<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[super_SB的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/super_SB</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; super_SB]]></copyright><item><title><![CDATA[联邦学习技术原理、经典算法与应用场景]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/161882316</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/161882316</guid><author>super_SB</author><pubDate>Thu, 11 Jun 2026 09:57:57 +0800</pubDate><description><![CDATA[本文全面介绍了联邦学习（Federated Learning）这一创新的分布式机器学习范式。联邦学习通过“数据不动模型动”的核心机制，在保护数据隐私的前提下实现多方协作训练AI模型，有效解决了数据孤岛与隐私保护的双重挑战。核心内容概述：技术原理：采用本地训练、加密参数上传、全局聚合迭代的工作流程，结合同态加密、差分隐私等隐私保护技术三大算法框架：横向联邦学习（特征相同、用户不同）、纵向联邦学习（用户重叠、特征不同）、迁移联邦学习（用户特征均不同）应用领域。]]></description><category></category></item><item><title><![CDATA[可信执行环境(Trusted Execution Environment, TEE)技术解析与应用2026]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/161881503</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/161881503</guid><author>super_SB</author><pubDate>Thu, 11 Jun 2026 09:38:10 +0800</pubDate><description><![CDATA[可信执行环境(TEE)作为一种基于硬件的安全计算架构，已成为解决"数据使用中"安全问题的关键技术。它通过硬件级别的强制隔离，实现了从"边界防护"向"执行可信"的范式转变，为金融支付、医疗数据、AI计算和云计算等领域提供了强大的安全保障。TEE的主要优势在于其硬件辅助隔离、数据机密性、代码完整性、认证能力以及最小化TCB等特性，使其能够抵御操作系统、虚拟机监控程序甚至云服务商的攻击。然而，TEE也存在一些局限性，如硬件依赖、性能开销、TCB范围限制和侧信道攻击风险等，这些都需要在设计和应用中加以考虑。]]></description><category></category></item><item><title><![CDATA[Linux系统及Ubuntu常用指令]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/161834963</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/161834963</guid><author>super_SB</author><pubDate>Tue, 09 Jun 2026 16:34:20 +0800</pubDate><description><![CDATA[Linux系统与Ubuntu常用指令指南摘要 本文系统介绍了Linux操作系统及其热门发行版Ubuntu。Linux凭借开源、稳定、安全等优势，广泛应用于服务器、嵌入式等领域。Ubuntu作为易用的Linux发行版，提供桌面版、服务器版等多种选择，26.04 LTS版本强化了硬件兼容性与安全性。文章核心部分分类详解Linux指令，涵盖文件管理（如ls/cp）、系统监控（top/df）、用户权限（chmod）、软件包管理（apt）、网络配置（ip）等11大类常用命令，并附实用示例。]]></description><category></category></item><item><title><![CDATA[后量子密码算法：协同签名研究综述]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/161829536</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/161829536</guid><author>super_SB</author><pubDate>Tue, 09 Jun 2026 13:51:22 +0800</pubDate><description><![CDATA[本文综述了2023-2026年后量子协同签名算法的研究进展，重点分析了基于格、哈希、编码、多变量和同源曲线等五种技术路线的方案。研究表明，格基算法（如Dilithium、Falcon）在综合性能上表现最优，已具备实际应用条件；哈希基方案（如SPHINCS+）理论安全性最强但效率较低；同源曲线方案签名尺寸最小但计算效率有待提升。文章还探讨了后量子协同签名的理论基础与发展历程，指出NIST标准化进程推动了该领域的快速发展。未来研究需在安全性证明、计算效率优化和应用场景适配等方面进一步突破。]]></description><category></category></item><item><title><![CDATA[【概念与应用】轻量级加密算法LEA、动态脱敏算法DDA、零知识证明ZKP和优化协同交互协议OCIP]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/161824726</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/161824726</guid><author>super_SB</author><pubDate>Tue, 09 Jun 2026 11:43:34 +0800</pubDate><description><![CDATA[本文系统阐述了LEA、DDA、ZKP和OCIP四项关键技术及其协同应用框架。