- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
线控技术
0.概述 车辆线控系统包括线控油门，线控转向，线控制动等。 re=view&pn=51 1.线控制动系统安全策略研究： ---- 1、不同类型线控系统优缺点，硬件冗余布置方案。 2、用于线控系统的通信网络FlexRay 3、电源供应系统，可能的故障及预案 4、电制动力的控制方式 5、制动力分配方案，ABS在线控系统中如何实现 6、用于线控控制车辆的紧急制动装置。 目的： 冗余线控电源系统，电源管理器，保证能源供应安全。 各节点的实时控制和通信技术，减小响应时间。 整合ABS防抱死，ASR驱动防滑等芯片，提高制动安全性。 制动器失效模式，应急处理方案。 制动过程中，ECU监视两个参数，一旦监测到抱死，就发出指令，打开回油阀，关闭进油阀，降低制动轮缸油压。 不断打开关闭进油回油阀，使车轮处于滑转状态，保持方向性。
73010发布于 2018-07-24 - 来自专栏物联网解决方案
LoRaWAN技术在山火防控中的应用
在这一挑战面前，LoRaWAN技术以其远程、低功耗和可靠的无线通信能力崭露头角，成为解决这一问题的创新性方案。 ，我们可以采用不同的传感器及德明电子的LoRa数据传输电台+NB数传电台将数据进行传输，最后通过4G将数据上传到服务器中，通过数据处理的方式，就能够直观的将森林里面的温度变化展示出来，并根据可能出现的火情进行提醒 LoRaWAN技术的三大组成部分LoRaWAN技术主要包含太阳能供电的火灾传感器、网状网关以及云平台。 LoRaWAN技术在可持续发展方面的重要性LoRaWAN技术对可持续发展倡议产生了深远的影响。如果您不确定如何入手，请联系我们获取更多信息。 结语LoRaWAN技术的应用为森林火灾的防范提供了新的思路和解决方案。我们呼吁政府、产业和社区共同行动，增加对这一技术的采用和投资。
20010编辑于 2025-10-23 - 来自专栏大白技术控的技术自留地
大白技术控 | Windows10X 模拟器简单上手体验
但是在 Windows10X 中，界面全面转向了圆角，注意哈，我说的是全面。 这个圆角包括了很多方面：控件、图标、乃至窗口。 你可能会说，不就是变一个圆角吗，有什么稀奇的？ 有。 原来的磁贴都是放在开始菜单中，理论上它可以显示很多的信息，并有一些有趣的动画效果。但在桌面系统中，我们打开开始就意味着结束，磁贴占据面积大，又没有多少软件适配，理想很美好，现实很骨感，不如砍了吧。 而 Windows10X 的开始菜单则是一种更为综合的东西。 上半部分显示应用列表，这里的应用没有完全显示，推测会根据用户的使用频率进行顺序调整，就像现在开始菜单中的最常用标签。 这一点在Windows10X上更为明显。在 Action Center 中，快捷设置显然占据了更大的比重。而且整体的设计都转为了模块化设计，从视觉上进行了分割。 Windows10X 声称支持大多数Win32应用，我这里条件有限，就不去做这个测试了，等系统正式版出来后自会有人去测试。但是我们还是可以简单地看看这个 Win32 在这个系统中是怎么运行的。
3.3K20编辑于 2021-12-23 - 来自专栏SDNLAB
解析流控技术演进
