智能硬件安全初探:Arduino密码锁的设计误区与防护升级

RT-Thread网络编程:基于STM32F407的TCP客户端实现(含完整代码解析) 本文详细介绍了在STM32F407平台上,基于RT-Thread操作系统和LWIP协议栈实现工业级可靠TCP客户端的完整过程。内容涵盖底层ETH驱动配置、Socket编程、连接保活与断线重连机制、数据收发协议设计以及资源管理,提供了可应用于实际项目的健壮代码框架与调试技巧。 阅读详情

智能硬件安全初探:Arduino密码锁的设计误区与防护升级

在物联网设备日益普及的今天,智能门禁系统作为家庭与办公安全的第一道防线,其安全性显得尤为重要。许多硬件爱好者和初创团队在开发原型时,常选择Arduino平台快速实现密码锁功能,却往往忽略了其中潜藏的安全风险。这类简易系统通常面向智能家居、小型工作室或教育演示场景,用户群体包括物联网开发者、硬件工程师、安全研究人员以及对技术DIY感兴趣的高级爱好者。一个典型的Arduino密码锁系统由矩阵键盘输入、舵机驱动锁具以及简单的密码验证逻辑组成,看似功能完整,实则存在多处安全隐患,如密码明文存储、无尝试次数限制、通信未加密等,极易被恶意攻击者利用。本文将深入剖析这些常见设计误区,并提供切实可行的防护升级方案,帮助开发者构建更可靠的智能门禁系统。

1. 常见安全漏洞与设计误区

在快速原型开发过程中,开发者往往优先考虑功能实现而非安全性,导致许多Arduino密码锁系统存在严重的设计缺陷。这些漏洞可能被攻击者利用,造成未授权访问甚至物理入侵。

密码明文存储与传输是最常见的安全隐患。许多系统直接将预设密码以字符串形式硬编码在程序中,如String password = "1234",一旦固件被提取,攻击者便可轻易获得密码。同时,键盘输入到主控芯片的数据通常未经任何加密处理,通过简单的逻辑分析仪或串口监听即可截获用户输入的密码。

缺乏尝试次数限制使得暴力破解成为可能。攻击者可以无限次尝试密码组合,尤其是短密码(如4位数字)仅存在10000种可能,在现代微控制器的处理速度下,可在极短时间内遍历所有组合。以下是一个典型的缺乏防护的代码逻辑:

void loop() {
  char key = keypad.getKey();
  if (key) {
    if (key == '#') {
      if (inputPassword == password) {
        // 门锁开启
      } else {
        // 门锁保持关闭
      }
      inputPassword = "";
    }
  }
}

物理安全防护不足同样值得关注。许多开发板直接暴露GPIO引脚,攻击者可通过短路、注入信号或重新编程等方式绕过安全验证。舵机控制信号通常未经隔离,攻击者可能直接向舵机发送驱动信号从而操控锁具。

提示:根据OWASP物联网安全指南,任何安全系统都应遵循“纵深防御”原则,而非依赖单一保护机制。

2. 密码存储与验证机制升级

强化密码存储与验证机制是提升系统安全性的基础。首先,应避免使用明文存储密码,转而采用密码学哈希函数处理。哈希函数可将任意长度输入转换为固定长度的输出,且过程不可逆,即使攻击者获得哈希值也无法直接还原密码。

推荐使用SHA-256算法进行密码哈希处理。Arduino平台可通过安装Crypto库实现SHA-256计算。以下为改进后的密码存储与验证示例:

