utm

从昨晚的18：50分开始，每隔30分钟左右进行10G流量的ddos***，实在没招，只能使用阿里云的高防IP来防御。 主要的***是： 趁此机会，全面了解DDos***： （以下是总结内容来源： http://www.secpulse.com/archives/37785.html?utm_source=tuicool&utm_medium=referral http://www.ijiandao.com/safe/cto/15952.html 　　DDoS（Distributed Denial of Service，分布式拒绝服务）***的主要目的是让指定目标无法提供正常服务，甚至从互联网上消失，是目前最强大、最难防御的***之一。这是一个世界级的难题并没有解决办法只能缓解. 1、网络层DDoS分类 SYN-FLOOD SYN Flood是互联网上最经典的DDoS***方式之一，最早出现于1999年左右，雅虎是当时最著名的受害者。SYN Flood***利用了TCP三次握手的缺陷，能够以较小代价使目标服务器无法响应，且难以追查。 利用TCP建立连接时3次握手的“漏洞”，通过原始套接字发送源地址虚假的SYN报文，使目标主机永远无法完成3次握手，占满了系统的协议栈队列，资源得不到释放，进而拒绝服务，是互联网中最主要的DDOS***形式之一. 标准的TCP三次握手过程如下： 1

　　机器之心报道 　　 编辑：泽南、张倩 　　 在最新的 MLPerf 基准测试结果中，英伟达新出的 A100 GPU 打破了八项 AI 性能纪录，谷歌的 4096 块 TPU V3 将 VERT 的训练时间缩短到了 23 秒。华为昇腾 910 这次也跑了个分。 　　 　　在距离推出不到一个月的时间里，内置超过 2000 块英伟达 A100 GPU 的全新 DGX SuperPOD 服务器就在各项针对大规模计算性能的 MLPerf 基准测试中取得了优异成绩。 　　在今天官方发布的 MLPerf 第三批 AI 训练芯片测试结果中，英伟达 A100 Tensor Core GPU 在全部八项基准测试中展现了最快性能。在实现总体最快的大规模解决方案方面，利用 HDR InfiniBand 实现多个 DGX A100 系统互联的服务器集群 DGX SuperPOD 系统也同样创造了业内最优性能。 　　行业基准测试组织 MLPerf 于 2018 年 5 月由谷歌、百度、英特尔、AMD、哈佛和斯坦福大学共同发起，目前已成为机器学习领域芯片性能的重要参考标准。此次结果已是英伟达在 MLPerf 训练测试中连续第三次展现了最强性能。早在 2018 年 12 月，英伟达就曾在 MLPerf 训练基准测试中创下了六项纪录，次年 7 月英伟达再次创下八项纪录。 　　最新版的 MLPerf 基准测试包含

DLI是支持多模引擎的Serverless大数据计算服务，其很好的实现了Serverless的特性： 1. 弱化了存储和计算之间的联系； 2. 代码的执行不再需要手动分配资源； 3. 按使用量计费。 那么如何才能更好的实现Serverless化的服务，同时又避免成为传统单体分布式的应用？ 微服务架构无疑是最优的选择。DLI基于微服务架构模式下的整体部署架构如下： 即对外以纯API形式提供服务，通过以APIGateway作为应用的入口，基于领域模型按子域进行微服务划分，从而实现Serverless化的大数据计算服务。 那么对于这样的一个基于微服务架构实现的Serverless服务，我们是如何在生产环境来部署与运维，从而在保证服务SLA的前提下实现快速迭代上线的呢？ 随着技术的发展，部署的流程和架构都发生了根本性的变化，如今已经走入了轻量级、短生命周期的技术时代。 从最初部署在物理机上的大数据计算平台，到基于公有云的弹性计算云服务器部署大数据平台，再到DLI这样的Serverless服务，其很好展现了大数据计算服务的演变。那么如何才能更好的实现Serverless化的大数据计算服务的部署呢，DLI的答案就是基于Kubernetes+Docker来部署各微服务。 Kubernetes部署是在不停机的情况下部署服务的好方法，但是如何应对在接收生产流量后出现的错误，使新版本的服务更可靠呢

