首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

创始人不能只低头看路 还要防“贼”

我一直以为作为创始人写好自已的文章,运营好自已的产品,服务好自已的客户,一切就万事大吉了,可是还有一点就是要谨防熟人作案,恶意抢注你的商标你的域名,我希望每一个苦逼的创始人在埋头打磨自已产品的同时,还要抬头看看身边有没有别有用心之人在偷盗。 创业五年也苦逼了五年, 其实我和很多创始人一样,从一个什么都不懂的小屌丝一步一步走到今天,其中的不易自不必说,我经历了很多也失去了很多,同样也收获了很多。我曾经跟身边的朋友打趣道,如果再让我重新选择一次,我一定不会选择再创业,因为里面的煎熬和苦楚没有经历过的人你永远不懂

07

DGA域名检测的数据分析与深度学习分类

在恶意软件发展的初期,恶意软件编写者会直接将控制服务器的域名或IP直接写在恶意软件中(即使是现在也会有恶意软件遵从这种方式,笔者部署的蜜罐捕获的僵尸网络样本中,很多经过逆向之后发现也是直接将IP写在软件中)。对于这种通信的方式,安全人员可以明确知道恶意软件所通信的对象,可以通过黑名单的方式封锁域名及IP达到破坏恶意软件工作的目的。DGA(Domain generation algorithms),中文名:域名生成算法,其可以生成大量随机的域名来供恶意软件连接C&C控制服务器。恶意软件编写者将采用同样的种子和算法生成与恶意软件相同的域名列表,从中选取几个来作为控制服务器,恶意软件会持续解析这些域名,直到发现可用的服务器地址。这种方式导致恶意软件的封堵更为困难,因此DGA域名的检测对网络安全来说非常重要。

04

太赞了!美团T9终于整理出Java架构之完美设计实战开源文档

软件架构师是每个程序员职业生涯中内功心法修炼的终极目标。要达到这个目标需要具备“十八般武艺,八十种技巧”,本书正是继《Java代码与架构之完美优化——实战经典》《软件品质之完美管理——实战经典》之后,优秀软件架构师又一本必读书,也是“软件架构师成长之路”系列教程的第三部作品,亦是本系列的收官之作。本书总结了JavaEE软件架构师应该具备的架构设计相关技能体系,希望可以成为程序员朋友们架构师成长之路上的铺路石。从形上看,架构是系统结构的骨架,支撑和连接各个部分;从身上看,架构是系统设计的灵魂,深刻体现了业务技术实现的本质。从纵向架构上看,架构涉及由客户端发送请求到服务器处理,再从服务器返回给客户端的各个主要步骤的具体处理细节;从横向架构上看,架构又关联到实现这种客户端-服务器端的架构模式。本书把与此横纵体系相关的技术进行了系统的总结与对比。另外,要成为一名优秀的软件架构师,还需要攻克以下三个难关:

06

目标检测系列之三(SSD)

论文题目是《Single Shot MultiBox Detector》 论文地址:ttps://arxiv.org/abs/1512.02325 SSD是一阶段One Stage方法,SSD算法提取了不同尺度的特征图,既可以检测大目标也可以检测小目标,采用不同大小和长宽比的检测框anchors。 算法步骤: 1) 将图像输入预训练好的分类网络(基于VGG16-Atrous)得到不同大小的特征映射 2) 分别提取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2层的特征映射feature map,在每个特征映射的每个点构造6个不同大小尺度的bounding box,进行检测和分类来生成一些列bounding box 3) 采用NMS处理不同特征映射的bounding box,删掉部分重叠或者不正确的bounding box,得到最终的检测框。

02

【KDD23】图上的少样本学习

尽管图神经网络(GNNs)在节点分类任务中取得了成功,但其性能严重依赖每个类别有足够数量的标记节点的可用性。在现实情况中,不是所有的类别都有很多标记的节点,可能存在模型需要分类新类别的实例,这使得手动标记变得困难。为了解决这个问题,GNNs能够在只有少数标记节点的情况下分类节点是非常重要的,这被称为少样本节点分类。先前基于情景元学习的方法已在少样本节点分类中显示出成功,但我们的发现表明,只有在有大量不同训练元任务的情况下才能实现最优性能。为了应对基于元学习的少样本学习(FSL)的这一挑战,我们提出了一种新的方法,即任务等变图少样本学习(TEG)框架。我们的TEG框架使模型能够使用有限数量的训练元任务来学习可转移的任务适应策略,从而获得大范围元任务的元知识。通过结合等变神经网络,TEG可以利用它们的强大泛化能力来学习高度适应的任务特定策略。因此,即使在训练元任务有限的情况下,TEG也能够达到最新的性能。我们在各种基准数据集上的实验显示出TEG在准确性和泛化能力方面的优势,即使在使用最小的元训练数据的情况下,也强调了我们提出的方法在应对基于元学习的少样本节点分类的挑战方面的有效性。我们的代码可在以下链接获取:https://github.com/sung-won-kim/TEG。

02
领券