墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.3k累计阅读
1.4k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
目前，该公司还未透露具体涉及金额。据了解，新公司将努力发挥几家企业在各自领域的优势，形成合力，使重组后的新冲浪平台成为一家能够提供基于Linux平台的完整的政府与企业应用解决方案的大型软件集团。
业界人士表示：北京控股拥有雄厚的政府背景与资金实力，冲浪平台在Linux平台技术上处于第一阵列，这一架构重组必将成为中国Linux发展的重要事件。
出处：eNET
数字IC设计避坑指南：为什么477条net的DRV问题无法修复？解析don‘t touch hierarchy的影响
本文深入解析了数字IC后端实现中，因“don't touch hierarchy”约束导致大量DRV违规（如477条net）无法自动修复的根本原因。文章以Cadence Innovus工具为例，详细阐述了DRV修复机制与设计保护约束的冲突原理，并提供了从日志定位、风险评估到分级解除约束的完整实战策略，帮助工程师有效解决此类设计收敛难题。
冲浪linux_旨在避免生产力下降的网络冲浪
冲浪linuxAnytime you work online, you risk productivity wipeout. With a world at your fingertips it’s hard to stop from clicking on links (upon links, upon links). Avoid throwing away your precious time...
手把手教你用Python模拟侧信道攻击：从电磁辐射到数据窃取（附防御代码）
本文详细介绍了如何使用Python模拟侧信道攻击，从电磁辐射信号采集到数据窃取的全过程，并提供了实用的防御代码。通过实战案例，帮助安全研究员和开发者理解侧信道攻击原理，掌握信号处理与图像重建技术，同时学习有效的噪声干扰和电磁屏蔽防御措施。
Linux 基本了解
Linux是一个以Intel系列CPU(CYRIX,AMD的CPU也可以)为硬件平台，完全免费的UNIX兼容系统，完全适用于个人的PC。它本身就是一个完整的32位的多用户多任务操作系统，因此不需要先安装DOS或其他的操作系统（MS Windows, OS2, MINIX..）就可以进行直接的安装。
【Qt笔记】1.VSCode搭建Qt运行环境
Qt6之后已经抛弃qmake，使用cmake。cmake相对qmake来说只有优点没有缺点。使用VSCode搭建完Qt的运行环境就能开开心心debug了.vscode需要使用的插件:2.Qt tools3.CMakec++插件可以不关注,缺啥都会提醒你.正常安装即可。
新手也能搞定！用ADS 2023从零设计一个超宽带Wilkinson功分器（附完整版图）
本文详细介绍了如何使用ADS 2023从零开始设计超宽带Wilkinson功分器，涵盖介质板参数设置、微带线计算优化、版图生成验证等关键步骤。通过实例演示和常见问题排查，帮助射频工程新手快速掌握功分器设计技巧，提升设计效率。
创业7年，他带领冲浪平台纵横驰骋在Linux的世界
在任一的办公桌上，有一碟五颜六色的糖。这位爱吃巧克力的年轻人创业7年，品着其间的苦涩和甜蜜，带领他的冲浪平台纵横驰骋在Linux的世界，成为香港创业板企业中年轻的主席。 当任一和老同学在咖啡馆里聊天，彼此询问最近日子过得怎么样，任一不假思索地顺口说道：“我？生活得挺好埃”不想却引来大家一通嘲笑，“你啊，有生活吗？”仔细想来，任一还真无言以对，毕竟他也不认为上班开车来、下班开车走称得上是好的生活。...
