有的状态码,用于表

gitblog_01034的博客 545

【ffmpeg+cuda实现硬编解码】

最近在搞一个项目,我需要向AI提供视频帧数,本来一开始摄像头是H.264的编码,我直接复制流推到AI层去推理,然后需要将事件回溯成30秒的视频截取。结果摄像头换成了HEVC编码,截取的视频不能在网页直接播放(需要JS实现调用硬解码)。一开始的方案是ffmpeg直接将HEVC转成H.264结果因为事务巨多CPU占用量过大,导致影响到了推理,因为本身选用的模型+杂七杂八的业务逻辑也要占用大量的CPU资源,所以经过研究把ffmpeg和nvcodec结合起来来平衡设备性能,算是解决了这个问题吧。这两个是前提条件,我

jiexijihe945的博客 7233

【云原生技术】helm中Chart.yaml、values.yaml、_helpers.tpl 各自的写法与作用

Chart.yaml、values.yaml、_helpers.tpl 各自的写法与作用 在一个标准的 Helm Chart 中,通常会包含以下关键文件: - **Chart.yaml** - **values.yaml** - **templates/`_helpers.tpl`** - 以及若干模板文件(`deployment.yaml`、`service.yaml` 等) 下面分别介绍这几个文件的作用、常见字段及其含义。

weixin_46453070的博客 756

【API网关】KONG的安装记录

API网关KONG的搭建指南

gzjungle的博客 597

芒果YOLOv12改进90:检测头篇之ShareSepHead:即插即用|原创新颖共享Sep检测头,更省参数量,更高效,打造新型YOLOv8检测器,精度高效涨点

芒果YOLOv12改进90:检测头篇之ShareSepHead:即插即用|原创新颖共享Sep检测头,更省参数量,更高效,打造新型YOLOv8检测器,精度高效涨点

包括YOLOv5、YOLOv7、YOLOv8等模型改进 349

<QNAP 453D QTS-5.x> 日志记录:Cloudflare tunnels,NAS 重启后 Argo Tunnel error, 添加 Cloudflared tunnel 自启动

在QNAPNAS重启后,NAS不能与Cloudflare建立连接。cloudflared无法找到证书文件.hmm。

davenian的博客 1537

Ansys Lumerical双层扭曲液晶偏振光栅仿真:宽角度衍射效率优化

Ansys Lumerical双层扭曲液晶偏振光栅仿真研究 摘要 本文采用Ansys Lumerical软件平台,对双层扭曲液晶偏振光栅的宽角度衍射特性进行系统仿真研究。针对6μm周期的液晶光栅结构,以1050nm、1064nm和1550nm三个近红外波段为研究对象,在±40°入射角范围内优化平均衍射效率。研究基于液晶材料的双折射特性(Δn=0.135),通过构建两层扭曲方向相反的液晶层结构,扫描0-90°单层扭曲角度和不同厚度参数,利用RCWA求解器进行严格耦合波分析~~~~~~~

huanghm88的专栏 167

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

在Linux终端快速检测网站是否宕机的6个方法

前沿 你可能已经了解了一些类似的命令,像ping、curl和wget。我们在本教程中又加入了一些其他命令。同时,我们也加入了不同的选项来检测单个和多个主机的信息。本文将帮助你检测网站是否宕机。但是如果你在维护一些网站,希望网站宕掉时得到实时的报警,我推荐你去使用实时网站监控工具。这种工具有很多,有些是免费的,大部分收费。根据你的需求,选择合适的工具。在后续的文章中我们会涉及...

zuiyijiangnan的博客 1641

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")

python爬虫

1.info() #http.client.HTTPResponse object.info() >>> import urllib >>> print(urllib.request.urlopen('https://placekitten.com/1314/520').info()) Date: Wed, 12 Jan 2022 01:12:41 GMT Content-Type: image/jpeg Transfer-Encoding: chunked Con

m0_47152016的博客 9065

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

UBNT EdgeRouter X 设置cloudflare的DDNS (ddclient)配置

ddclient工具,它是一个用perl写的脚本,可以直接用记事本软件打开修改,所以各个设备系统里面的ddclient工具的版本不尽相同。首先,cloudflare虽然没说支持ddns,官网也没相关的配置文档和说明。但是其实它是支持ddns的,csdn上面有很多文章,它们的核心思想都是使用cloudflare提供的api进行更新域名ip。这个版本是从ubnt里面拿出来的,里面含nic_cloudflare_update函数,所以它是支持cloudflare的。login是cloudflare的登录邮箱;

whgjjim的博客 3014

告别离线!为Claude Code装上联网搜索的三种姿势(Tavily真香)

