《网络安全》专题

urllib介绍： 在Python2版本中，有urllib和urlib2两个库可以用来实现request的发送。 而在Python3中，已经不存在urllib2这个库了，统一为urllib。 Python3 urllib库官方链接：https://docs.python.org/3/library/urllib.html urllib中包括了四个模块，包括： urllib.request：可以用来

网络爬虫使用的技术--数据抓取： 在爬虫实现上，除了scrapy框架之外，python有许多与此相关的库可供使用。其中，在数据抓取方面包括： urllib2（urllib3）、requests、mechanize、selenium、splinter； 其中，urllib2（urllib3）、requests、mechanize用来获取URL对应的原始响应内容；而selenium、splinter通

本期我们来聊聊GANs（Generativeadversarial networks，对抗式生成网络，也有人译为生成式对抗网络）。GAN最早由Ian Goodfellow于2014年提出，以其优越的性能，在不到两年时间里，迅速成为一大研究热点。 GANs与博弈论 GANs是一类生成模型，从字面意思不难猜到它会涉及两个“对手”，一个称为Generator（生成者），一个称为Discriminator

简介 贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。从1988年由Pearl提出后，已经成为近几年来研究的热点.。一个贝叶斯网络是一个有向无环图(Directed Acyclic Graph,DAG),由代表变量节点及连接这些节点有向边构成。节点代表随机变量，节点间的有向边代表了节点间的互相关系(由父节点指向其子节点)，用条件概率进行表达关系强

摘要 本文描述了如何在 RT-Thread 中利用标准 BSD Socket API 来开发网络应用。并给出了在正点原子 STM32F4 探索者开发板上运行 NTP（通过网络获取时间）和 MQTT（通过 MQTT 收发数据） 的代码示例。 简介 越来越多的单片机需要接入以太网来收发数据，市面上也有非常多的接入方案，可以用单片机加自带硬件协议栈的 PHY 芯片来接入网络，也可以单片机跑软件协议栈加

摘要 本文描述了如何在 RT-Thread 中，如何根据具体的硬件配置网络驱动，并灵活运用调试手段解决问题。 简介 在 RT-Thread 所支持的 BSP 中，大部分都有支持以太网驱动。但具体到用户的硬件中，可能会和默认的代码有所差异。本文选择相对以太网驱动比较完善的 stm32 BSP，介绍了驱动的主要实现方式，以及针对不同硬件的修改方法。 本文准备资料如下： RT-Thread 源码 Env

鸟类启发我们飞翔，牛蒡植物启发了尼龙绳，大自然也激发了许多其他发明。从逻辑上看，大脑是如何构建智能机器的灵感。这是启发人工神经网络（ANN）的关键思想。然而，尽管飞机受到鸟类的启发，但它们不必拍动翅膀。同样的，ANN 逐渐变得与他们的生物表兄弟有很大的不同。一些研究者甚至争辩说，我们应该完全放弃生物类比（例如，通过说“单位”而不是“神经元”），以免我们把我们的创造力限制在生物学的系统上。 人工神经

递归神经网络 递归神经网络（RNN）是两种人工神经网络的总称。一种是时间递归神经网络（recurrent neural network），另一种是结构递归神经网络（recursive neural network）。时间递归神经网络的神经元间连接构成有向图，而结构递归神经网络利用相似的神经网络结构递归构造更为复杂的深度网络。两者训练的算法不同，但属于同一算法变体（百度百科）。本节我们重点介绍时间递

人工神经网络 人工神经网络又叫神经网络，是借鉴了生物神经网络的工作原理形成的一种数学模型。下面是一张生物神经元的图示： 生物神经网络就是由大量神经元构成的网络结构如下图： 生物的神经网络是通过神经元、细胞、触电等结构组成的一个大型网络结构，用来帮助生物进行思考和行动等。那么人们就想到了电脑是不是也可以像人脑一样具有这种结构，这样是不是就可以思考了？ 类似于神经元的结构，人工神经网络也是基于这样的神

由于客户端浏览器和服务端进行交互是建立在TCP连接基础上的，因此，有时在服务端就需要知道客户端的一些网络连接信息，因此，ServletRequest接口定义了若干可以获得网络连接信息的getter方法。通过这些方法，可以获得客户端和服务端的IP、端口以及访问协议等信息。 假设客户端的IP是192.168.18.10，服务器的IP是192.168.18.254，服务器主机名是webserver。并通

本章内容 ： 网络协议流量定位地理位置 发现恶意的DDos工具 找到隐藏的网络扫描 分析Storm的Fast流量和Conficker蠕虫的Domain流量 理解TCP序列预测攻击 手工发包挫败入侵检测系统 比起被限制在单独的维度中，武术更应该成为我们的生活方式，我们的理念，我们对孩子的教育，我们投入的工作，我们建立的关系网，我们每天所做的选择的延伸。 —Daniele Bolelli 第四度卫冕黑

准备 测试环境 在以下几种环境下进行测试： Kubernetes集群node节点上通过Cluster IP方式访问 Kubernetes集群内部通过service访问 Kubernetes集群外部通过traefik ingress暴露的地址访问 测试地址 Cluster IP: 10.254.149.31 Service Port：8000 Ingress Host：traefik.sample-

在2014年的ImageNet图像识别挑战赛中，一个名叫GoogLeNet的网络结构大放异彩 [1]。它虽然在名字上向LeNet致敬，但在网络结构上已经很难看到LeNet的影子。GoogLeNet吸收了NiN中网络串联网络的思想，并在此基础上做了很大改进。在随后的几年里，研究人员对GoogLeNet进行了数次改进，本节将介绍这个模型系列的第一个版本。 Inception 块 GoogLeNet中的

在LeNet提出后的将近20年里，神经网络一度被其他机器学习方法超越，如支持向量机。虽然LeNet可以在早期的小数据集上取得好的成绩，但是在更大的真实数据集上的表现并不尽如人意。一方面，神经网络计算复杂。虽然20世纪90年代也有过一些针对神经网络的加速硬件，但并没有像之后GPU那样大量普及。因此，训练一个多通道、多层和有大量参数的卷积神经网络在当年很难完成。另一方面，当年研究者还没有大量深入研究参