LEA作为轻量级加密标准，采用ARX结构为物联网等资源受限环境提供高效加密；DDA实现基于角色的实时数据脱敏；ZKP在不泄露隐私信息的前提下验证交易合法性；OCIP则优化云-边-链三方协同效率。四者形成分层协作框架：LEA和DDA构成数据保护层，ZKP提供逻辑证明层，OCIP作为协同优化层，共同构建适用于电动汽车充电证书隐私保护等场景的完整安全解决方案。该技术组合在保证数据安全的同时，显著提升了系统协同效率。]]></description><category></category></item><item><title><![CDATA[同态加密（Homomorphic Encryption, HE）]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157619307</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157619307</guid><author>super_SB</author><pubDate>Wed, 03 Jun 2026 15:56:53 +0800</pubDate><description><![CDATA[同态加密是一种允许直接对密文进行计算的密码学技术，解密后结果与明文计算一致，实现了"数据可用不可见"。主要分为部分同态加密（PHE）、些许同态加密（SHE）和全同态加密（FHE），典型算法包括Paillier（加法同态）和CKKS（支持浮点运算）。虽然能提供强大的隐私保护，但存在计算开销大、密文膨胀等问题。当前研究聚焦性能优化、硬件加速和跨技术融合，应用时需根据计算复杂度选择合适方案：PHE适合简单加法聚合，FHE用于复杂敏感计算。实际应用建议使用成熟库如Microsoft SEAL或TenSEAL。]]></description><category></category></item><item><title><![CDATA[GD32F4系列微控制器上电启动流程]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/161655834</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/161655834</guid><author>super_SB</author><pubDate>Wed, 03 Jun 2026 14:15:48 +0800</pubDate><description><![CDATA[GD32F470微控制器启动流程解析 GD32F470系列基于Cortex-M4内核的启动过程分为三个阶段： 硬件复位：上电后POR电路复位芯片，BOOT引脚决定启动源（FLASH/系统存储器/SRAM），内核从映射地址读取初始栈指针和复位向量； 启动程序执行：跳转至Reset_Handler，初始化系统时钟、重定位中断向量表，拷贝.data段、清零.bss段，并设置堆栈； C环境建立：通过__main完成C库初始化，最终调用用户main函数。 ]]></description><category></category></item><item><title><![CDATA[小学生扫盲-大语言模型（LLM）]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157619449</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157619449</guid><author>super_SB</author><pubDate>Tue, 02 Jun 2026 17:24:58 +0800</pubDate><description><![CDATA[大语言模型的研究已进入追求效率、深化能力、拓展边界的“深水区”。未来，模型架构会持续进化以突破计算限制；多模态理解与生成能力将更加成熟；而作为AI智能体的“大脑”，LLM将更深入地与现实世界互动。跟踪顶级会议与平台：关注等会议的论文，日常浏览arXiv并筛选cs.CL和cs.AI类别。善用开源社区与工具：以为核心平台，尝试其模型、数据集和演示空间。使用网站追踪最新论文及其官方代码。实践与复现。]]></description><category></category></item><item><title><![CDATA[上海先辑HPM6750evk2+rttread的启动流程]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/156980070</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/156980070</guid><author>super_SB</author><pubDate>Tue, 02 Jun 2026 17:22:21 +0800</pubDate><description><![CDATA[摘要：本文详细解析了RT-Thread操作系统在HPM6750 RISC-V MCU上的启动流程与移植要点。通过分析链接文件(flash_rtt.ld)和启动文件(start.S、vectors.S、startup.c)，揭示了从芯片上电到RT-Thread内核初始化的完整链条，包括关键环节如汇编环境初始化、数据段搬运、中断向量表设置等。]]></description><category></category></item><item><title><![CDATA[Transformer基础知识]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157619370</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157619370</guid><author>super_SB</author><pubDate>Sat, 09 May 2026 10:44:03 +0800</pubDate><description><![CDATA[Transformer是AI领域的革命性架构，彻底改变了序列建模方式。