不要轻易说不可以--10_03_20

免费获取船舶轨迹数据?手把手教你用Python处理中国海洋卫星AIS数据 本文详细介绍了如何免费获取中国海洋卫星AIS数据,并使用Python进行船舶轨迹数据的处理与分析。从数据源评估到自动化处理流水线,再到高级分析与可视化技巧,手把手教你避开常见问题,实现高效数据处理。特别适合航运数据分析、物流优化和海上安全研究等领域的研究者和开发者。 阅读详情

----如果要证明它行,你只需要证明它不行!

 ----你能成为千万富翁,不能?那么请证明给我看你不能,仅此而已。

 

------------------------------------

 

跟一个项目有两年了,按照客户需求也不知道改了多少版程序,性能也在逐步提高,早早的超过了客户的预期,可因为商务上的一些事情,客户始终没有下订单,但是我们都知道我们还得继续按照客户的要求去改.....继续跟下去...现在只是简单的回顾下这个历程吧。

两年前,在没有客户需求的情况下,我们自己提出了一个技术项目,也定了自己的目标。最开始选用的是基于ARM Cortex-M3的一款MCU,主要注重在性能,可靠性,实时性等等方面力求做到最好。这个目标也实现了,与市场上同类产品比较起来,性能有明显提高。 当我们市场带着这款样品出去推的时候,也得到了客户的好评与认可,并提出了新的需求。

 

 

在新需求下,成本有相当压力,于是开始省钱,硬件上从电容省起,甚至将必要的时钟晶体都省略了一个,硬件组的同事辛苦了。而对软件来说,我们选用了 一个新的平台,一款含有8051核的SOC,现在还清醒的记得,我的第一反应是不行,开什么玩笑。呵呵,虽然觉得不行但是还是要出文档去证明它不行,经过 一个月的评估,利用汇编重写了大量的C函数,充分布局RAM空间,结论是可以试试。于是2个月过后,我们成功的在该SOC上实现了原来产品的功能,性能上 虽然没有明显提高,但是成本上却下降了不少。回过头去看这件事,我们将SOC的RAM空间每个字节都进行了定义,而最后只有一个字节是空闲的。这件事情 上,我们都觉得已经将SOC的性能发挥到了极致,事实上,SOC原厂的人也说了,他们可以在datasheet上多写一条该SOC的应用场景了。

 

 

我们都以为这个项目到这个程度,可以说是趋于完美了,可客户有了新的需求,也就是打算用性能去换取成本,即使我们的成本比他原有方案已经降低了不 少。于是开始使用新的算法,新的需求,新的软件架构.....行不行,又得评估,开始重写C算法核心对应的汇编程序,第一次测出的结果是超过要求的 100%,不行,于是开会讨论优化,从C算法优化开始,一直到汇编,测试超过预期40%,不行,汇编语句逐条逐条推敲,省略所有子函数的调用,全部采用内 联方式,充分利用该SOC硬件特性,力求将MCU与外设并行处理做到最大化...对照指令表,一个指令周期一个指令周期的省..最后达到预期。这一次,我 们都学乖了,没有人再说使SOC的应用达到极致了.....

 

 

所以啊,哥,不要轻易说不可能,你去证明不可能的时候要竭尽全力去让他变为可能,最后它就可能了。

pyradiomics使用——1. 医学影像的组学特征值(Radiomics Features)提取 文章目录1. 使用插件1.1 插件安装1.2 插件使用2. 使用python代码2.1 安装2.2 使用2.2.1 官方示例2.2.2 快速使用2.2.3 其它使用3. 组学特征字段意义说明 Github地址:https://github.com/AIM-Harvard/pyradiomics 官方文档地址:https://pyradiomics.readthedocs.io/en/latest/features.html 1. 使用插件 从pyradiomics的Github仓库中可以知道,pyradio 阅读详情

相关推荐

DirectX修复工具使用技巧之二——手动修复C++创建失败的文件

最后更新:2021-2-25 随着V4.0正式版的发布,近来有部分用户来咨询如何解决C++文件创建失败的问题。在此我将以解决最常见的C++2015-2019文件创建失败为例,向大家演示一下在线修复的方法,其他C++或文件的方法大同小异。此次操作以Windows 7为例,其他系统相应参考即可。 首先,如果希望程序能手动在线修复创建失败的失败,请首先确定您使用的V4.0.2版或更高版本,老版本不支持此功能。查看程序版本的方式可以把鼠标放在DirectX Repair.e...

