All wisdom begins with memory.

数据结构算法单链表 链表代码前置知识： cur.next = new_node：代表current的next指针指向新节点 链表有数值域和链接域 代码实现：节点类 包含两个属性： item：数值域（元素域） next ：地址域（链接域） 不是他的地址，而是他的下一个节点地址 123456# 自定义SingleNode类，表示节点类class SingleNode: # 初始化属性 def __init__(self, item): self.item = item # 元素域（数值域） self.next = None # 链接域（地址域） 代码实现：链表类 该部分代码包含一个属性 head 表示头结点 指向链表的第一个节点 多个行为： is_empty(self) :链表是否为空 length(self):判断链表长度 traverse(self):遍历整个链表 add(self,item) :给链表头部添加元素 append(self,item):链表尾部添加元素 insert(self,item): ...

深度学习和机器学习的区别 深度学习和机器学习-面试题(●’◡’●) 问：什么样的资料集不适合用深度学习？ （1）数据集太⼩，数据样本不⾜时，深度学习相对其它机器学习算法，没有明显优势。 （2）数据集没有局部相关特性，⽬前深度学习表现⽐较好的领域主要是图像/语⾳/⾃然语⾔处理等领域， 这些领域的⼀个共性是局部相关性。图像中像素组成物体，语⾳信号中⾳位组合成单词，⽂本数据中单词 组合成句⼦，这些特征元素 的组合⼀旦被打乱，表示的含义同时也被改变。对于没有这样的局部相关性的 数据集，不适于使⽤深度学习算法进⾏处 理。 深入理解机器学习和深度学习 深度学习与机器学习的差别 不需要人工特征工程 特征工程+分类/回归 使用一个网络来完成 优点 精确度高，性能好，效果好 拟合任意非线性的关系 框架多，不需我们自己造轮子 缺点 黑箱，可解释性差 网络参数多，超参数多 需要大量的数据进行训练，训练时间长，对算力有较高要求 小数据集容易过拟合 PyTorch深度学习框架PyTorch是什么 PyTorch官网 GPU：一个超级快的数学计算器。（显卡） CU ...

错误复现 6.07日，于晚上10点多通过git提交代码，试了几次都不行，没有分支冲突，但是发现报错如下： 于是乎开始了一番操作： 分析报错看来是443端口的问题，应该是https服务出现了问题 查看是否使用了代理 使用了，于是乎将Clash关掉 又说我没有权限，github你药剂吧干啥啊 重新按照流程生成一遍ssh秘钥，然后填到github上（流程复杂，耗时 ssh-keygen -t rsa -b 4096 -C “xxx@163.com“(填自己的邮箱) eval “$(ssh-agent -s)” ssh-add ~/.ssh/id_rsa 打开~/.ssh/rsa.pub，复制公钥到github 没有用 问题排查⭐️ ping github.com(怎么回事，ping自己主机头上了) ssh -T git@github.com（还是自己主机 查看hosts配置文件（没有github.com的配置项 ssh -v git@github.com查看ssh访问github日志 查看文件 ok！收 ...

AI人工智能 讲到AI人工智能首先得从图灵测试开始说起： 图灵测试就是：测试者与被测试者（一个人和一台机器）隔开的情况下，遍过一些装置（如键盘）向被测试者随意提问。多次测试（一般为5min之内），如果有超过30%的测试者不能确定被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。 当有人骂你是人机的时候，你不要骂过去，你要说你还没通过图灵测试（这样别人就听不懂了doge）。 人工智能的分类通讯、感知与行动是现代人工智能的三个关键能力 与此对应的三个技术领域分别是 计算机视觉（CV） 计算机视觉（CV）是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。物体检测和人脸识别是其比较成功的研究领域。 自然语言处理（NLP）:在NLP领域中，将覆盖文本挖掘/分类、机器翻译和语音识别 语音识别：是指识别语音（说出的语言）并将其转换成对应文本的技术。相反的任务（文本转语音/TTS）也是这一领域内一个类似的研究主题。 文本挖掘：主要是指文本分类，该技术可用于理解、组织和分类结构化或非结构化文本文档。其涵盖的主要 ...