作者简介：盛科网络 王俊杰 01 流控技术概要 1.1 流控技术与RDMA 随着数据中心网络技术和带宽不断发展，流控技术在网络中发挥着越来越重要的作用，但一直未曾有过很大变革。 总结来说，RDMA网络实现“低时延”,“无丢包”,“高吞吐”的关键是流控技术。 02 流控技术原理 2.1 PFC ? 图10 拥塞通告CNP协议报文格式 2.3 Fast ECN 当交换机队列中缓存数据包超过ECN阈值时，交换机会将拥塞信息标记报文的ECN字段，并携带到发送端服务器以通知其网络拥塞。 2.8 流控技术对比 ? 03 流控技术方向与生态 ? 虽然从原理上来看，可以等同，但距离从10m到100Km也引发了质变，对于现有的流控技术仍然是极大的挑战。
3.7K10发布于 2019-12-19 - 来自专栏TopFE
大规模灯控技术方案
省略n个灯讯号 "EH08-Y": false, "EH09-G": false, "EH09-R": false, "EH09-Y": false, "EH10 -G": false, "EH10-R": false, "EH10-Y": false, "ID": 1, "REG_BIT": 16, "RESERVE": 0, "STA_MODE": 1, "TM_GRAY": 255 } } 解释： 1095个灯的标识 AA01-R至EH10-G 订阅接近开关的信号 订阅io1的讯号 SBOX/ SWITCH": false, "AA07-SWITCH": false, "AA08-SWITCH": false, "AA09-SWITCH": false, "AA10 data中存放的是 要开启，或关闭的灯的数据。
15500编辑于 2024-05-25 - 来自专栏Java架构
高并发风控技术解密（下）
下图是hbase的一个基准性能测试，千万不要忽略hbase哦，它既能存取海量数据，又能以极短的时间响应，实在是风控系统性能提升的利器。目前的风控系统最重要的累积数据，就是基于hbase存取的 ? 基于动态流程配置，将主系统中3个外部调用合并为一个之后，sy和wa大大降低，不再出现被压垮的情况，而被合并的剩下两个调用，放到kafka解耦之后继续调用。 ? 在风控系统里，日志是很重要的排查工具和手段。 log4j2的出现，就是为了大吞吐打印日志的，其中all async实现全异步打印，中间用到了disruptor来提速，至于disruptor为什么快，参考之前的文章高并发风控技术解密（上） 单机 分布式的TOPK问题比较有意思，ES的原理中阐述了这一点，有兴趣的人可以研究 ?
1.2K40发布于 2018-06-13 - 来自专栏祥的专栏
技术贴：开源飞控那些事
第十二，许可必须是技术中立的。许可的任何条款不可以基于任何个人技术、特定部分或者部件、材料或者接口、使用风格等。 2 开源飞控又是何物 了解了开源硬件的概念，开源飞控的概念也就比较容易理解了。 第二代开源飞控系统 大多拥有自己的开源硬件、开发环境和社区，采用全集成的硬件架构，将全部10DOF传感器、主控单片机，甚至GPS等设备全部集成在一块电路板上，以提高可靠性。 该飞控是目前全世界飞控产品中硬件规格最高的产品，也是当前爱好者手中最炙手可热的产品。 MS5611传感器响应时间只有1ms，工作功耗为1μA，可以测量10-1200mbar的气压数值。 20世纪90年代以后，随着微机电系统（MEMS）技术的发展，惯性敏感元件实现了体积小型化，提高了可靠性，并适合批量生产，从此捷联式惯导系统进入了微机电领域，并开始向民用领域广泛渗透，出现在机器人系统和新一代的交通工具中
2.8K20发布于 2020-03-10 - 来自专栏Java架构
高并发风控技术解密（下）