其核心创新是完全依赖自注意力机制，摒弃传统RNN/CNN结构，实现高效并行化和长程依赖捕获。架构包含编码器（双向处理输入）和解码器（自回归生成输出），均通过多头注意力、位置编码、前馈网络等组件堆叠而成。关键特性包括：完全并行计算、任意位置直接交互、卓越的可扩展性。Transformer已成为NLP、CV等多领域的通用基础架构，催生了BERT、GPT等大模型。开源实现如PyTorch官方教程和Hugging Face库是深入学习的优质资源。]]></description><category></category></item><item><title><![CDATA[人工智能AI-扫盲]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157619350</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157619350</guid><author>super_SB</author><pubDate>Sat, 09 May 2026 10:40:25 +0800</pubDate><description><![CDATA[维度人工智能机器学习神经网络深度学习定位目标/领域方法/子领域一种算法模型一种技术流派核心模拟人类智能从数据中学习模仿神经元连接多层的神经网络关系总称，包含一切AI的核心实现路径ML的一种强大模型NN的深度化发展历史角色提出愿景与目标提供方法论突破提供生物启发模型引爆当前AI革命类比“制造能飞的机器”“研究空气动力学”“设计机翼的一种方案”“现代喷气式机翼方案”发展逻辑驱动力：从AI的愿景驱动，发展到ML的数据驱动，再到DL的算力与架构驱动。技术突破。]]></description><category></category></item><item><title><![CDATA[SOTA与消融实验]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157619464</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157619464</guid><author>super_SB</author><pubDate>Mon, 02 Mar 2026 21:15:29 +0800</pubDate><description><![CDATA[本文介绍了深度学习中两个关键概念：SOTA（State-Of-The-Art）和消融实验。SOTA指特定任务和数据集上当前最优的模型，具有动态性和条件限制，需在公平对比下验证。它不同于Baseline和Novelty概念，强调性能最优而非单纯创新。消融实验则是通过系统移除模型组件来验证各部分的贡献，类比于分析菜肴秘方中每种调料的作用。它是验证创新有效性、分解性能贡献、增强论文可信度的核心方法，通过控制变量实验量化评估各模块的必要性。两者共同构成了深度学习研究的方法论基础。]]></description><category></category></item><item><title><![CDATA[深度学习算法缝合与炼丹]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/158584008</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/158584008</guid><author>super_SB</author><pubDate>Mon, 02 Mar 2026 21:14:19 +0800</pubDate><description><![CDATA[本文系统介绍了深度学习图像分割的研究流程，重点阐述了算法整合与实验优化的科学方法。]]></description><category></category></item><item><title><![CDATA[计算机视觉CV的常见方向]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157619323</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157619323</guid><author>super_SB</author><pubDate>Tue, 10 Feb 2026 23:15:27 +0800</pubDate><description><![CDATA[计算机视觉的研究方向非常广泛，已经从基础的“看清”发展到深度的“理解”。：在选定大方向后，可以优先关注顶级会议（CVPR, ICCV, ECCV, NeurIPS, ICML）的最新论文，或关注。下面针对图中部分核心及前沿方向，提供更详细的技术要点与趋势解读。上的相关预印本，这是追踪最新进展最直接的方式。（重建、SLAM、NeRF）（视觉-语言、视觉-语音）（语义、实例、全景分割）（GANs、扩散模型）”（SIFT、点云配准）“图像生成（AIGC）（动作识别、行为分析）（增强、去噪、修复）]]></description><category></category></item><item><title><![CDATA[小学生必须掌握的Python语法]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/156655016</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/156655016</guid><author>super_SB</author><pubDate>Tue, 10 Feb 2026 23:13:27 +0800</pubDate><description><![CDATA[摘要：本文系统介绍了Python从入门到精通的学习路径，分为基础核心、进阶核心和高级精通三个阶段。基础阶段涵盖变量、数据类型、流程控制等语法基础；进阶阶段讲解函数、面向对象编程和文件处理；高级阶段深入装饰器、并发编程等特性。文章通过大量代码示例和表格对比，清晰展示了Python核心概念和应用场景，为学习者提供了循序渐进的知识框架和实践指导。]]