哈喽大家好，我是咸鱼 当我们在上网冲浪的时候，会在浏览器界面顶部看到一个小锁标志，或者网址以 "https://" 开头 这意味着我们正在使用 TLS/SSL 协议进行安全通信。虽然它可能看起来只是一个小小的锁图标和一个 “https” ，但实际上，这个协议在保护我们的在线隐私和安全方面扮演着至关重
1. 依赖传递 在Maven中，依赖是会传递的，假如在业务项目中引入了spring-boot-starter-web依赖： org.springframework.boot spring-boot-starter
在读《深入理解JVM虚拟机》这本书前两章的时候整理了JDK从1.0到最新版本发展史，其中记录了JDK这么多年来演进过程中的一些趣闻及引人注目的一些特性，在调研JDK19新增特性的时候了解到了虚拟线程这个概念，于是对虚拟线程进行学习整理内容如下。
概述 主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维和特征提取技术，用于将高维数据转换为低维的特征空间。其目标是通过线性变换将原始特征转化为一组新的互相无关的变量，这些新变量称为主成分，它们按照方差递减的顺序排列，以保留尽可能多的原始数据信息。 主
概述 随机森林（Random Forest）是一种集成学习（Ensemble Learning）方法，通过构建多个决策树并汇总其预测结果来完成分类或回归任务。每棵决策树的构建过程中都引入了随机性，包括数据采样和特征选择的随机性。 随机森林的基本原理可以概括如下： 随机抽样训练集：随机森林通过有放回抽
概述 Alink提供了一系列与推荐相关的组件，从组件使用得角度来看，需要重点关注如下三个方面： 算法选择 推荐领域有很多算法，常用的有基于物品/用户的协同过滤、ALS、FM算法等。对于不同的数据场景，算法也会在计算方式上有很大的变化。 推荐方式 输入信息可以有多种选择，输入结果也有多种情况。 同时输
示例代码及相关内容来源于《Alink权威指南（Java版）》 概述 决策树模型再现了人们做决策的过程，该过程由一系列的判断构成，后面的判断基于前面的判断结果，不断缩小范围，最终推出结果。 如下，基于决策树模型预测天气，是最常见的示例。天气的整个预测过程，就是不断地判断推测的过程。 特征分类 特征数据
我们是袋鼠云数栈 UED 团队，致力于打造优秀的一站式数据中台产品。我们始终保持工匠精神，探索前端道路，为社区积累并传播经验价值。 本文作者：空山 什么是沙箱 沙箱即 SandBox，它是一种安全机制，用于严格控制访问资源。通过在程序中创建一个独立的运行环境，把一些来源不可信、具有破坏力或者又是无法
一：背景 1.讲故事 最近遇到了好几起和 COM 相关的Dump,由于对 COM 整体运作不是很了解，所以分析此类dump还是比较头疼的，比如下面这个经典的 COM 调用栈。 0:044> ~~[138c]s win32u!NtUserMessageCall+0x14: 00007ffc`5c891
一：背景 1.讲故事 前段时间有位朋友在微信上找到我，说他对一个商业的 C# 程序用 WinDbg 附加不上去，每次附加之后那个 C# 程序就自动退出了，问一下到底是怎么回事？是不是哪里搞错了，有经验的朋友应该知道，其实这是 商业程序 的反调试机制捣鬼的，为了保护程序隐私，一般都不希望他人对自己做逆
一：背景 1.讲故事 前几天群里很热闹，看了下在争论两个问题： 电脑里要不要装杀毒软件 ? 应该装什么杀毒软件 ? 不管杀毒软件流氓不流氓，在如今病毒肆虐的当下互联网，装一个还是能帮我们拦截很多意想不到的东西，为了眼见为实，这一篇我们就聊一个窃听 键盘事件 的恶意代码。 2. 思路 实现思路非常简单
一：背景 1.讲故事 前段时间分析了一个dump，一顿操作之后，我希望用外力来阻止程序内部对某一个com组件的调用，对，就是想借助外力实现，如果用 windbg 的话，可以说非常轻松，但现实情况比较复杂，客户机没有windbg，也不想加入任何的手工配置，希望全自动化来处理。 真的很无理哈。。。不过这
一：背景 1. 讲故事 相信有很多朋友在学习 SQLSERVER 的时候都听说过这句话，但大多都是记忆为主，最近在研究 SQLSERVER，所以我们从 底层存储 的角度来深入理解下。 二：理解数据页 1. 数据页的组织 在前面的文章中我也说过，一个 数据页 是 8k 大小，那这 8k 是如何组织的呢
一：背景 1. 讲故事 用惯了宇宙第一的 Visual Studio 再用其他的开发工具还是有一点不习惯，不习惯在于想用的命令或者面板找不到，总的来说还是各有千秋吧，今天我们来聊一下几个在调试中比较实用的命令： 查看内存 硬件断点 虚拟内存布局 二：命令解读 1. 查看内存 相信大家都知道 Visu
一：背景 1. 讲故事 只要是程序总会出现各种莫名其妙的问题，比如：非托管内存泄露，程序崩溃，在 Windows 平台上一般用微软自家的官方工具 App Verifier 就可以洞察，那问题出在 Linux 上怎么办呢？由于 Linux 崇尚自由，需要在各种牛鬼蛇神写的非官方开源软件中寻找一个比较靠
一：背景 1. 讲故事 最近在分析一个 linux 上的 dump，最后的诱因是大量的lock锁诱发的高频上下文切换，虽然问题告一段落，但我还想知道一点信息，所谓的高频到底有多高频？锁竞争到底是一个怎样的锁竞争？ 如果了解这些信息对我们后续分析此类问题非常有帮助。 要想获取此类信息，看 dump 肯
大家有有没有这种感觉，就是怎么学习都学不会。感觉学的特别的吃力？ 学自动化那会报了个班，大家也知道松勤这个线上机构吧。我报了，并且自动化代码也敲了5，6遍，很多问题也问过老师，也回答的很敷衍，也嫌我笨。那时就自我怀疑我是不是真的很笨。后来自我怀疑到我是不是不适合干这行。也很想知道大家的学习方式是什么
摘要：其实游戏客户对数据库的诉求是很明确的，数据库应当“放心存放心用”。 本文分享自华为云社区《华为云GaussDB(for Redis)揭秘第27期：聊聊游戏业务怎么用高斯Redis》，作者：高斯Redis官方博客。 华为云数据库团队是比较重视技术洞察的，对客户真实的业务场景也比较看重。年初出差了
摘要：对于池化层和步长为2的卷积层来说，个人的理解是这样的，池化层是一种先验的下采样方式，即人为的确定好下采样的规则；而对于步长为2的卷积层来说，其参数是通过学习得到的，采样的规则是不确定的。 本文分享自华为云社区《对于池化层和步长为2的卷积层的一些思考》，作者： 李长安。 引言 对于池化层和步长为
摘要：大部分动态规划能解决的问题，都可以通过回溯算法来解决，只不过回溯算法解决起来效率比较低，时间复杂度是指数级的。动态规划算法，在执行效率方面，要高很多。 本文分享自华为云社区《深入浅出动态规划算法》，作者：嵌入式视觉。 一，动态规划概念 动态规划比较适合用来求解最优问题，比如求最大值、最小值等等