如下图，不同的存储读取时间是有很大差别的，应当利用好各种存储，尽可能的用耗时小的存储 下图是hbase的一个基准性能测试，千万不要忽略hbase哦，它既能存取海量数据，又能以极短的时间响应，实在是风控系统性能提升的利器 目前的风控系统最重要的累积数据，就是基于hbase存取的 异步化 •从系统架构层面，将可异步的代码尽量异步，但忌滥用异步 下面是一个实际的例子，在压测过程中，发现CPU的sy和wa很高，大体可以判断是线程过多 基于动态流程配置，将主系统中3个外部调用合并为一个之后，sy和wa大大降低，不再出现被压垮的情况，而被合并的剩下两个调用，放到kafka解耦之后继续调用。 在风控系统里，日志是很重要的排查工具和手段。 log4j2的出现，就是为了大吞吐打印日志的，其中all async实现全异步打印，中间用到了disruptor来提速，至于disruptor为什么快，参考之前的文章高并发风控技术解密（上） 单机TPS
83950发布于 2018-05-25 - 来自专栏数据科学与人工智能
金融科技|风控建模技术方案
风控建模的技术方案 1 逻辑回归模型 在银行的传统评分卡建模中，应用的也是逻辑回归模型。逻辑回归本质上是一个线性分类模型。 对于金融科技公司在建模所遇到的大量的弱特征，如何挖掘多个特征之间的互补性，产生组合的分箱特征是一个技术挑战。 4 深度学习模型 基于深度学习的技术路线会面临两个挑战。一方面，深度学习模型都有很高的模型复杂度，需要大规模的样本数据，而风控领域要获取大规模的样本数据的成本极高。 总之，金融风控模型是一个既传统又新鲜的技术问题。银行的风控模型已经随着银行业的发展应用了数十年。 而互联网金融面临的如何组合大量的弱特征数据对于用户的逾期行为给一个准确的预测，是一个新出现的技术课题，技术方案也在快速的迭代演进中。
2.5K30发布于 2021-07-15 - 来自专栏网络工程师笔记
【技术控】详解TCP之滑动窗口.....
现实中，应用层可能无法立刻从缓存中读取数据。 滑动机制 发送窗口只有收到发送窗口内字节的ACK确认，才会移动发送窗口的左边界。 接收窗口只有在前面所有的段都确认的情况下才会移动左边界。 窗口最大可为10，其实应该为9 明确发送端和接收端，发送A~S数据包，我们不会从头到尾分析，因为过程比较长。1. 简化了窗口大小，双方窗口大小都一直是42. 从上面的过程中，我们可以得到以下结论：1. 本例中，开始接收端空着AB，只有CD，此时不能滑动；之后接收到EF和H，直接向右滑动2位，不必等G到位。 窗口大小不能大于序号空间大小的一半。
1.6K50发布于 2021-06-23 - 来自专栏Java架构
高并发风控技术解密（上）
风控在任何一个公司都是比较神秘的存在，不仅线上很少分享，从安全角度讲也很少对外披露它的架构及设计。本人将就参与的风控建设谈谈风控的技术。 （本文来源于本人内部分享PPT，仅从技术角度探讨风控体系建设，不涉及公司内部机密，限于篇幅，一些细节没能交待完整） 风控架构演进 经过1年多风控系统的建设，已经将公司内部风控系统从业务代码为主的风控架构改造为了平台化为主的 技术架构 首先来看目前风控的技术架构，从业务及架构层面将风控划分为五大体系：分别是存储体系，识别体系，支撑体系，运营体系，数据计算体系。 目前已经初步具备的 业务能力有，营销作弊，交易欺诈，登录注册防控，内容防控 数据模型能力有，用户画像及风险评级，关联反查，风险大盘，各类报表等 运营能力有，用户预警，商户预警，案件审核，综合信息查询 另外，由于风控积累数据及服务已经较多，许多外部系统都想共享风控的数据和服务，将风控的部分业务作为开放平台提供服务也是深化风控改造的重要步骤。 ?