给Claude Code配上搜索,就像给跑车加了翅膀——它本来就是个强大的编码助手,现在又能联网获取最新信息,简直无敌了。我已经用这套组合拳查了不少技术资料、写周报时搜热点,效率翻倍。如果你也动手配好了,记得回来评论区告诉我你的体验!如果遇到啥坑,也欢迎随时问我,大家一起填坑~现在,快去给你的Claude Code开个“天窗”吧!🌟。

airCyan_的博客 1万+

在境内服务器、虚拟主机上运行未备案域名方法,cf worker反向代理

应用场景: 在域名绑定受限制的情况下隐藏原服务器真实地址, 没限制直接绑定托管到cf的域名就可以了, 比如在境内IDC上部署一个没备案的域名, 只支持二级域名的免费空间换成自己的顶级域名 家庭宽带没有80 443端口的情况下对外发布应用 访问某些被限制访问的网站,例如Google Drive等 在cf中找到worker 创建一个部署,打 ...

joyanhui的专栏 5845

waf入门

文章目录waf入门什么是wafwaf一般都有哪些功能WAF部署模式WAF工作模式规则引擎原理WAF动作WAF规则与报表WAF特征 waf入门 什么是waf Web应用防护系统(也称为:网站应用级入侵防御系统。英文:Web Application Firewall,简称: WAF)。利用国际上公认的一种说法:Web应用防火墙是通过执行一系列针对HTTP/HTTPS的安全策略来专门为Web应用提供保护的一款产品。 waf专门为Web应用提供保护。 WAF全称叫Web Application Firewall,和

西京刀客 5009

Codex 报 unexpected status 401 Invalid token?TaoToken 这样改 Key 和 Base URL

Codex 抛 unexpected status 401 Invalid token 时,先别被 request id/cf-ray 带偏,也不要直接套 Claude Code 的 ANTHROPIC_* 变量。真正要查的是 Codex 配置里的 Key 和 Base URL。本文以 TaoToken 为统一 API 兼容通道,演示从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建 Key 后,修改 ~/.codex/config.to

weixin_28746457的博客 186

RestAssured接口自动化从入门到框架搭建-10-RestAssured获取响应头和Cookies

这篇来学习下Rest Assured中如何获取响应头和cookies,前面某一篇,我们介绍过如何拿到 响应内容,再做其他操作这条用例,本篇就是在拿到响应内容基础上,再获取headers 和cookies。 1.获取Headers /** * 得到响应头 */ @Test public void testGetResponseHeaders() { Res...

Anthony_tester的博客 2346

CDN加速下如何识别和限制访问来源

处理真实IP

漠效的博客 1734

Air Conditioner-CF

题意:给你客人的人数,和餐厅初始温度,接下来输入每个客人到达的时间和令其感到满意的温度区间L-R,餐厅温度可以上升,下降,不变。问是否能使每个客人满意 思路:查找区间是否有交集 #include<bits/stdc++.h> #define MAXX 100005 #define SIS std::ios::sync_with_stdio(false) #define ll lon...

Ray.C.L的博客 743

CF1041F Ray in the tube

原题链接:http://codeforces.com/contest/1041/problem/F Ray in the tube You are given a tube which is reflective inside represented as two non-coinciding, but parallel to OxOxOx lines. Each line has some s...

ShadyPi的IT笔记 1037
上一篇: 提示词不是“写得越长越好”:MIT最新实验揭示的7个反直觉原则(附A/B测试数据:响应准确率提升63.8%)
下一篇: Cursor智能编码实战:从零搭建React组件库的7个关键步骤(含VS Code无法替代的AI工作流)
simcode
博客等级 码龄14年 154粉丝 2026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