终于忙完初稿，开心地写一篇博客。“网络安全提高班”新的100篇文章即将开启，包括Web渗透、内网渗透、靶场搭建、CVE复现、攻击溯源、实战及CTF总结，它将更加聚焦，更加深入，也是作者的慢慢成长史。换专业确实挺难的，Web渗透也是块硬骨头，但我也试试，看看自己未来四年究竟能将它学到什么程度，漫漫长征路，偏向虎山行。享受过程，一起加油~前文详细介绍如何学习提取的API序列特征，并构建机器学习算法实现恶意家族分类，这也是安全领域典型的任务或工作。这篇文章将讲解如何构建深度学习模型实现恶意软件家族分类，常见模型包括CNN、BiLSTM、BiGRU，结合注意力机制的CNN+BiLSTM。基础性文章，希
1.OpenCV级联分类器的基本原理基于Haar特征的级联分类器的目标检测是PaulViola和MichaelJones在2001年的论文中提出的一种有效的目标检测方法。这是一种基于机器学习的方法，从大量的正面和负面图像中训练级联函数。然后用它来检测其他图像中的物体。Haar特征是一种反映图像的灰度变化的，像素分模块求差值的一种特征。它分为三类：边缘特征、线性特征、中心特征和对角线特征。就像卷积核一样。每个特征都是一个单独的值，由黑色矩形下的像素和减去白色矩形下的像素和得到。用黑白两种矩形框组合成特征模板，在特征模板内用黑色矩形像素和减去白色矩形像素和来表示这个模版的特征值。例如：脸部的一些特
数据结构分类数据结构是计算机中组织和存储数据的方式。数据结构分类-原始与非原始数据结构分类-线性与非线性原始数据结构基本数据结构不能进一步划分。具有算术运算的8位整数（字节）—最小值为-128，最大值为127（含）。具有算术运算的16位整数（短整型）—最小值为-32,768，最大值为32,767（含）。具有算术运算的32位整数(Int)—最小值为-231，最大值为230。具有算术运算的64位整数（长整型）—最小值为-263，最大值为262。16位Unicode字符/字母数字字符/符号(char)—最小值'\u0000'（或0）和最大值'\uffff'（或65,535（含））。带算术运算的单精度
最新IP地址的分类与记法1.IP地址共32bit(位)，以点分十进制的方法表示（如x.x.x.x）。其中每一个x位8bit，取值范围（00000000-11111111），对应的十进制取值范围是（0-255）。有同学会问为啥叫点分十进制？很简单，因为是由三个点划分四个十进制数。2.分为A、B、C、D、E五大类，A类、B类与C类较为常用，其地址结构是包括“网络号+主机号”两级的层次结构（RFC1812）。网络号net-id:标志主机（或路由器）所连接的网络。主机号host-id:标志该主机（或路由器）。IP地址分类A类、B类与C类IP地址A、B、C类地址的比较地址类型主机地址范围可分配的网络数每
文章目录无类别域间路由（CIDR）：理解IP网络和子网划分引言传统的IP地址类关于“IP地址的浪费”IP地址与CIDRIP地址概述网络号与主机号CIDR记法（`网络=网络地址/子网掩码`）网络和广播地址CIDR的优势减少路由表项缓解IPv4地址耗尽CIDR地址分配示例结论参考文献1无类别域间路由（CIDR）：理解IP网络和子网划分引言无类别域间路由(ClasslessInter-DomainRouting,CIDR)是一种用于在互联网上创建独立的IP地址分配策略的方法。这种方法允许更细粒度的IP地址分配，从而提供了比传统的IP地址类A、B、C更高效的使用2。传统的IP地址类在早期的互联网历史中
对于深度学习网络，在我们指定数据集类别的情况下，Grad-CAM能够绘制出相应的热力图，让我们能够非常直观的看出网络关注的主要区域与特征是什么。本文主要记录在绘制热力图过程中，自己碰到的一些实际问题，希望能对小伙伴们有所帮助。以下是本文的参考视频和代码链接，我主要看的是B站霹雳吧啦老师的视频和代码（感谢我导）视频链接：使用Pytorch实现Grad-CAM并绘制热力图_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1e3411j7x7/?spm_id_from=333.788.recommend_more_video.0&vd_source=e43
我有一个Python脚本，可以成功创建，训练和腌制一个天真的贝叶斯分类器进行弦乐分析。我已经找到了编码代码片段这里和这里，对于像我这样的知情初学者来说，这是很棒的。但是，这两个资源都无法显示如何利用腌分类器。以前的stackoverflow答案（这里和这里）暗示，分类器对象本身和特征向量都应保存到磁盘上，然后加载以供以后使用，但是没有包含语法来实现。编辑：此代码有效培训和存储分类器：...defget_words_in_descs(descs):all_words=[]for(words,sentiment)indescs:all_words.extend(words)returnall_wo
文章目录0简介1背景意义2数据集3数据探索4数据增广(数据集补充)5垃圾图像分类5.1迁移学习5.1.1什么是迁移学习？5.1.2为什么要迁移学习？5.2模型选择5.3训练环境5.3.1硬件配置5.3.2软件配置5.4训练过程5.5模型分类效果(PC端)6构建垃圾分类小程序6.1小程序功能6.2分类测试6.3垃圾分类小提示6.4答题模块7关键代码8最后0简介🔥优质竞赛项目系列，今天要分享的是深度学习卷积神经网络垃圾分类系统该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！🧿更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1背景意
网络管理的意义：1.工作状态协同：在任意多ECU节点网络工作时，对同一网络ECU的通信状态做统一的管理，保证各个ECU节点可以在条件满足的时候进入低功耗模式2.信息交互协同：可以根据NM报文状态判定特定ECU的运行状态，从而根据需求定义处理相应信息。网络管理的分类：1.直接网络管理：使用专用的CAN报文做网络状态管理，通过网络上是否有专用的报文及报文的值来做整个网络的协同2.间接网络管理：不设定专用的CAN报文而是通过ECU节点发送的应用报文的状态做网络协同
前言1、回归模型（regression）：对于回归模型的评估方法，通常会采用平均绝对误差（MAE）、均方误差（MSE）、平均绝对百分比误差（MAPE）等方法。2、聚类模型（clustering）：对于聚类模型的评估方法，较为常见的一种方法为轮廓系数（SilhouetteCoefficient），该方法从内聚度和分离度两个方面入手，用以评价相同数据基础上不同聚类算法的优劣。3、分类模型（classification）：本文主要讲解分类模型评价的一种方法---混淆矩阵。混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数