1.1K30发布于 2018-06-14 - 来自专栏Java架构
高并发风控技术解密（上）
风控在任何一个公司都是比较神秘的存在，不仅线上很少分享，从安全角度讲也很少对外披露它的架构及设计。本人将就参与的风控建设谈谈风控的技术。 （本文来源于本人内部分享PPT，仅从技术角度探讨风控体系建设，不涉及公司内部机密，限于篇幅，一些细节没能交待完整） 风控架构演进 经过1年多风控系统的建设，已经将公司内部风控系统从业务代码为主的风控架构改造为了平台化为主的 技术架构 首先来看目前风控的技术架构，从业务及架构层面将风控划分为五大体系：分别是存储体系，识别体系，支撑体系，运营体系，数据计算体系。 目前已经初步具备的 业务能力有，营销作弊，交易欺诈，登录注册防控，内容防控 数据模型能力有，用户画像及风险评级，关联反查，风险大盘，各类报表等 运营能力有，用户预警，商户预警，案件审核，综合信息查询 另外，由于风控积累数据及服务已经较多，许多外部系统都想共享风控的数据和服务，将风控的部分业务作为开放平台提供服务也是深化风控改造的重要步骤。
1.5K60发布于 2018-05-24 AI + 热成像技术在动火作业风险防控中的实现路径
、安全距离难量化” 的痛点，方案通过 “定制化清单建模 + 计算机视觉测距” 技术组合，实现精准管控，具体分为三个核心步骤：易燃物清单建模与特征提取支持导入客户自定义的易燃物类型（如木材、油漆桶、塑料板等 ，计算两者在画面中的直线距离。 结合预设的安全距离标准（如 GB 9448-1999 规定的 10 米），将像素距离换算为实际物理距离；若实际距离小于安全阈值，系统立即触发告警信号（算法层面生成告警指令，传输至前端声光报警器或后端管理平台 10℃以上），则判定为 “潜在火源”，触发高级别告警。 多源图像融合与可视化呈现为让现场人员更直观地定位风险，系统支持将热成像图像（标注高温区域）与普通视觉图像（标注易燃物、动火点）进行像素级融合，生成 “可见光 + 热成像” 叠加画面；融合过程中通过图像配准技术
28210编辑于 2025-10-14- 来自专栏SAMshare
风控ML | 风控中的异常检测原理与应用
今天来介绍一下风控中的异常检测，从最基础的概念开始讲起，因为本人对这块的内容平时工作也做得不多，更多滴偏向于“纸上谈兵”，有什么说得不对的地方，也欢迎各位朋友指正～谢谢。 异常检测的概念 02 异常检测的难点 03 异常检测的分类及常见算法 01 异常检测的概念 异常检测（Anomaly Detection 或 Outlier Detection），又称为离群点检测，在我们风控领域很多地方都会用到 抽象来说，就是需要从一堆数据中，找到那个“邻舍不同”(粤语)的点，并能够给出合理的判断和解释。 02 异常检测的难点 为什么说异常检测很难呢？ 所以很多时候我们在操作的过程中，会先用无监督方法挖掘出异常样本，再基于这些样本去做有监督模型挖掘更多的异常点，这中间也多了一层转化，所以准确率和置信度上也有一定的下滑。 details/95048991 [3] 异常检测算法演变及学习笔记 https://www.cnblogs.com/zhengzhicong/p/12922836.html [4] 异常检测简介：概念与技术
4.1K20编辑于 2022-04-12 - 来自专栏SAMshare
风控ML | 风控建模中怎么做拒绝推断
02 为什么要做拒绝推断 在我们的生活中，有很多关于幸存者偏差的例子，比如我们身边的同事月收入都是过万，就误以为大多数人都是这样子，身边的人都是本科毕业，就以为大多数人都上过大学。 《风控建模中的样本偏差与拒绝推断》https://zhuanlan.zhihu.com/p/88624987 不过我也还是把他文章里的分类体系在这里重点再次分享一下。 以上的5个步骤，就是实施拒绝推断中推断法之一的展开法。 06 总结一下 本文算是一个对拒绝推断的入门介绍了，让初涉风控模型的同学有一个相对来说比较清晰的全局认识，这里面涉及到的很多算法模型上的细节并没有展开来讲，因为我觉得这也会让阅读带来比较大的负担，公众号的文章还是要控制在几分钟内读完比较合适 Reference [1] 异常检测算法分类及经典模型概览 https://blog.csdn.net/cyan_soul/article/details/101702066 [2] 风控建模中的样本偏差与拒绝推断