#include <Crypto.h>
#include <SHA256.h>

// 预先计算密码"1234"的SHA-256哈希值(需在安全环境中计算并存储)
const uint8_t storedHash[32] = {0xA6, 0xFE, 0x42, 0x73, 0x86, 0x1A, 0xFC, 0x6A, 
                                0x20, 0xA5, 0x5D, 0x56, 0x67, 0x81, 0xDF, 0x4F,
                                0xBA, 0xAD, 0x98, 0xDA, 0x9D, 0xFD, 0xE7, 0xBE,
                                0x65, 0x5A, 0x81, 0x20, 0xFC, 0xE3, 0x49,0xB8};

void setup() {
  // 初始化代码
}

void loop() {
  char key = keypad.getKey();
  if (key == '#') {
    SHA256 sha256;
    sha256.update(inputPassword.c_str(), inputPassword.length());
    uint8_t inputHash[32];
    sha256.finalize(inputHash, 32);
    
    if (memcmp(inputHash, storedHash, 32) == 0) {
      // 密码正确,开门
    } else {
      // 密码错误
    }
  }
}

加盐处理可进一步增强哈希安全性。盐值是一个随机生成的数据片段,与密码组合后再进行哈希计算,有效防御彩虹表攻击。每个系统应使用唯一的盐值,并与哈希值分开存储。

存储方案安全性实现复杂度推荐场景
明文存储极低低仅用于演示
基础哈希中等中低风险环境
加盐哈希高中高大多数应用场景
加密存储极高高高安全要求场景

实施尝试次数限制是防止暴力破解的有效手段。系统应记录连续失败尝试次数,当超过阈值时启动防护机制:

uint8_t failedAttempts = 0;
const uint8_t maxAttempts = 3;
unsigned long lockoutTime = 0;
const unsigned long lockoutDuration = 300000; // 5分钟锁定

void loop() {
  if (lockoutTime > 0 && millis() < lockoutTime) {
    // 系统处于锁定状态,拒绝任何输入
    return;
  } else if (lockoutTime > 0 && millis() >= lockoutTime) {
    lockoutTime = 0; // 解除锁定
    failedAttempts = 0;
  }
  
  char key = keypad.getKey();
  if (key == '#') {
    if (/* 密码验证失败 */) {
      failedAttempts++;
      if (failedAttempts >= maxAttempts) {
        lockoutTime = millis() + lockoutDuration;
        // 触发警报或通知用户
      }
    }
  }
}

3. 硬件级安全增强措施

软件安全措施需与硬件防护相结合,构建多层次防御体系。物理防篡改设计是首要考虑因素。主控芯片应放置在防护外壳内,关键引脚可添加防干扰电路,当检测到外壳被打开或引脚被短路时,自动触发安全锁定并清除敏感数据。

信号加密传输可防止键盘输入被窃听。矩阵键盘与主控芯片间的通信可采用简单加密算法或使用专用加密芯片。对于更高安全要求的场景,可考虑使用I²C或SPI接口的加密键盘模块,这些模块通常内置加密功能,能够安全传输输入数据。

电源分析与旁路攻击防护对高安全环境尤为重要。攻击者可能通过分析设备功耗变化来推断密码内容,以下防护措施可有效缓解此类风险:

  • 添加稳压电路和去耦电容,平滑电源波动
  • 在密码处理期间引入随机延迟,干扰时序分析
  • 使用金属屏蔽罩减少电磁辐射泄漏
  • 对关键代码进行混淆处理,增加分析难度

安全启动与固件验证确保系统未被恶意修改。支持安全启动的微控制器(如ESP32)可验证固件签名,防止未经授权的固件更新。此外,应禁用调试接口或在生产版本中移除调试代码,避免攻击者通过调试接口获取系统访问权限。

注意:硬件安全措施需要与软件防护协同工作,单一措施难以提供全面保护。在实际设计中,应根据系统的安全要求和成本预算选择适当的组合方案。

4. 多因素认证与生物特征集成

单一密码认证无论多么复杂,仍然存在被破解或窃取的风险。引入多因素认证可显著提升系统安全性,特别是在高安全要求的应用场景中。

生物特征识别为智能门禁系统提供了新的可能性。指纹识别模块已变得廉价且易于集成,许多模块提供简单的串口通信接口,可直接与Arduino连接。以下是指纹识别集成示例:

