【计算机网络】信息加密技术

1. 信息加密技术

保障网络安全通常是通过信息加密技术来实现,加密技术分为三类:对称加密,非对称加密及哈希加密。

1.1. 对称加密

对称加密的特点是加密秘钥与解密秘钥是同一个,其原理是发送方以秘钥将发送的信息加密,接收方以相同的秘钥进行解密;对称加密的优点是速度快,但缺点是不能保障秘钥安全传递给接收方。

1.2. 非对称加密

非对称加密的特点是加密秘钥与解密秘钥不是同一个;其原理是经一对秘钥其中的的一把秘钥加密后的信息只能由另一把秘钥来解密,其优点是保障了安全,但缺点是速度慢。

1.2.1. 非对称加密的用途

⑴非对称加密能真正保障信息的安全传输

⑵可以用非对称加密来实现数字签名(数字签名即为私钥加密签名),从而保障发送方的可信性及不可抵赖

1.3. 哈希加密

哈希加密的特点是只能由明文加密得到密文而且密文较原文很小,不能由密文反推出明文

1.3.1. 哈希加密的用途

⑴哈希加密可用于密码存储

通常密码是以hash加密后存储在数据库中的,这样一来就可以保障密码的安全性,例如MD5算法

⑵哈希加密可用于防篡改

通过对接收到的信息及发送的信息分别进行哈希加密后得到的密文是否一致来判断信息是否被篡改

⑶哈希加密可用于密码验证

2. CA认证

2.1. CA认证机构

电子商务认证授权机构(CA, Certificate Authority),也称为电子商务认证中心,承担公钥体系中公钥的合法性检验的责任。

2.2. CA认证的步骤

step1:通过CA认证机构的客户端产生一对秘钥

step2:拿其中的一个秘钥作为公钥前往CA机构进行身份认证,另一个作为私钥自己保存;故公钥即为在网络上的身份证

总结:CA认证实质是就是对非对称加密中的公钥进行认证

3. 数字签名

数字签名是非对称加密的一种应用,原理为发送方在发送信息时要有自己的签名,并且对签名进行私钥加密,如此一来谁的公钥可以解开此签名该信息就是谁发的,达到防止抵赖的目的。

4. 三种加密技术的比较

4.1. 三种加密技术的优缺点:

⑴对称加密速度快,但秘钥无法安全传输

⑵非对称加密能保障安全,但速度较慢

⑶哈希加密的密文小且能保障密文不可逆;

4.2. 三种加密技术结合使用

⑴发送的内容进行对称加密传输,秘钥进行非对称加密传输,以达到秘钥的安全传输

⑵对发送的信息先进行哈希加密再进行非对称加密已达到防篡改的目的

总结:三种加密技术主要解决数据保密性、防篡改、发送方不可抵赖

转载于:https://www.cnblogs.com/leiblog/p/10715845.html

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
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
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