VBcom的专栏 6万+

openEuler,误删/卸载系统自带的python3.7,导致yum、dnf命令不可用/无法使用的解决方法

openEuler,误删系统自带的python3,导致yum、dnf命令无法使用的解决办法。

CharlesE_233的博客 1万+

MCU 微控制器,在实际项目中如何选型(以 STM32为例)

1.MCU 选型需要考虑的一些因素 2.案例:传感器设备的 MCU 选型

创享 AIOT 的专栏 1万+

不要轻易当舔狗,除非你想当技术型舔狗

一款基于中国天气网和推送加平台的天气变化提醒程序,当天气状况和气温发生变化达到设定的条件时,通过发送微信消息进行提醒,以达到及时提醒的效果。

FujLiny的博客 2531

BSW:MemMap模块配置及使用

(内存映射(MemMap)模块用于通过内存映射文件将代码和数据映射到特定的内存部分。MemMap生成特定的头文件,其中包含为MemorySection元素和编译器特定指令定义的内存映射预处理器。上面是比较官方的回答,说人话就是把数据和代码放在ECU内指定的地址。初级应用:软件中的bss,data,rodata,code,text,段需要在memory layout中划分具体的物理地址,对于多核系统,要将执行的数据和代码放在目标核的RAM和ROM。

Forever_Oct的博客 3681

【Arduino 101】五分钟搞懂PID控制算法

【Arduino 101】五分钟搞懂PID控制算法物料清单尺寸接线 文章目录物料清单尺寸接线 物料清单 Arduino Uno x 1 超声波模块(HC-SR04)x 1 舵机(Tower Pro MG996R)x 1 舵机供电: 5V 稳压管(LM7805) x 1 , 滤波电容 (0.33uF, 0.1uF) x 2, 9V 电池 x 1 滑轨:泡沫板 支架:乐高 滚动物体:胶带(Up试过网球,但是测距模块的表现不理想) 尺寸 接线 ...

机器人工坊 1万+

来成都旅游,千万不要做的22件事!

一年一度“五一劳动节”即将到来了, 今年的五一4天假! 今年的五一4天假! 今年的五一4天假! 大家准备好去哪儿玩了吗? 日前,美团发布了 《2019五一国内旅游新趋势报告》 用大数据分析了五一假期期间的 消费者出游新趋势。新晋网红城市成都又一次荣登 五一全国热门旅游城市第3名。 如果你恰好五一节也来成都, 源妹本着负责任的态度告诉你 这22件事千万不要做!!! 01 不要轻易相信...

效率源科技的博客 568

百度网盘开放平台OAuth 2.0授权全流程解析

本文详细解析了百度网盘开放平台OAuth 2.0授权全流程,包括创建应用、获取凭证、授权码模式详解以及access_token的使用与刷新。通过实际案例和代码示例,帮助开发者快速掌握接口调用技巧,避免常见错误,确保安全高效地接入百度网盘API。

wind6的博客 1271

为什么说用了10年C++的程序员也不敢说自己精通C++?

在编程领域,C++无疑是一门具有极高复杂度和深度的语言,它以其卓越的性能、灵活性和广泛的应用范围赢得了众多开发者青睐。然而,一个现象令人深思:即使有程序员使用C++长达十年之久,他们仍可能谦逊地表示自己并未真正“精通”这门语言。这种看似矛盾的现象背后,实则隐藏着C++语言本身的特点、技术发展以及个人学习曲线等多方面的深层次原因。

2401_83239642的博客 1107

【笔记篇】Davinci Configurator OS模块(下)