#include <Adafruit_Fingerprint.h>

SoftwareSerial fingerSerial(10, 11); // RX, TX
Adafruit_Fingerprint finger = Adafruit_Fingerprint(&fingerSerial);

void setup() {
  finger.begin(57600);
  if (finger.verifyPassword()) {
    Serial.println("指纹传感器就绪");
  } else {
    Serial.println("未找到指纹传感器");
    while (1);
  }
}

bool checkFingerprint() {
  int p = finger.getImage();
  if (p != FINGERPRINT_OK) return false;
  
  p = finger.image2Tz();
  if (p != FINGERPRINT_OK) return false;
  
  p = finger.fingerFastSearch();
  if (p != FINGERPRINT_OK) return false;
  
  return true;
}

RFID/NFC认证是另一种常见的辅助认证方式。用户只需刷卡即可完成身份验证,避免了密码输入的麻烦。现代RFID模块支持加密通信,安全性远高于传统密码方案。

多因素认证组合策略可根据安全需求灵活配置:

  1. 基础安全:密码认证 + 尝试次数限制
  2. 中等安全:密码 + 生物特征(指纹或面部识别)
  3. 高安全:生物特征 + 物理令牌(RFID卡或手机蓝牙认证)
  4. 极高安全:多生物特征组合 + 实时远程授权

实际项目中,我曾为一家小型办公室设计过基于Arduino的多因素门禁系统。系统采用密码+RFID的双因素认证,并集成了失败尝试报警功能。实施后发现,相比单一密码系统,员工更倾向于使用RFID卡快速进入,而访客则使用临时密码,既提高了安全性又增强了易用性。

5. 系统监控与异常检测

智能安全系统应具备持续监控和异常检测能力,而非仅仅依赖静态的认证机制。行为分析算法可识别异常访问模式,如非正常时间的访问尝试、频繁的错误输入等,并自动触发警报或增强认证要求。

日志记录与远程通知功能使系统能够记录所有访问尝试,并在检测到可疑活动时及时通知管理员。对于Arduino系统,可通过添加Wi-Fi或GSM模块实现远程通信:

#include <ESP8266WiFi.h>

const char* ssid = "您的网络SSID";
const char* password = "您的网络密码";

void sendAlert(String message) {
  WiFiClient client;
  if (client.connect("api.alertservice.com", 80)) {
    client.print("GET /alert?message=");
    client.print(message);
    client.println(" HTTP/1.1");
    client.println("Host: api.alertservice.com");
    client.println("Connection: close");
    client.println();
  }
}

void setup() {
  WiFi.begin(ssid, password);
  while (WiFi.status() != WL_CONNECTED) {
    delay(500);
  }
}

自检与防拆机制确保系统完整性。设备应定期自检关键组件(如传感器、执行器、存储芯片)的功能正常,并在检测到故障或篡改尝试时进入安全模式。加速度传感器可用于检测设备是否被移动或撞击,光传感器可检测外壳是否被打开。

固件更新安全同样不容忽视。远程固件更新功能必须通过安全加密通道进行,并验证更新包的完整性和真实性。建议使用TLS加密通信和数字签名验证,防止中间人攻击或恶意固件植入。

在实际部署中,安全性与易用性需要平衡。过于复杂的安全措施可能降低系统可用性,而过于简单的方案则无法提供足够保护。最佳实践是采用风险自适应认证,根据上下文信息(如时间、位置、用户行为模式)动态调整认证要求,在保证安全的同时优化用户体验。

干法刻蚀工艺进阶:如何通过调节DC自偏压优化刻蚀速率和各向异性 本文深入探讨了干法刻蚀工艺中DC自偏压的精细调控艺术。DC自偏压是影响刻蚀速率和各向异性的关键因素,文章通过实战案例,详细分析了如何通过调节射频功率、频率、腔室压力及气体成分等参数,间接而有效地控制DC自偏压,从而优化高深宽比硅沟槽等复杂结构的刻蚀效果,实现工艺性能的精准提升。 阅读详情