Ollama大模型Ollama是什么？ 答：一只羊驼，不信可以去官网看看（doge）。 但是通过认知的不断完善我们可以发现，Ollama是一款旨在简化大型语言模型本地部署和运行过程的开源软件。 Ollama提供了一个轻量级、易于扩展的框架，让开发者能够在本地机器上轻松构建和管理LLMs（大型语言模型）。通过Ollama，开发者可以访问和运行一系列预构建的模型，或者导入和定制自己的模型，无需关注复杂的底层实现细节。 Ollama的主要功能包括快速部署和运行各种大语言模型，如Llama 2、Code Llama等。它还支持从GGUF、PyTorch或Safetensors格式导入自定义模型，并提供了丰富的API和CLI命令行工具，方便开发者进行高级定制和应用开发。 给我个人的感觉就是类似于声音大模型UVR5或者MSST的模型部署运行软件。 Ollama下载 Ollama共支持三种平台： Window：https://ollama.com/download/OllamaSetup.exe Mac：https://ollama.com/download/Ollama-darwin.zip ...

样本发现 24年某日于xxx发现Mozi.m病毒样本，于是在内网环境中开始了分析，当时条件很不方便，于现场不能使用外网。在他们内网写完分析报告回来后，在网上找了一些资料，发现跟我分析的大同小异，分析步骤如下： 拿到样本的sha值去virustotal等病毒分析网站扫一遍 分析病毒源码 分析是否加壳 如果病毒加壳需要使用IDA对病毒进行脱壳破解 继续分析源码（包括病毒的特征、传播方式、影响范围） 样本分析 病毒样本哈希值：4293c1d8574dc87c58360d6bac3daa182f64f7785c9d41da5e0741d2b1817fc7 打开IDA Pro，发现样本通过UPX进行了加壳操作， 使用Detect It Easy进行查壳，发现是upx壳 使用upx -d进行脱壳报错 Mozi开发人员覆盖p_filesize并p_blocksize使用 nullbytes 避免使用 UPX 解包。一个好处是该p_filesize字段在二进制文件的末尾也可用，并且应该等于p_blocksize。 使用造好的轮子nozitookls成功解压Mozi.m文件 123p ...

P2P协议打洞TCP协议打洞 1，局域网通信分为三种情况（有两种情况不需要打洞，只有局域网之间的通信需要打洞2，为什么要打洞，假如一个局域网IP需要跟公网的服务器通信，那么首先这个局域网IP需要通过NAT地址转换将内网IP映射为公网IP，然后才能和公网服务器通信，同理另一个摄像头要和客户端通信，那么需要通过服务器进行转发（因为NAT需要将公网的IP端口和内网的IP端口一一对应才能实现转发，另一端的net公网地址不在这个对应的表里，则包会直接被丢弃），这样的话服务器的压力会比较大3，打洞步骤 1）服务器的连接分为主连接和协助打洞连接（比如端口分别为80 和 3478端口） 2）A,B两个客户端都连接上打洞服务器的主连接，然后A请求和B建立P2P通信，首先A会请求服务器的3478端口（协助打洞端口） 3）S服务器收到A的协助打洞连接会通知B，告诉B，A的NAT端口和NAT地址（经过转换后的公网地址） 4）B收到S的连接通知后首先与S的【协助打洞】port连接。随便发送一些数据后马上断开，这样做的目的是让S能知道B经过NAT-B转换后的公网IP和port号。 5）然后服务器将客户端的公网I ...

由于距离上一次磁盘排查已经有一段时间了，这段时间比较忙没有时间去立刻记录下当时的情况，于是借助当时找到的一篇博客来记录一下。 这里列举一些比较能用得上的命令。 1234>lsblk # 查看有多少块硬盘>df -h # 查看硬盘容量>tail -f -n100 /var/log/messages # 查看系统日志最后100条>lsof | grep "/data" # 查找进程打开了哪些文件以及与打开文件相关联的内容 现象VM中有一块盘，进入mount点后，ls显示错误： 12[root@es10 data2]# lsls: cannot open directory .: Input/output error 跟踪分析 查看磁盘 1234[root@es10 ~]# lsblk | grep vdcNAME MAJ:MIN RM SIZE RO TYPE MOUNTPOINTvdc 253:32 0 2T 0 disk └─vdc1 253:33 0 2T 0 part ...