AUTOSAR OS的配置项和Vevtor MICROSAR OS的特性

weixin_47571898的博客 1158

低功耗 AI 人体存在检测系统:智能照明与安防的高效解决方案

低功耗 AI 人体存在检测系统通过 “ESP32-C3 主控 + HX7110 AI 模块” 的硬件组合,搭配双重检测算法与深度睡眠机制,既解决了传统检测方案的误报问题,又满足了长时间低功耗运行需求。系统接线简单、代码可直接移植,可快速集成到智能照明、安防监控等物联网设备中,具备广泛的应用前景。

weixin_42300449的博客 226

《黑客与画家》第三章:不能说的话

1.所谓“时尚”,本质上就是自己看不见自己的样子。好比我们在地球上,却感觉不到地球在动。 2.但真正令人恐慌的是,流行一时的不仅有衣服,还有道德观念。明明是专横武断,毫无依据的错误观点,但是大多数人却深信不疑,受到影响而不自知。这是非常危险的。流行的衣服,其实是很难看的衣服;而你不穿,你就会遭到嘲讽;如果别人都遵守流行的道德观念,而你不遵守,结果则要严重的多,你会被解雇,流放,监禁,甚至被杀

清山博客 2409

Claude Code Agents 进阶:多代理协作与任务委托

Agent 是一个独立运行的 Claude 实例,它有自己的上下文和任务焦点。│ 主 Claude ││ (协调者) ││ │ │▼ ▼ ▼│ 代码审查 │ │ 测试生成 │ │ 文档编写 ││ │ ││▼汇总结果,完成任务并行处理:多个 Agent 同时工作,提高效率任务隔离:每个 Agent 有独立的上下文专业分工:不同类型的 Agent 擅长不同任务灵活控制:可以指定运行模式、超时等参数。

gaoxiang_120的专栏 336

javascript中03-0.2不等于0.1问题解析

今天讲一下为什么03-0.2不等于0.1这个问题。var a=0.3-0.2有点标题党的味道,在JavaScript中,当你试着对小数进行加减运算时,有时候会发现某个结果并非我们所想的那样,就比如标题中所说的为什么我用0.3去减0.2却得不到0.1?当我碰到这个问题的时候我一下子也不知道问题到底出在哪,但他实实在在的就给出了一个0.09999999999999998的结论。其实这个问题的本质原因就...

weixin_36953978的博客 891

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

如何在 Ubuntu 20.04 启用 SSH

转存失败重新上传取消 Secure Shell (SSH) 是一个网络协议,它主要被用来加密客户端和服务端之间的连接。 在客户端和服务端的每一次交互都被加密。 这个教程解释了如何在 Ubuntu 机器上启用 SSH。 启用 SSH 将会允许你远程连接到你的系统,并且执行管理员任务。你将能够通过scp和sftp安全传输文件。 一、 在 Ubuntu 上启用 SSH 默认情况下,当 Ubuntu 最初被安装的时候,通过 SSH 进行远程访问是不被允许的。在 Ubuntu 上启用 SSH 非常的简单直.

雪梦科技 2万+

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")

低谷期,不谈格局,生存才是王道

作者| Mr.K 编辑| Emma来源| 技术领导力(ID:jishulingdaoli)最近,很多创业公司的老板、大厂的高管朋友,都在和K哥交流对当前环境的感受。大家的很多反馈跟我的看法不谋而合,简单来说就是生意越来越难做、钱越来越难赚。朋友们问K哥有什么应对建议,我先把稻盛和夫的一句名言送给他们“人在低谷,不谈格局,生存才是王道;身处逆境,不谈情怀,务实才是根本。”另外,对于眼前的形式,K...

技术领导力 1168

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

职场20条

源地址:http://zhiwei.li/text/2010/03/职场20条/ 1.入职时的工资高低不重要,只要你努力工作你会得到相应待遇的   我估计几乎找过工作的人都听过这句话,当我们确定被聘用跟公司谈工资时,他们都会说“如果以后你业绩突出、努力工作,你的报酬也会相应增加的”,特别是当第一次找工作的时候大多数人会相信这些话,但是千万~~别相信。    刚入职时,你的工资就是你的

New World 907

FC-03火焰报警联动燃气泄漏即时通知

本文介绍基于FC-03红外火焰传感器和MQ-4气体传感器的多传感器协同安防系统,通过MCU实现火灾与燃气泄漏的精准检测与联动响应,提升家庭与工业场景的安全防护能力。

weixin_42608299的博客 474

【安全月报】| 11月区块链安全事件有所上涨,因黑客攻击等损失金额达2.03亿美元

11月发生较典型安全事件超30起,因黑客攻击、钓鱼诈骗和Rug Pull造成的总损失金额达2.03亿美元

m0_37598434的博客 1610

FLEX网站(2011-03-10 20:48:00)

