小红书“开盒”事件:一次点击暴露3亿用户平台的“家底”

01 引言

随着互联网技术的日益发展,技术栈迭代频繁,市场环境竞争激烈,程序员的新老接替,各种生产故障纷纷频出。

从阿里巴巴、亚马逊到前不久的B站,再到后来的csdn,到618的小红书“开盒”事件等等,在IT圈掀起一波轰动。有在线吃瓜的,自然也有内心担忧的。

我们一起走进小红书的“开盒”事件。

02 起因

6月18日,当电商平台沉浸于年中大促时,小红书却被曝出令人瞠目结舌的技术漏洞。多位网友在技术社区披露:在App“设置”页标题处连续点击6-10次,输入弱口令xhsdev即可进入开发者模式。

开发者模式是开发者用来调试用的后门,为了方便调试,一般会在开发者模式下放置各种开关以及便捷操作,以更快的定位问题和解决问题。

在开发者模式下,提供了日志、抓包和网络代理开关,更是直接暴露了 数据库表机构、推荐算法参数、内部微服务域名及端口等高敏感信息等,这个对企业来说无疑是重要的技术信息泄露。如果有人恶意使用,可能会造成更严重的后果。

看到很多网友评论说,怎么没有充值入口,如果有且有人用了,你可能就要号帽子叔叔聊聊了。

小编6月20号依然可以找到入口,只是口令已经失效了。

03 事故原因推测

最能想到的原因就是内部员工或者离职员工的泄露。开发者模式一般的用户不会触发到后门的,尤其还需要口令才能进去。特殊路径隐藏后门,也是很多小型公司使用的方式。而大厂则考虑的更加安全的机制,灰度测试配置等,加强开发者测试的安全。

行业中,好的设计就会被借鉴使用。很多开发者也会在自己的业务系统重使用,浏览其他产品的使用,一时技痒难耐,戳戳点点,而小红书的口令xhsdev也是非常具有开思维的口令,很容易被测试使用。

大厂的安全机制也需要去配置,如果配置错误也有可能出现类似的问题,如好多年前58同城被一个求职者找到了后台管理界面、饿了么也曾暴漏测试的按钮。

行业技术大佬也提出了几个猜测:CI/CD流水线混用了测试版与正式版签名,导致含调试开关的构建产物被投放到生产环境;Feature Flag配置失控,开发者模式原本由后端配置中心控制开关,但灰度期间误将默认值设为“true”,且未限制白名单;移动发布流程缺少二进制扫描和动态检测环节。

04 争议与辩护

事件爆发后,业内对严重程度评估出现分歧。多数声音将其定位为“P0级事故”,认为其影响范围涵盖业务安全、用户隐私、合规监管和品牌形象多个维度。

每一个公司对于线上故障等级的定义均不相同。而此次事故,可大可小。对外暴露开发者模式就是P0等级的事故么,那安卓本身也有开发者模式,那是不是也算P0级的事故呢,显然不是的。而从数据安全方面,信息泄露方面,可能就不那么简单了。

就我们公司来说,只要对主营业务的主流程没有造成中断、延迟等影响,就不是最高等级的故障,更何况这个是隐藏的路径。即便的隐藏的路径被发现,暴露的后门,不会影响到数据的修改,业务数据被篡改等,同样不会被定为最高等级的故障。当然我们公司也是小庙,哈哈。

05 行业警钟

互联网的被爆出来的一个个事故,都会给每一个公司敲一次警钟。发布规范、安全审查等一直在被各个公司要求着,可能一直都做得不错,但偏偏打个盹的功夫,故障就出现了。或者很多公司把流程规范只作为一个规范,从来没有严格的落实实施过。

当技术栈愈加复杂、交付节奏愈加紧凑,唯有把安全内建到工程文化中,才能守住最后的护城河。故障无大小,谨慎地对待每一个流程节点,安全审计需要前置到移动端灰度A/B流程中,与功能测试并行,避免“测试用”逻辑泄漏到线上。