相关推荐

WPF窗口定位技巧:从基础到高级的三种实现方法

本文详细解析WPF窗口定位的三种核心方法:屏幕居中(CenterScreen)、父窗口居中(CenterOwner)和手动定位(Manual)。通过对比其适用场景、实现代码与注意事项,帮助开发者根据实际需求选择最佳方案,从而提升WPF应用程序的用户体验与专业度。

weixin_29224309的博客 274

工业IoT告警根因定位:DolphinDB时间聚类+拓扑传播两板斧

告警风暴里根因被噪声淹没,给出DolphinDB上的定位方案:时间聚类压缩告警成事件,设备拓扑多跳传播回溯上游根因,配合参数标定与排错表直接落地。

2301_78967866的博客 224

深信服技术认证“SCCA-C”划重点:信服云托管云

该认证包括云数据中心基础、云计算基础、云计算关键技术、云计算交付和运维体系、云计算技术商业应用、信服云托管云、深信服超融合HCI、深信服桌面云aDesk、深信服分布式存储EDS、深信服应用交付AD。学习并获得SCCA-C认证后,可以具备深信服产品功能原理与实践,能够根据业务需求,协助完成云产品方案落地与实施;能够根据业务需求,完成深信服云产品的部署和管理的基本工作。为帮助大家更加系统化地学习云计算知识,高效通过云计算工程师认证,深信服特推出“SCCA-C认证备考秘笈”,共十期内容。

sangfor_edu的博客 615

注塑机数据采集网关 ZK-D1/D3:读取控制器哪些数据对接 MES/IoT 平台

ZK-D1/D3数据采集网关可统一接入多品牌注塑机,采集设备状态、生产计数、工艺参数、报警及能耗等核心数据,通过MQTT/HTTP等协议标准化上传至MES/IoT平台。实现“一次接入、统一建模”,支撑OEE分析、产量看板、质量追溯与故障闭环管理。关键在于规范数据映射、合理设置采集频率、保障时间同步与安全传输,最终将设备数据转化为生产效率与质量管理价值。

专业采集注塑机数据,为mes系统提供数据服务! 515

教你读懂techpoint视频解码芯片tp2855规格书(第一部分)

所有的控制环都是可编程的,以实现最大化的灵活性。对于NTSC/PAL输入,输出时钟和采样结构是非标准的,以便在多路复用输出时与HD格式一同工作。所有通道的音频数据都可以选择性地级联,以实现最大的灵活性。TP2855是一款通用的高清/标清视频解码器芯片,其支持对HD-TVI、NTSC/PAL制式960H分辨率及普通AHD视频格式的解码。TP2855具有内部钳位,在每个通道上都有自动增益控制放大器,用于最佳的信号调节。即使在使用低质量和长线缆的条件下,它的可编程均衡放大器和自动控制环也能维持尚佳的表现。

hufan92的博客 4927

软件工程导论考试通关秘籍:太原理工大学历年真题解析(附答案)

本文为太原理工大学《软件工程导论》考试提供高效备考指南,通过解析近六年真题,揭示高频考点如软件生命周期、UML建模和结构化设计等核心模块的命题规律。文章提供真题拆解、实战策略和避坑指南,帮助考生掌握图形转换题和简答题的应答技巧,助力考试通关。

weixin_29233333的博客 227

注塑机智能数据采集网关 ZK-D1/D3:如何把工艺参数与 SPC 监测数据送到 MES 和 IoT 平台

注塑车间设备型号杂、通信协议不一,ZK-D1/D3智能采集网关作为“协议翻译+数据建模+边缘计算”中间件,实现多机型兼容与数据标准化。通过控制器接口、IO信号及辅助设备数据融合,按模次组织工艺参数,生成含质量标记的SPC数据,支持断网缓存与补传。数据以统一模型对接MES与IoT平台,助力良率分析与过程优化。实施关键:摸清接口、统一字典、保障断网可靠性。