第01章 Hermes Agent 是什么
如果读者所在的开发团队已经引入了 Cursor、Claude Code 这类 AI IDE，可能会有一个困惑：写代码已经有 AI 帮忙了，还需要 Hermes Agent 做什么？这一章将给出答案。Hermes Agent 不是另一个写代码的 AI，而是一个常驻在团队里的"AI 协作成员"，专门负责写代码之外的协作环节——讨论需求、审查代码、查日志、监控告警、生成报告。学完本章，读者将清楚 Hermes 的定位以及它在团队里的角色。
冲浪平台引领 LINUX 迈向应用时代
当 LINUX 的号角似乎已经从人们耳边渐渐平息的时候，沉寂两年之久的冲浪平台以“技术+应用”为号召，通过涉及三家上市公司的业务和架构重组，一跃成为中国 LINUX 的旗舰企业。近期，冲浪平台同时推出针对教育、电子政务、劳动与社会保障和税务四大行业九个解决方案，再次向世人展现出“梦幻组合”的超强实力，也使得国内 LINUX 行业应用局面焕然一新。 冲浪平台一向以务实为企业运作之根本，即必须承认微
【漏洞复现】Apache Tomcat远程代码执行漏洞（CVE-2024-56337）
CVE-2024-56337是一个存在于Apache Tomcat中的TOCTOU（Time-of-Check Time-of-Use）竞争条件漏洞。此漏洞源于对先前漏洞（CVE-2024-50379）的不完整修复。若默认servlet是可写的（参数readonly设置值为false，该设置为非默认设置）表示不区分大小写文件系统，在负载下并发读取和上传同一文件可以绕过Tomcat的大小写检查。攻击者可以通过构造恶意请求上传含恶意JSP代码的文件，使其触发解析并执行这些文件，从而导致远程代码执行。
ESP32学习笔记06-UART 的485 通讯模式
通信方式选择UART 控制器支持多种通信模式，使用函数 uart_set_mode() 可以选择模式。选择特定模式后，UART 驱动程序将处理已连接 UART 设备的相应行为。例如，主机开始向 Tx FIFO 缓冲区写入数据时，UART 驱动程序会自动置位 RTS 管脚（逻辑 1）；最后一位数据传输完成后，驱动程序就会取消置位 RTS 管脚（逻辑 0）。要使用此模式，软件。
Linux分区原理及根目录的介绍
一、Linux分区原理 为了更好的了解Linux的分区原理，我们可以先来了解window的分区原理。 1.window分区原理 （1）挂载 如下图所示，window系统一般有C盘，D盘，E盘，从里向外环形分布。每个盘都有一个盘符，用来标记它是什么盘。我们把盘符和硬盘分区建立联系的过程，叫做挂载。分区是操作系统的逻辑概念，事实上硬盘本身是没有分区的。 （2）挂载点 与硬盘分区建立联系的系
初探802.11协议(6)——Wi-Fi 6新特性简介
Wi-Fi 6新机制(特性)介绍
linux 网络冲浪,命令行下的网络冲浪工具命令行浏览器介绍
Linux命令行是强大的工具，命令行是我们的日常工作，命令行更是我们日常生活。之前虫虫给大家写过一些命令的的介绍，命令行的工具，命令行下的开发。实际上命令行也是我们不可或缺的生活。本文我们来介绍一下命令行下的网络冲浪工具命令行浏览器。lynxlynx一个历史悠久纯文本web浏览器，最初发布可能是上世纪90年代的1997年。lynx采用C语言编写，以GGPLv2协议发布，目前最新版本为2.8.9，而...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
冲浪平台—清华同方共创 Linux 发展新模式
比尔.盖茨提出与 IBM 捆绑销售的计划，从而造就了今天微软的全球软件霸主的地位。时至今日，软件与硬件的捆绑销售为无数企业模仿与应用，但无一能到达微软的成就，特别是 Linux 发展初期，几乎所有的 Linux 操作系统厂商都把捆绑销售模式当作救命稻草。然而时势早已同 DOS 时代不同，即使在 Linux 厂商以低出数倍的价格之下也无法得到预期的目标，近期，即使为了追求低价而放弃微软高端操作系统的
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
linux 网络冲浪,Linux下逍遥冲浪
Linux下逍遥冲浪发表于：2007-05-26来源：作者：点击数：标签：在开始我们的网上冲浪之前，需要进行拨号设置。我们以在KDE下设置拨号为例，在KDE下的拨号需要用到KPPP这个程序，如果你在安装KDE的时候安装了 kd .net work这个rpm包，就已经安装好了KPPP。KPPP的界面漂亮、功能强大，下面我们介绍一下它的基本使用方法。在开始我们的网上冲浪之前，需要进行拨号设置。我们以在...
