农作 轻量 轻量级 学习网络
PXE批量装系统之GHO恢复模式针对同型号同批次机器网络装机
PXE批量装系统之GHO恢复模式针对同型号同批次机器网络装机 1.引入 预启动执行环境（Preboot eXecution Environment，PXE）也被称为预执行环境，提供了一种使用[网络接口Network Interface）启动计算机的机制。这种机制让计算机的启动可以不依赖本地数据存储设 ......
对话抖音电商：量级庞大、参差不齐，“数据质量治理”有妙招！
更多技术交流、求职机会，欢迎关注字节跳动数据平台微信公众号，回复【1】进入官方交流群 经过近年发展，抖音电商的体量和规模已经相当可观。 基于数据驱动思路，在数仓建设、数据管理等层面的工作，推动抖音电商能准确分析和测量数据，做出以数据为依据的决策，从而推动业务快速发展。 其中，数据有效性、及时性、准确 ......
linux 常见学习内容
Linux 下文件删除的原理：Linux 系统是通过 link 的数量来控制文件删除的,只有当一个文件不存在任何 link 的时候,这个文件才会被删除。一般来说每个文件两个 link 计数器来控制 i_count 和 i_nlink。当一个文件被一个程序占用的时候 i_count 就加 1。当文件的 ......
Linux 网络配置 ---桥接模式---最简单的方法！！！
1.桥接模式（ Bridged） VMware桥接模式，也就是将虚拟机的虚拟网络适配器与主机的物理网络适配器进行交接，虚拟机中的虚拟网络适配器可通过主机中的物理网络适配器直接访问到外部网络。简而言之，这就好像在上图所示的局域网中添加了一台新的、独立的计算机一样。因此，虚拟机也会占用局域网中的一个IP ......
2023.3.21学习记录
图像超分辨率技术 一.传统图像超分辨率技术，主要包括 1.基于插值的技术（最近邻插值，双线性插值，双三次插值） 2.基于重建的方法（主要使用数学中概率论和集合论的方法包括，凸集投影法，贝叶斯分析法，迭代反投影法，后验概率方法，正规化法，混合方法） 3.基于学习的方法（非深度学习，机器学习，examp ......
2023.3.22学习记录
p7:TensorBoard的使用(一) # p7:TensorBoard的使用(一)from torch.utils.tensorboard import SummaryWriter#1.创建日志文件writer = SummaryWriter("logs0321")# writer.add_im ......
m基于时空特性的WSN网络节点故障诊断matlab仿真
1.算法描述 无线传感网络节点由传感器模块、处理器模块、通信模块、存储模块和电源模块构成，处理器模块是节点的核心单元。 ①传感器模块：负责整个监测区域内信息的采集和数据转换。 ②通信模块：负责与其他传感器节点进行无线通信，交换控制消息和收发采集的数据。 ③电源模块：为传感器节点提供运行所需能量，通常 ......
《网络对抗技术》——Exp2 后门原理与实践
一、实验准备 1、实验要求 使用netcat获取主机操作Shell，cron启动 使用socat获取主机操作Shell, 任务计划启动 使用MSF meterpreter（或其他软件）生成可执行文件，利用ncat或socat传送到主机并运行获取主机Shell 使用MSF meterpreter（或其 ......
网络层
网络层功能 互联网在网络层的设计思路：向上只提供简单灵活的、无连接的、尽最大努力交付的数据报服务。这就使得网络中的路由器比较简单，且价格低。如果主机间的进程之间的通信要求是可靠的，那么可以由更高层的传输层来负责。 异构网络互联 不同的网络可能有不同的寻址方案，不同的网络接入机制，不同的差错处理方法， ......
计算机网络体系结构
OSI七层模型与TCP/IP四层模型 计算机网络体系结构 OSI最大贡献就是精确定义了：服务、协议和接口，与面向对象程序设计思想十分吻合。TCP/IP模型没有明显区分它们。 TCP/IP模式是对已有协议的描述，不适用于任何其他非TCP/IP协议栈。 TCP/IP在设计时考虑了多种异构网络的互联问题， ......
2023-2024—2 20201302姬正坤《网络对抗技术》Exp2 后门原理与实践
2023-2024—2 20201302姬正坤《网络对抗技术》Exp2 后门原理与实践 一、实验准备 1、基础问题的思考 a、例举你能想到的一个后门进入到你系统中的可能方式？ 答：网络不知名小网站下载的盗版软件包里可能含有后门程序，在进行安装时进入系统。 b、例举你知道的后门如何启动？ 答： 伪装成 ......
matlab学习笔记5 求导&数值微分&求根
#求导&偏导 diff(f(x),x,n)//关于x的n阶导数 jacobian([f(x,y,z),g(x,y,z),h(x,y,z)],[x,y,z])//求雅克比矩阵 factor(f(x))//分解成多项式相乘 用雅克比矩阵可求出二阶偏导 求区间最小值 求某点附近最小值并画图 求方程的精确解 ......
prometheus学习记录
教程：https://www.bilibili.com/video/BV1m54y1o79r 采集方式分为pull和push Prometheus采样频率可以自行定制，理论上可以达到每秒采集 Prometheus缺点：不支持集群化， ......
第九第十章学习笔记
第9章生成随机性 熵的位数n：该数有2n 个?随机期望?取值，表示某种混乱程度 随机变量X的熵的常用定义如下∶ H(X):=-ΣP((X=x)log2P(X = x) 9.1真实随机 计算机的多种熵源：按键的精确时长、鼠标的精确移动轨迹、硬盘内部湍流引起的硬盘访问时间的随机波动 这些熵源是可疑的：“ ......