专业采集注塑机数据,为mes系统提供数据服务! 316

吹气压力传感器US6310 US6330调试

更换压力传感器, 从US6310 更换为US6330。 6310有一个准备好引脚,AD转换完成后会给MCU一个脉冲 而6330就没有这个功能,6330这个引脚是用来选择SPI还是I2C接口的。(6330没有复位引脚,内部有POR功能) 因此在实现上是有根本区别的, 其它方面使用的命令也不一样, 6310 A8 A9两条命令,一个命令模块醒来,一个命令模块休眠, 6330只有一条命令AA, 命令模块开始转换。 针对这2个模块作为2种处理方法, 1. 6310,可以设置一...

明天乌儿会歌唱 2027

electronica 2026|SC236亮相,面向AIoT终端的新一代智能模组

该产品基于高通跃龙™ Q-2390处理器打造,融合计算、多媒体处理与无线连接能力,为AIoT终端提供从连接、计算到应用承载的一体化能力,助力客户打造面向未来的智能设备。面向无线智能支付终端、工业手持设备、执法仪、行车记录仪等行业设备,SC236融合计算、多媒体与无线连接能力,为终端提供更丰富的交互体验和智能化应用能力。相比传统连接型模组,SC236进一步增强设备本地处理能力,使终端能够承载更多智能应用功能,推动行业设备从“连接”向“智能”演进。

Fibocom_Wireless的博客 219

Apple CarPlay Certification Guide December 2022 解析V1.0

Apple CarPlay Certification Guide December 2022更新说明

m0_74450450的博客 706

2023,程序员的出路在哪里?

可是似乎从30岁开始这工资就没涨过,前面跳槽几次涨的薪水在30岁以后跳槽已经不管用了、定格了,这几年由于市场环境不景气,程序员竞争越来越激烈,36岁跟30拿的工资一模一样,不仅工资拿的一样,反而事情还越来越多了,这些都意味着什么?处理故障需要的通常不仅仅是写代码的能力,还需要对一个系统的全貌要有一定的掌握。虽然目前不少大型互联网企业都在进行结构性调整,但是从互联网行业发展的基本面来看,未来在产业互联网发展的过程中,IT行业和传统行业将会释放出大量的就业岗位,所以未来程序员的发展空间还是非常值得期待的。

AI天才研究院 20万+

注塑机数据采集网关 ZK-D1/D3 困局解析:如何实现与 MES/IoT 平台的实时数据对接

注塑车间数字化困局源于设备异构导致的数据采集难题。中科晟达ZK-D1/D3网关虽具备多协议适配与边缘采集能力,但常遇“采得到却采不准”“与MES对不上”“实时性与稳定性难兼顾”等挑战。核心问题在于点位映射错误、状态判定单一、数据模型错位及断网丢数。破解之道需构建四层架构:通过协议模板库与远程配置降低实施成本;以多信号组合+状态机实现精准状态判定;在网关侧下沉计算逻辑,完成数据预聚合与清洗;采用分级传输、消息幂等、本地缓存与统一时间同步,确保数据可信、实时、可消费。最终实现从“设备语义”到“业务语义”的高效转

专业采集注塑机数据,为mes系统提供数据服务! 395

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")

设备iot--[McgsIot]报警处理

设备iot--[McgsIot]报警处理

胡锦波的博客 198

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。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

灌溉物联网卡怎么选?先分清设备是报数还是听话

11 月 1 日,台山都斛“广东第一田”晚造开镰,按管水规程,收割前 7 天要把田水排干。以前人扛锄头下田扒口子,现在手机点一下。阀门是执行器,卡配错就是该灌没灌、该停没停。结论先给:农田灌溉物联网卡制式选 4G 不选 NB-IoT;信号在孕穗期测;形态选工业级插拔卡、窗口定在换季;流量套餐看第 4 年谁续;管理看阀门开度,不看“在线”。智慧农田联网省下的人力,都在这五条上。