FLEX网站 (2011-03-10 20:48:00) 2011年03月10日   http://www.degrafa.org/samples/   Adobe APIs   主要包含corelib, mappr, flickr, youtube及加密等类库.   http://labs.adobe.com/wiki/index.php/ActionScript_ 3:...

gzxpz58y 171

华为Mate 20X 5G手机供应链一览,附手机深度拆解过程

近日,华为刚刚推出5G版Mate 20 X,随后著名电子产品拆解团队iFixit就对这款手机的欧洲版进行了拆解,并给出了4分的拆机难度(得分越高,越易拆解,满分10分),...

uxuepai5g的博客 1510

mac删除ssh key_如何在 Ubuntu 20.04 启用 SSH

本文最先发布在:如何在 Ubuntu 20.04 启用 SSH​www.itcoder.techSecure Shell (SSH) 是一个网络协议,它主要被用来加密客户端和服务端之间的连接。 在客户端和服务端的每一次交互都被加密。这个教程解释了如何在 Ubuntu 机器上启用 SSH。启用 SSH 将会允许你远程连接到你的系统,并且执行管理员任务。你将能够通过 scp和sftp安全传输文件。一、...

weixin_39907316的博客 237

孩子教育,不要只看重分数!

不管成绩怎样,没有什么优生差生的区别。   开学了,一个班主任给家长发了一则短信:   不管成绩怎样,没有什么优生差生的区别。家长们知道,每一个小孩都是种子,只是每个人花期不同,有的花一开始,就绚丽绽放;而有的花, 却需要漫长的等待。   不要紧盯别人的花,不要觉得别人家的永远都是好,相信花有自己的花期,细心呵护,看着他一点点地成长,这何尝不是一种幸福。也许你的种子永远都不开花,

mimi00x的专栏 3258

3年经验,面试测试岗20k都拿不到了吗?

作为一名多年的自动化测试工程师,我把这些年来所学的知识技术归纳整理成一份 Python自动化测试学习路线图谱,希望大家照着这个路线学习,能够早日上岸!1、Python 编程与测试开发技术2、Web自动化测试基础3、APP自动化测试基础4、Postman测试工具专题5、接口自动化测试基础6、自动化框架封装7、持续集成8、Jmeter 性能测试9、APP性能测试10、Fiddler 抓包工具的使用11、TCP/IP协议详情12、计算机操作系统13、Linux 系统操作。

2301_79535544的博客 806

不焦虑的人,都有一个顶级心态

认识一位做外贸的企业家,在几年前的全球供应链危机中,他的货柜被卡在港口,数千万的货款收不回来。后来,他真的把这批货转内销处理掉了,虽然利润薄了点,但现金流保住了,而且还意外打开了国内市场。相反,这是一种极高能量的接纳,是斯多葛学派所倡导的“控制二分法”,我们已经能够清楚区分并坦然接受什么是我能控制的,什么是我。是一种认知扭曲,它让我们的大脑在面对不确定性时,自动检索最糟糕的结果,并将其发生的概率在主观上放大到100%。,我们耗费了巨大的心力,仅仅是为了那8%的问题在买单,其余的92%全是“情绪损耗”。

技术领导力 1098

WebGoat2026年版本(全10个模块另附其他模块)通关教程

本文简要介绍了WebGoat安全测试平台的部署和使用方法。主要内容包括:1)环境配置(Java23+Maven3.9.11)和启动步骤;2)HTTP基础任务,通过BurpSuite抓包分析POST请求;3)HTTP代理任务,要求修改请求方法和添加特定头信息;4)开发者工具任务,使用控制台获取随机数和网络请求中的数值;5)CIA三要素测验题。文章提供了具体操作截图和Python请求示例,帮助读者完成各项安全测试任务,适合作为Web应用安全测试的实操参考手册。

csdnkazusa的博客 1373
上一篇: linux_shell笔记(二)
下一篇: linux_shell笔记(三)
terry_linux
博客等级 码龄17年 12粉丝 23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
 
 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