前言 我最近要训练视频插帧模型，需要240fps的原视频，网上唯一找到的这样的数据集只有Adobe240fps( DeepVideoDeblurring/DeepVideoDeblurring_Dataset_Original_High_FPS_Videos )，这里面也就几十个视频，加起来也没多长，我觉得不够泛化，就决定自己拍摄，我手里的是iPhone X，由于训练模型不需要特别高分辨率的元数据，系统又取消了720p@240fps的拍摄模式，只好借助第三方软件，ProMovie。由于是手持拍摄，我想后期做一个防抖，大多数做视频防抖的软件都在Windows下，我不想在Mac上折腾了。Pr实在用不惯，FCP不支持60fps以上的视频，我只能把原视频放到30fps，才能用FCP处理，下面就是我的代码 正文 几十个视频文件，一个个搞肯定不可能的，好在有Python可以做批处理。下面是我的代码： import os path = 'input' # 我的原视频在项目里的input文件夹里。 files = os.listdir(path) if '.DS_Store' in files: files.remove('.DS_Store') # macOS会在文件夹里存一个.DS_Store…… files.sort() print(files) for file in files:

前面写的博客可能会有点乱： 　　1，是不太会排版。 　　2，就是我一边看书，一边听学长讲课，所以有的知识就融入进去了，我写的都是自己的意见和理解，大家取我精华，弃我糟粕哈。 今天是书上的内容，主要讲布局的，一些简单控件好像学过了，按钮，文本，密码框，输入框啊，还有一些简单的单复选框，图像按钮等等。 布局也针对性的学过了线性布局和帧布局，书上提到相对布局和线性布局都常用，但是学长没提，因为比较简单，我就稍微提一下，给自己加深巩固也行。 　　 相对布局 ：控件的位置是按照相对位置来计算的，后一个控件在什么位置依赖于前一个控件的基本位置，是布局最常用，也是最灵活的一种布局 相对布局里面的子元素不像线性布局里面的元素，不设置相关属性他们就会以父元素的左上角为顶点叠加显示。 　　一般就是子布局按照父布局的位置来写，所以方便； 相对布局位置相对属性都有一组，像layout_centerInParent这样的性对于父元素的位置的属性还有 android:layout_centerHorizontal="true" 相对于父元素在水平方向居中 android:layout_centerVertical="true" 相对于父元素垂直方向居中 android:layout_alignParentBottom="true" 相对于父元素居底部，只设置这个就是左下角 android:layout

云妹导读： 互联网时代中，上云已是常态，不上云是例外。随着云计算技术的不断成熟以及各种政策牵引，企业上云已经形成不可逆行的发展趋势。也许有人会觉得，云是大企业才玩的噱头，但其实在市场经济占主体地位的中小企业/个人开发者才是使用云服务的主力军。 传统 IT 模式制约中小企业发展，上云已成常态 以往传统IT架构下，业务上线前，企业需要通过预估业务量来配置资源，然而这种预估严重依赖经验，前期采购成本过高或上线后资源不足的现象时有发生。云服务按需付费，弹性伸缩，企业可快速获取所需资源，部署业务上线。同时，云服务商拥有专业的技术团队，高效的服务体系，底层架构问题全都可以交给云，企业用户可以将精力全都放在业务本身，线上业务运行更放心。 经过十多年的发展，云服务商为企业或个人提供了从底层资源到上层应用的所有 IT 服务以及视频直播、点播、大数据、物联网、AI等等解决方案。现在，主流云服务商所提供的云产品都多达上百款。但功能丰富的同时，也给用户的选择带来不少困惑，特别是刚刚接触上云的个人和中小企业，初次登陆控制台时， 面对繁多的云产品如何下手 ？ 哪些产品适合自己的场景 ？ 究竟如何选择才最划算 ？ 下面我们就通过几种典型场景帮助大家选择适合的云产品： 个人建站 对于个人来说，云主机是非常方便的建站利器。每一台云主机都有着完全独立的环境和IP 地址，用户无需为硬件的购买和维护投入精力