></description><category></category></item><item><title><![CDATA[BERT模型]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157619475</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157619475</guid><author>super_SB</author><pubDate>Sun, 01 Feb 2026 21:42:15 +0800</pubDate><description><![CDATA[从 BERT 的全称，Bidirectional Encoder Representation from Transformer（来自 Transformer 的双向编码器表征），可以看出 BERT 是基于 Transformer 模型的，但是只是其中的编码器。BERT 如此成功的一个原因之一是它是基于上下文（context-based）的嵌入模型，不像其他流行的嵌入模型，比如 word2vec，是上下文无关的（context-free）。]]></description><category></category></item><item><title><![CDATA[一维卷积神经网络 (1D CNN)]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157619241</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157619241</guid><author>super_SB</author><pubDate>Sun, 01 Feb 2026 21:25:11 +0800</pubDate><description><![CDATA[总的来说，1D CNN是处理局部模式显著的序列数据（如传感器信号、音频、文本）的首选工具。它凭借高效、简洁的特点，在众多工业与科研场景中扮演着关键角色。如果你的数据是时间序列、传感器信号、音频波形，并且核心模式主要体现在短时局部片段中（例如心电图的某个异常波形、某个关键词的音频片段），那么1D CNN通常是非常合适且高效的起点。如果你的任务需要建模非常长的序列，并且序列中元素间的长距离依赖关系至关重要（例如理解整段文章的上下文逻辑），那么你可能需要优先考虑，或者将1D CNN与注意力机制结合。]]></description><category></category></item><item><title><![CDATA[差分隐私深度学习（DP-DL）简要理解]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157618958</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157618958</guid><author>super_SB</author><pubDate>Sun, 01 Feb 2026 21:04:52 +0800</pubDate><description><![CDATA[差分隐私深度学习是目前在敏感数据上训练实用AI模型时，提供严格隐私保证的黄金标准方法。它通过梯度裁剪和噪声注入，在模型效用与隐私保护强度之间进行根本性权衡。最新研究趋势提升效用：研究自适应的裁剪阈值、更优的噪声分布、与非凸优化理论结合以减小精度损失。与其他技术结合：与同态加密安全多方计算结合，构建多层防御的隐私计算体系；与联邦学习深度集成，实现端到端的隐私保护。自动化与工具化：研究自动调整隐私参数，降低工程师的使用门槛。总而言之，当你需要在利用数据训练强大模型的同时，]]></description><category></category></item><item><title><![CDATA[生成对抗网络GAN的简要理解]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/157618661</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/157618661</guid><author>super_SB</author><pubDate>Sun, 01 Feb 2026 20:36:33 +0800</pubDate><description><![CDATA[本文介绍了快速排序算法，这是一种高效的排序方法。其核心思想是选取一个基准元素，通过递归地将数组划分为小于基准和大于等于基准的两部分，最终实现整个数组的排序。文章提供了该算法的Python实现代码示例。]]></description><category></category></item><item><title><![CDATA[SCons 从入门到精通详细总结（基础-典藏）]]></title><link>https://blog.youkuaiyun.com/super_SB/article/details/156612217</link><guid>https://blog.youkuaiyun.com/super_SB/article/details/156612217</guid><author>super_SB</author><pubDate>Tue, 06 Jan 2026 18:58:36 +0800</pubDate><description><![CDATA[SCons是一个基于Python的跨平台软件构建工具，具有自动依赖分析、多语言支持和灵活配置等特点。本文全面介绍了SCons的使用方法，包括：1)基础入门（安装、项目结构、简单构建）；2)中级特性（依赖管理、多目录项目、条件构建）；3)高级功能（自定义构建器、并行控制、缓存机制）；4)实际项目配置示例。文章详细讲解了环境变量设置、构建目标定义、文件操作等核心功能，并提供了C/C++项目的完整配置示例，涵盖不同平台和构建类型的处理方式。通过Python脚本描述构建过程，SCons提供了比传统Make工具更强大]]></description><category></category></item></channel></rss>