发现小红书故障后的第一时间,我们也默默的加固了我们自己的开发者模式。

卷积神经网络(CNN)是针对多维网格数据(如图像、视频)设计的深度学习架构,其结构灵感来源于生物视觉系统对信息的分层处理机制。该模型通过局部连接、参数共享、层级特征提取等策略,有效捕获数据中的空间模式。以下从结构特性、工作机制及应用维度展说明: **1. 局部连接与卷积运算** 卷积层利用可学习的多维滤波器对输入进行扫描,每个滤波器仅作用于输入的一个有限邻域(称为感受野),通过线性加权与非线性变换提取局部特征。这种设计使网络能够聚焦于相邻像素间的关联性,从而识别如边缘走向、色彩渐变等基础视觉模式。 **2. 参数共享机制** 同一卷积核在输入数据的整个空间范围内保持参数不变,大幅降低模型复杂度。这种设计赋予模型对平移变换的适应性:无论目标特征出现在图像的任何区域,均可由相同核函数检测,体现了特征位置无关性的建模思想。 **3. 特征降维与空间鲁棒性** 池化层通过对局部区域进行聚合运算(如取最大值或均值)实现特征降维,在保留显著特征的同时提升模型对微小形变的容忍度。这种操作既减少了计算负荷,又增强了特征的几何不变性。 **4. 层级特征抽象体系** 深度CNN通过堆叠多个卷积-池化层构建特征提取金字塔。浅层网络捕获点线面等基础模式,中层网络组合形成纹理部件,深层网络则合成具有语义意义的对象轮廓。这种逐级递进的特征表达机制实现了从像素级信息到概念化表示的自动演进。 **5. 非线性扩展与泛化控制** 通过激活函数(如ReLU及其变体)引入非线性变换,使网络能够拟合复杂决策曲面。为防止过拟合,常采用权重归一化、随机神经元失活等技术约束模型容量,提升在未知数据上的表现稳定性。 **6. 典型应用场景** - 视觉内容分类:对图像中的主体进行类别判定 - 实例定位与识别:在复杂场景中标定特定目标的边界框及类别 - 像素级语义解析:对图像每个像素点进行语义标注 - 生物特征认证:基于面部特征的个体身份鉴别 - 医学图像判读:辅助病灶定位与病理分析 - 结构化文本处理:与循环神经网络结合处理序列标注任务 **7. 技术演进脉络** 早期理论雏形形成于1980年代,随着并行计算设备的发展与大规模标注数据的出现,先后涌现出LeNet、AlexNet、VGG、ResNet等里程碑式架构。现代研究聚焦于注意力分配、跨层连接、卷积分解等方向,持续推动模型性能边界。 卷积神经网络通过其特有的空间特征提取范式,建立了从原始信号到高级语义表达的映射通路,已成为处理几何结构数据的标准框架,在工业界与学术界均展现出重要价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
屋顶面板实例分割数据集 一、数据集基础信息 • 数据集名称:屋顶面板实例分割数据集 • 图片数量: 训练集:1559张图片 验证集:152张图片 测试集:95张图片 总计:1806张图片 • 训练集:1559张图片 • 验证集:152张图片 • 测试集:95张图片 • 总计:1806张图片 • 分类类别: panel(面板):屋顶上的面板结构,如太阳能板或其他安装组件。 roof(屋顶):建筑屋顶区域,用于定位和分割。 • panel(面板):屋顶上的面板结构,如太阳能板或其他安装组件。 • roof(屋顶):建筑屋顶区域,用于定位和分割。 • 标注格式:YOLO格式,包含实例分割的多边形标注,适用于实例分割任务。 • 数据格式:图片文件,来源于航拍或建筑图像,涵盖多种场景。 二、数据集适用场景 • 建筑与施工检查:用于自动检测和分割屋顶上的面板,辅助建筑质量评估、维护和安装规划。 • 可再生能源管理:在太阳能发电系统中,识别屋顶太阳能板的位置和轮廓,优化能源部署和监控。 • 航拍图像分析:支持从空中图像中提取建筑屋顶信息,应用于城市规划、房地产评估和基础设施管理。 • 计算机视觉研究:为实例分割算法提供基准数据,推动AI在建筑和能源领域的创新应用。 三、数据集优势 • 精准实例分割标注:每个面板和屋顶实例均通过多边形标注精确定义轮廓,确保分割边界准确,支持细粒度分析。 • 类别聚焦与实用性:专注于屋顶和面板两个关键类别,数据针对性强,直接适用于建筑和能源行业的实际需求。 • 数据多样性与泛化性:涵盖不同环境下的屋顶和面板图像,增强模型在多变场景中的适应能力。 • 任务适配便捷:标注兼容主流深度学习框架(如YOLO),可快速集成到实例分割模型训练流程。 • 行业价值突出:助力自动化检测系统发,提升建筑检查、能源管理和城市分析的效率与准确性。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

智_永无止境

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
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