【SIM】MCC(移动国家码)和 MNC(移动网络码)
国际移动用户识别码（ IMSI） international mobile subscriber identity 国际上为唯一识别一个移动用户所分配的号码。 从技术上讲，IMSI可以彻底解决国际漫游问题。但是由于北美目前仍有大量的AMPS系统使用MIN号码，且北美的MDN和MIN采用相同的编号，系 ......
机器学习算法（二）: 基于鸢尾花数据集的朴素贝叶斯(Naive Bayes)预测分类
优点：
朴素贝叶斯算法主要基于经典的贝叶斯公式进行推倒，具有很好的数学原理。而且在数据量很小的时候表现良好，数据量很大的时候也可以进行增量计算。由于朴素贝叶斯使用先验概率估计后验概率具有很好的模型的可解释性。
缺点：
朴素贝叶斯模型与其他分类方法相比具有最小的理论误差率。但是实际上并非总是如此，这... ......
机器学习算法（三）：基于horse-colic数据的KNN近邻(k-nearest neighbors)预测分类
机器学习算法（三）：基于horse-colic数据的KNN近邻(k-nearest neighbors)预测分类 项目链接参考：https://www.heywhale.com/home/column/64141d6b1c8c8b518ba97dcc 1 KNN的介绍和应用 1.1 KNN的介绍 k ......
Mybatis学习日志
在前一个Mybatis学习日志中，出现了硬编码的问题（sql语句中的id出现了硬编码问题） 所以我们进行一下Mapper.xml的代理开发 目的：1.解决原生方式中的硬编码问题 2.简化后期执行的SQL PS.在这里插入一个网址MyBatis中文网，打开这个网址就可以，查看其中MyBatis最官方的 ......
Flare 轻量、快速、美观的个人导航页面
启动应用非常简单，如果你习惯使用 Docker，可以执行： docker run --rm -it -p 5005:5005 -v `pwd`/app:/app soulteary/flare ......
逆向——寄存器和常用汇编指令学习
9.汇编学习环境塔建 这里直接是用OD就好，因为习惯用了。首先这里用一张截图概括吧！ 10.通用寄存器 寄存器 存储数据：1.速度方面 cpu>内存>硬盘2.存储格式32位cpu： 8 16 3264位cpu： 8 16 32 64 通用寄存器 EAX WCX WDX EBXESP WBP WSI ......
网络对抗实验二 后门原理与实践
#实验内容 ###1.使用netcat获取主机操作Shell，cron启动 （1）使用netcat获取主机操作shell 首先在Kali终端输入ifconfig查找IP地址，Kali端IP地址为192.168.0.186 #图片 然后在Windows下输入ipconfig查询windows的ip为1 ......
Lua基础语法学习笔记
Lua是一门语言，我们可以使用一个库，可以在运行时去编译执行Lua中的代码，从而实现自己的内存中的数据和逻辑； 准备学习环境： 新建一个Lua项目目录，用来写我们的Lua代码； 进入目录，右键使用vsCode打开 或者，先打开vsCode，然后 文件->打开文件夹 ，选择我们的项目目录； 为vsCo ......
map erase删除学习
转自：https://blog.csdn.net/hjxu2016/article/details/115137332 1.erase C++11中，erase删除迭代器，返回的是下一个元素的迭代器： iterator erase (const_iterator position);//删除一个 s ......
React学习笔记（四）—— 组件通信与状态管理、Hooks、Redux、Mobe
react管理状态的工具： 1、利用hooks进行状态管理； 2、利用Redux进行状态管理，这种方式的配套工具比较齐全，可以自定义各种中间件； 3、利用Mobx进行状态管理，它通过透明的函数响应式编程使得状态管理变得简单和可扩展。 2013 年 5 月 React 诞生。但 2015 年之前，大概 ......
VMware虚拟机三种网络模式：桥接模式，NAT模式，仅主机模式
VMnet0：用于桥接模式下的虚拟交换机 VMnet1：用于仅主机模式下的虚拟交换机 VMnet8：用于NAT模式下的虚拟交换机 在Windows主机上对应VMware Network Adapter VMnet1和VMware Network Adapter VMnet8两块虚拟网卡，因为VMno ......
动手学深度学习－第３章线性神经网络
3.1线性回归 回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。 线性回归基于几个简单的假设： １.自变量和因变量之间的关系是线性的 ２.任何噪声都比较正常，如噪声遵循正态分布 仿射变换的特点是通过加权和对特征进行线性变换（linear transformation ......
强化学习之路二 人工智能数学基础-函数篇
一次函数：y=kx+b (k≠0) 二次函数：y=ax2+bx+c (a≠0) 三次函数 y=ax^3+bx^2+cx+d (a≠0，b，c，d为常数） 四次函数y=ax4+bx3+cx2+dx+e (a≠0，b，c，d，e为常数) 绝对值函数 y=∣x∣ 常作abs(x) 几何意义 ∣x∣表示x轴 ......
java学习日记20230321-main方法
Main方法 java虚拟机需要调用类的main方法，所以该方法的访问权限必须是public java虚拟机在执行main（）方法时不必创建对象，所以该方法必须是static 该方法接收String类型的数组参数，该数组中保存执行java命令时传递给所运行的类的参数 java执行的程序 参数1 参数 ......
jenkins学习笔记之十六：SonarSQube支持多分支
由于sonarqube开源版本不支持多分支管理，在扫描所有分支的时候都会指定同一个sonar项目，不便于我们查看 一、下载开源插件 项目地址：https://github.com/mc1arke/sonarqube-community-branch-plugin 下载地址：https://githu ......