前言 之前负责的一个项目上线好久了，最近突然爆出一 Bug，最后评估影响范围将 Bug 升级成了故障，只因为影响的数据量有 10000 条左右，对业务方造成了一定的影响。 但因为不涉及到资金损失，Bug 修复后对数据进行修补，所以最终级别也是较低的。 今天和大家分享这个线上隐匿的 Bug，也好在工作
源代码是所有软件开发公司最宝贵的资产之一。因此，如果源代码被盗或泄露，可能会对企业的业务造成巨大损失。从长远来看，源代码盗窃可能会对企业的财务和声誉造成不可估量的损失。然而即便是行业领先的企业，也存在源代码被盗或泄露的风险。例如2004年微软 Windows 2000 的源代码被盗，再比如2019年
作者：谢泽华 背景 众所周知单个机房在出现不可抗拒的问题（如断电、断网等因素）时，会导致无法正常提供服务，会对业务造成潜在的损失。所以在协同办公领域，一种可以基于同城或异地多活机制的高可用设计，在保障数据一致性的同时，能够最大程度降低由于机房的仅单点可用所导致的潜在高可用问题，最大程度上保障业务的用
EQ 的全称是 Equalizer，EQ 是 Equalizer 的前两个字母，中文名字叫做“均衡器”。最早是用来提升电话信号在长距离的传输中损失的高频，由此得到一个各频带相对平衡的结果，它让各个频带的声音得到了均衡。 EQ 的主要功能是：通过多个滤波器对声音某一个或多个频段进行增益或衰减处理。 滤
在大数据和 AI 的时代背景下，数据已经成为了重要财富，大到政务数据、企业核心数据，小到个人信息、银行卡余额，这些数据无一例外都是“隐私数据”，如果在使用和流转时发生泄漏都会造成巨大的损失。
本文分享自华为云社区《【昇思25天学习打卡营打卡指南-第二十天】DCGAN生成漫画头像》，作者：JeffDing。 DCGAN生成漫画头像 在下面的教程中，我们将通过示例代码说明DCGAN网络如何设置网络、优化器、如何计算损失函数以及如何初始化模型权重。在本教程中，使用的动漫头像数据集共有70,17
大侠幸会，在下全网同名「算法金」 0 基础转 AI 上岸，多个算法赛 Top 「日更万日，让更多人享受智能乐趣」 今天我们来聊聊达叔 6 大核心算法之 —— 优化 算法。吴恩达：机器学习的六个核心算法！ 梯度下降优化算法是机器学习和深度学习中最常用的优化算法之一。它通过不断调整模型参数，使得损失函数
系列文章目录 机器学习算法（一）：1. numpy从零实现线性回归 机器学习算法（一）：2. 线性回归之多项式回归（特征选取） @目录系列文章目录前言一、理论介绍二、代码实现1、导入库2、准备数据集3、定义预测函数（predict）4 代价（损失）函数5 计算参数梯度6 批量梯度下降7 训练8 可视
阅读须知 花果山的技术文章仅供参考，此文所提供的信息只为网络安全人员对自己所负责的网站、服务器等（包括但不限于）进行检测或维护参考，未经授权请勿利用文章中的技术资料对任何计算机系统进行入侵操作。利用此文所提供的信息而造成的直接或间接后果和损失，均由使用者本人负责。本文所提供的工具仅用于学习，禁止用于
> 本文全面探讨了卷积神经网络CNN，深入分析了背景和重要性、定义与层次介绍、训练与优化，详细分析了其卷积层、激活函数、池化层、归一化层，最后列出其训练与优化的多项关键技术：训练集准备与增强、损失函数、优化器、学习率调整、正则化技巧与模型评估调优。旨在为人工智能学者使用卷积神经网络CNN提供全面的指
ebpf的简单学习-万事开头难 前言 bpf 值得是巴克利包过滤器 他的核心思想是在内核态增加一个可编程的虚拟机. 可以在用户态定义很多规则, 然后直接在内核态进行过滤和使用. 他的效率极高. 因为避免了上下文切换,中断等导致的cycle损失. 很多先进的工具,比如XDP以及K8S的cilium等网
AI学习过程中，常见的名词解析 ### 中位数 将数据从小到大排序，奇数列，取中间值，偶数列，中间两个值的平均，可做为销售指标 ### 众数 一组数据中，数值出现最多的那个。反映哪款产品，销量最好 ### 平均数 比赛中，去掉最高、最低分，然后以平均数做为选手的最终得分 ### 损失函数（loss
程度和影响范围。其中MTTR(Mean Time To Repair 名为_平均修复时间_)是一个非常重要的指标，它可以帮助我们了解修复系统所需的平均时间。花费太长时间来修复系统是不可取的，尤其对于京东这样的企业来说更是如此。如果MTTR过长，可能会导致用户结算卡单、影响公司收入损失等严重后果。因此...
摘要：该方法的主要思想是使用数值较大的排在前面的梯度进行反向传播，可以认为是一种在线难例挖掘方法，该方法使模型讲注意力放在较难学习的样本上，以此让模型产生更好的效果。 本文分享自华为云社区《ATK Loss论文复现与代码实战》，作者：李长安。 损失是一种非常通用的聚合损失，其可以和很多现有的定义在单
相信大部分读者跟我一样，每天都在写各种API为Web应用提供数据支持，那么您是否有想过您的API是否足够安全呢？ Web应用的安全是网络安全中不可忽视的关键方面。我们必须确保其Web应用与后台通信的安全，以防止数据泄露，因为这可能导致重大的财务损失和声誉受损。 而在Web应用的安全问题中，最常见的漏
https://tidb.net/blog/b1ae4ee7 TiDB分布式数据库采用多副本机制，数据副本通过 Multi-Raft 协议同步事务日志，确保数据强一致性且少数副本发生故障时不影响数据的可用性。在三副本情况下，单副本损坏可以说对集群没什么影响，但当遇到多副本损坏的损坏丢失的时候，如何快
事故情况 最近同事反馈, 一个文件更新后出现了文件部分不可读的情况 具体现象为: 前端功能打开白屏 后端文件 前面93行不显示, notepad++打开都是 NULL 黑框. 然后重新覆盖文件, 有概率成功, 有概率失败. 遇到问题之后进行了紧急处理. 但是一开始的路线不太正确. 所以本次想总结一下
不同平台,系统虚拟化的损耗学习 摘要 昨天研究了 arm 平台的KVM的损耗. 当然, 因为自己搭建的QEMU虚拟化平台可能性能不是很优秀 今天正好有机会找到一套x86的云海OS虚拟化平台, 准备进行一下验证. 思路跟昨天比较一致 不过不准备进行三次取平均值了, 意义不是很大. 但是这次准备比较 多
# WorkStation的网络损耗 ## 背景 ``` 对周六遇到的问题进行了一下深入思考. 发现虽然可以通过WorkStation的方式来进行Clients以及新命令的扩容. 但是Workstation的桥接网络模式的性能不清楚有多大的损耗. 为了房子性能出现巨大的衰退. 这边进行了一下简要的测
# ARM下KVM虚拟化的损耗验证 ## 摘要 ``` 看Windows 上面的 Workstation的虚拟机的 网络层的延迟特别高. 突然想之前统计都是直接在本地验证的, 只考虑了虚拟化CPU的性能损耗 没有考虑虚拟化层网络层的损耗. 所以想验证完了 Windows 和 intel平台 再抓紧验