摘要： 24小时待命的人工客服有救星了。 网购最忙碌的除了电商平台的运维人员、物流配送人员，还有一批默默贡献的普通客服人员，消费者每发出一个请求，都需要客服及时有效的反馈，在像618这样的购物节中，电商企业的客服人员更是处于24小时待命中。 不过，智能客服和NLP文本处理的应用帮助很多企业提升了运营效率和客户体验，尤其是以华为云对话机器人为代表的一系列产品，正在为这些需要大量人工客服的企业降本增效。与此同时，越来越多的商业应用场景必将带动NLP语言理解和语言生成技术取得更多突破。 智能话务机器人 谷歌在其2018年I/O大会上演示了Duplex技术，让机器人使用几乎和真人无异的声音打电话到餐馆订位，和电话另一端的人类进行多轮互动。这个很吓人的技术在会后被广为传播。有人曾经想象，当这一技术成熟落地的时候，我们在见面聊天之后，可能会和对方说：“今天我们说的那个想法很棒，让我的机器人和你的机器人晚一点打个电话讨论具体的细节吧”。 这样科幻的想法，消费者可能还需要再多等一段时间。但是，对于企业来说，华为云2018年上线的智能话务机器人，已经在多个企业场景中，实现了机器人自动打电话和人类进行多轮互动。 典型的使用场景包括，自动外呼核实用户身份信息，回访客户满意度，了解候选人求职意向、查询订单状态物流信息、营销筛选意向客户以及各种类型的预约或预订服务等

作者：Abhishek Sharma 翻译：陈超 校对：丁楠雅 本文长度为 4600字 ，建议阅读 20分钟 本文以银行贷款数据为案例，对是否批准顾客贷款申请的决策过程进行了算法构建，并对比了决策树与随机森林两种机器学习算法之间的异同及各自的优劣。 用一个简单的比喻来解释决策树 vs 随机森林 让我们从一个思维实验来阐述决策树和随机森林之间的差异。 假设一个银行要给一位顾客批准一笔小额贷款，银行需要迅速做出决策。银行检查了这位顾客的信用记录和他的财政状况，并发现他还没有还上之前的贷款。因此，银行拒绝了他的申请。 但是，这笔贷款跟银行所拥有的巨额资金相比实在是小的可怜，银行本可以轻易地批准这笔贷款并且也不会承担很多风险。于是，银行失去了一次赚钱的机会。 现在，银行又来了一个贷款申请，但是这次银行想出了一种不同的策略——多重决策过程。有时它会先检查信用历史，有时它会先检查顾客的财政状况和贷款额度。然后，银行会把这些多重决策过程的结果进行整合，并最终决定是否将贷款发放给顾客。 即使这个过程比之前更费时，但是银行依然能够通过此途径获利。这是一个基于单一决策过程进行集合决策的经典案例。现在，我的问题来了——你知道这两个过程表征的是什么吗？ 这里是决策树和随机森林，我们将详细探究这种观点，深入挖掘两种方法的主要差异，并且对关键问题进行回复——你应该选择那种机器学习算法？ 目录 决策树简介

华炎魔方创新 国内低代码平台开发能力对比 来源： oschina 链接： https://my.oschina.net/zhugenqiang/blog/4287362

在全球化战略布局下，今年以来，商米联合全球合作伙伴推出了多款智能IoT 产品和数字化解决方案，为商户提供更专业地服务。同时，今年6月份，商米还引入阿里全球加速GA，加速实现信息化办公系统全球部署，全球员工访问体验提升50%。 加速布局全球，商米帮助商户拥抱数字化 以“利他心”为核心价值观，商米致力于为商用领域提供丰富且优秀的智能IoT硬件及软硬结合的数字化解决方案，构建万物互联的商业世界，最终实现商业4.0。 成立6年以来，商米一直引领全球智能商用硬件创新。目前，商米的产品和解决方案已经销往了203个国家和地区，成功应用到零售、餐饮、服务、医疗等行业的各类商业场景中，合作伙伴超过25,000家，全球活跃商户超过150万家，既有中小商户，也全球知名的连锁超市、餐厅等。 如大家所熟悉的盒马、屈臣氏、星巴克、西贝等餐饮零售知名企业都在使用商米的设备和服务。今年以来，受全球疫情的影响，很多线下商户也都在加速线上布局转型，商米的数字化解决方案和帮助商户快速实现线上外卖接单的移动设备在全球需求量都有明显增加。 为了更好地服务于全球商户， 除上海、北京、深圳、香港、台湾外, 商米还陆续在美国、印度、法国、新加坡4个国家设立了分支机构。 商米与阿里云结缘 想要实现统一部署、全球服务，除了过硬的产品和服务，智能的信息化办公系统也同样重要。商米的信息化办公系统首先就要解决国际网络连接问题。一张稳定