Quanqiucard的博客 144

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

锅炉房已经有PLC,还需要IoT吗?从安全控制到全局能效的智能化升级

无论是工业蒸汽锅炉房,还是酒店、医院等商业热水场景,改造都可以从现有条件出发:先梳理控制系统、仪表和通信情况,再明确安全边界与数据需求;盈电物联网的云边协同思路,是在尽量保留原有控制与仪表设备的基础上,通过IOT控制器补齐数据接入和边缘处理能力,再与云端平台协同,逐步建立运行、能耗与运维之间的数据闭环。锅炉房智能化,不是用IoT取代PLC,也不是简单增加一块远程大屏,而是在保障安全控制独立可靠的基础上,让分散的数据真正服务于运行管理。将告警、排查、处理、复核和维修记录串联起来,形成可追溯的设备档案。

olzorange的博客 299

注塑机智能数据采集网关 ZK-D1/D3 对接 MES/IoT/ERP 平台数据展示实践

ZK-D1/D3注塑机数据采集网关支持多品牌设备接入,实现运行状态、工艺参数、生产计数等数据的实时采集与标准化上报。通过MQTT、HTTP、OPCUA等协议对接MES、IoT、ERP平台,采用“边缘采集—网关汇聚—平台展示”架构,统一数据模型映射,实现设备透明化管理与生产数据闭环。实施中需注重网络规划、时间同步、断点续传与安全防护,助力工厂实现生产可追溯、决策数据化。

专业采集注塑机数据,为mes系统提供数据服务! 308

注塑机数据采集网关 ZK-D1/D3 如何与 MES/IOT 平台对接并展示数据

本文系统阐述注塑车间数据采集难题及ZK-D1/D3网关解决方案,聚焦设备异构协议统一、数据建模规范与四层链路对接。通过明确设备唯一标识、统一命名规则与上行协议选择,实现多品牌注塑机数据标准化采集与传输。结合MQTT/HTTP/OPCUA多协议支持,构建从设备层到MES/IOT平台的完整链路,支撑实时看板、历史趋势、OEE分析与报警管理。强调前期标准化与端到端验证的重要性,确保数据可靠落地,赋能智能制造。

专业采集注塑机数据,为mes系统提供数据服务! 262

OBIS 平台|为 IoT 设备构建贯穿全生命周期的统一信任链

OnBoard™ IoT Security (OBIS) 将固件、软件物料清单 (SBOM)、加密资产和生产记录统一纳入运营信任架构 —— 覆盖从 CI/CD 到工厂设备安全烧录再到 OTA 操作的完整流程。✓ 统一管理密钥、证书、固件、SBOM 与设备身份,构建单一产品信任记录✓ 集中授权 + 设备侧执行,密钥始终不离开硬件安全边界✓ 覆盖 CI/CD 签名、工厂烧录到 OTA 的全链路可信追溯✓ 支持基于运营视图快速定位漏洞影响范围与设备资产。

snowballtech的博客 290

IIOT数据中台是什么?有什么应用场景?

它本质上是一种集成了多源异构数据采集、边缘预处理与统一数据服务能力的工业数据平台,能够将 PLC、CNC、工业机器人、传感器、能源仪表等设备产生的实时数据,以及 ERP、MES、WMS 等系统的业务数据,统一汇聚、治理、建模后,以标准 API 或数据服务形式供上层应用调用,让工业互联网平台回归分析决策与业务创新的核心职能。针对电表、水表、气表等能源仪表数据,数据中台统一采集并标准化电、水、气、汽等能耗口径,按产线、工序、班组等维度进行分项计量与统计分析。OEE 分析与效率优化。设备互联与产线透明化。