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
USB 技术系列 11 · USB Linux 驱动框架
本文系统解析Linux USB驱动框架，涵盖USB Core、HCD（xhci-hcd/dwc3）、类驱动（CDC/HID/Mass Storage）分层架构，详解usb_device_id匹配、probe/disconnect生命周期及Device Tree配置。结合RISC-V N300实战，揭示Host/Device双模式驱动开发核心逻辑，助力嵌入式BSP开发者掌握USB子系统全栈能力。
Linux 服务器性能排查手册（2026）：CPU、内存、磁盘IO、网络四大瓶颈定位
iptables 四表五链模型、firewalld zone 信任级别、云安全组与主机防火墙的关系与优先级，避坑改了防火墙把自己挡在服务器外面的翻车事故。
Linux rm 误删文件恢复实操教程
Linux使用rm删除文件时，并不会直接抹除磁盘上的数据，只是移除文件索引，让系统不再识别这块空间。只要没有写入新数据，原有扇区内容就会保留。新文件写入才有可能覆盖这些区域，一旦覆盖就很难找回。恢复的本质就是扫描磁盘，找到这些还存在、但索引丢失的数据条目，再把它们导出保存到其他分区。越早停止写入，恢复成功的概率越高。
Linux 常用命令 + GCC 编译全流程详解
本文为Linux与C语言初学者打造的实战指南，涵盖命令行核心技能：从文件操作、权限管理到查找、进程控制、打包压缩，最终深入剖析GCC编译四阶段（预处理、编译、汇编、链接），揭示gcc hello.c -o hello背后的完整流程。通过建立“一切皆文件”“命令即程序”等心智模型，帮助读者在纯命令行下完成代码开发全闭环，真正理解底层机制，适用于面试准备、跨平台开发及服务器部署场景。
嵌入式 Linux OOM Killer 触发逻辑与防误杀实战指南
本文深入解析嵌入式 Linux 下 OOM Killer 的触发机制，结合工业网关真实工程场景，提供从日志排查、内核参数调优到关键进程保护的完整落地方案，解决核心进程被误杀导致的业务中断问题。
Linux FFmpeg深度解析之swr_convert调用流程与实战(四十六)
本篇目的：理解如何使用已初始化的SwrContext读取输入音频样本、生成输出样本并保留重采样延迟。音频转换不一定能在一次调用中输出与输入采样数按采样率比例换算出的全部样本。重采样器可能需要等待滤波数据，也可能因输出Buffer容量不足而暂存输入。会在内部维护转换状态，调用者需要按返回值处理实际输出，并在输入结束后刷新延迟数据。fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;
Linux epoll 一篇讲透：从 select/poll 到红黑树、LT/ET，再到完整 TCP 服务器
一万个客户端已经连上服务器，眼下只有十个客户端发来了数据。服务器怎样把时间花在这十个连接上？理解这个问题，就抓住了 epoll 的主线。接下来，我们沿着“为什么需要它 → 接口怎么用 → 内核如何实现 → LT/ET 怎么写 → 完整服务器怎么运行”的顺序，把知识连起来。**阅读基础：**了解socketbindlistenaccept的基本用途即可。本文示例面向 Linux，服务器使用 C++17，实验脚本使用 Python 3。
深入浅出聊聊 Linux 的 PageCache 与系统极致性能
本文深入浅出解析了 Linux PageCache 的核心机制，揭示其如何通过“延迟写、预读读”提升系统性能。以监控告警为切入点，阐明 free -h 中 buff/cache 并非真正占用，真正可用内存由 available 决定。结合 Kafka、Elasticsearch、MySQL 等实战场景，说明中间件如何依赖 PageCache 实现极致性能。强调不可手动清理缓存，并建议合理调优脏页参数，避免卡顿。最终指出：内存满≠危机，而是系统高效运行的体现。
【Linux 命令实战（06）：Linux 文件权限管理，掌握 chmod、chown、chgrp】
chmod：修改文件和目录权限。chown：修改文件所有者，也可以修改所属用户组。chgrp：修改文件所属用户组。r：读取。w：写入。x：执行，对于目录则表示进入和访问能力。ugo：分别代表所有者、所属组和其他用户。我认为，权限管理最重要的不是记住755644这些数字，而是先弄清楚谁需要访问文件、需要执行什么操作，再给出恰当的权限。尤其是在测试服务器和生产服务器上，不要为了图方便直接使用chmod 777。权限开放得越大，并不代表问题解决得越好。
Linux篇(五)
本文系统梳理了Linux常用终端快捷键、软件包管理（yum/apt）、服务管理（systemctl）、软链接（ln）、时间与IP配置、域名解析、固定IP设置及网络命令（ping/wget/curl），涵盖日常运维核心操作，助力高效管理Linux环境。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
290
扫一扫