2403_88612619的博客 116

银行、电力、医疗和物联网行业证书

银行、电力、医疗和物联网行业证书

humors221的专栏 289

定位数据怎么推给 IoT 平台?消息协议选型与接入准备

园区定位数据推送方式应基于消费方数量、实时性、数据量级与网络条件选择:多系统、高频小数据量且弱网络场景推荐消息中间件(发布订阅);单系统、内网环境可选接口回调或定时拉取。需合理设计主题结构,保障数据一致性与幂等性,提前规划鉴权、监控与异常处理机制。建议先小范围验证端到端性能,再逐步扩展,具体协议与规范以项目交付文档为准。

QXWZ_的博客 141

中科晟达注塑机数据采集网关 ZK-D1/D3:如何读取各品牌注塑机系统数据并对接 MES/IoT 平台

注塑车间数字化改造核心挑战在于多品牌、多协议设备的数据采集。中科晟达ZK-D1/D3网关通过边缘计算,兼容海天、发那科等主流机型及私有协议,支持EUROMAP63/77、Modbus、OPCUA等标准,实现南向多协议解析与北向标准化上行(MQTT/OPCUA/HTTP)。结合统一点位模型设计与断网续传机制,助力MES高效对接。部署中需重点确认通信权限、合理配置轮询周期、保障时间同步与数据去重,可有效解决“采不到数”“数据不准”等痛点,为OEE分析、工艺追溯与智能运维提供可靠数据底座。

专业采集注塑机数据,为mes系统提供数据服务! 302

填完一张场景表单,SagooIoT 在后台生成一条规则链

链上的functions节点最终要调到一个 Go 函数。msg进、msg出。业务参数从反序列化,执行结果通过交回链上,同时塞进执行日志(下一节讲)。设置属性把界面上的属性数组摊平成一个 map,交给。下行指令走的是平台既有的属性设置通道,和 REST 接口下发的指令是同一条路——场景不是旁路,它用的是同一套下行能力。获取属性按属性列表逐个调,把结果收集成 map。这样"先读当前状态、再决定动作"也能在一个动作里完成。功能调用把和parameter交给,也就是物模型里的"服务调用"。发送通知。

辛佳雨的专栏 197

什么是水面蒸发监测站?基于 4G 物联网水面蒸发传感器野外部署方案详解

水面蒸发量是水文水资源监测里重要的观测要素,传统人工观测方式已经难以满足现代化水文信息化建设需求。基于 4G 物联网的水面蒸发监测站,通过标准化水面蒸发传感器、低功耗采集终端、太阳能供电体系,实现蒸发量自动连续观测。 野外站点的选址、调平、防雷、定期维护,是保证蒸发数据准确可靠的关键。这套方案目前已经广泛应用于水库、灌区、水土保持、生态湿地等水文监测项目,是水资源自动化监测体系中非常实用的观测方案

sun15369027572的博客 363

注塑机网关数据采集器 ZK-D1/D3 如何采集注塑机工艺参数并打通 SPC 与 MES/IOT/ERP 平台

本文介绍注塑机网关ZK-D1/D3在实际场景中的应用,通过兼容多品牌控制器接口,实现工艺参数的标准化采集与解析,结合事件触发采集和断网续传机制,将数据转化为可用于SPC分析的结构化信息,并通过MQTT/HTTP等协议对接MES、IOT、ERP平台,支撑质量监控、生产管理与业务闭环。关键在于统一参数命名、确保数据连续性与可追溯性,最终实现从“数据孤岛”到“质量资产”的转变。

专业采集注塑机数据,为mes系统提供数据服务! 679

物联网大屏怎么搭:9 张真实模板逐屏拆解——设备台账、管网工艺、告警闭环各就各位

物联网大屏最容易做成图标大杂烩:设备不台账化、场景不空间化、告警没闭环。这篇用 9 块真实模板拆解四类物联屏,每屏给谁看、看什么、难点在哪,收拢成三要素规律和选型清单。

QianhangQianping的博客 199
上一篇: ARM嵌入式系统启动全流程解析:从BootROM到用户空间的深度探索
下一篇: 从零构建工业级温湿度监控系统:C#上位机与STC89C52RC的深度对话
study
博客等级 码龄27年 67粉丝 1642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