2.9K30编辑于 2022-11-14 - 来自专栏PPV课数据科学社区
风控中的大数据
x ，y：在美国，人们一般在上大学的时候就会拥有人生中第一张信用卡。这样等到后续买房（房贷）买车（车贷）的时候，就已有了不短的信用历史了。 ◆◆◆ 5.大数据风控在中国的机遇 最近10年，以个人信用卡为代表的个人贷款业务在中国有了蓬勃的发展。我国的信用卡交易和风控系统在初期大量借鉴了国外的经验。银联的第一代系统是与VISA合作完成的。 这种大样本量、多维度、非结构化的数据非常适合各类大数据分析处理和机器学习技术的运用。 ◆◆◆ 6. 大数据风控的挑战 伴随着机遇同样也有挑战。 就像要有美味的菜肴，我们既需要好的材料，也需要好的厨师，当前大数据在风控中运用的挑战主要还是在数据和人才这两方面。 数据 记得我们前面所说的，风控的核心就是能够产生一个f(x)，用来量化违约概率。 过去的10年里，机器学习领域有了天翻地覆的发展。在机器能够击败超一流围棋高手的时代，让机器基于海量的、人工根本来不及消化的数据来评估一个人借钱后是否会还钱，其可行性是很高的！
1.9K120发布于 2018-04-25 - 来自专栏镁客网
用眼控技术，读懂“你的世界”
作为目前人工智能技术主攻的听、视、嗅、触四大高地之一，智能眼控技术也越来越为人所关注。 但是，眼控技术不仅仅是为了生存需要才研发的，更多的是为了让生活更美好。对于这一点，七鑫易维已经将他们的眼控技术与当下十分火爆虚拟现实技术结合在了一起。 让世界读懂你的眼神 在现实生活中，人们通常是以眼球的转动去锁定注视目标的。眼睛，素来被喻为心灵的窗户，心到眼到，通过一个人的眼睛，就能看清这个人的内心世界。 此外，头控技术还会使锁定目标的过程变长，这对于虚拟现实这样美妙的体验来说，实在是太煞风景了！ 因此，采用眼球追踪技术判断用户的注视目标是目前VR控制技术的最佳选择。 七鑫易维的眼球追踪技术很好的解决了这一问题，通过判断人眼注视点，在画面渲染过程中仅高清渲染注视点位置(局部渲染)。
77640发布于 2018-05-28 腾讯云天御交易风控技术指南
摘要 本文旨在解析腾讯云天御交易风控技术的核心价值、挑战及实施指南，并提供与腾讯云产品结合的最佳实践案例。 技术解析 核心价值与典型场景 腾讯云天御交易风控服务通过实时监控和智能分析技术，为企业提供交易安全保护。其核心价值在于识别欺诈行为、降低交易风险，并优化用户体验。 3大关键挑战 性能瓶颈：在高并发交易场景下，风控系统需要快速响应，以避免延迟对用户体验的影响。 数据安全：交易数据涉及用户隐私，如何确保数据在传输和存储过程中的安全是一大挑战。 操作示例：启用腾讯云的数据加密服务，确保数据在传输和存储过程中的安全。 结论 腾讯云天御交易风控技术以其高性能、安全性和灵活性，为企业提供了强大的交易安全保障。通过结合腾讯云产品特性，企业能够实现更高效、更安全的交易风控管理。
90010编辑于 2025-07-29- 来自专栏数说工作室
如果疫情防控有「零信任」技术
疫情防控太难了，即使严格按照规定动作来做，病例还是一波接一波。 这跟政策没关系，我们的政府已经在努力提升防控措施，尽可能的在防控疫情和生活生产之间做出平衡，但有些技术问题确实是解决不了的。 这很像企业的网络安全工作，外部攻击者会通过各种恶意流量请求、病毒木马植入等手段入侵内网，这在传统的网络架构下是比较危险的，因为传统的网络架构中： 网络被划分为不同的区域（VS 疫情防控的三种区）； 不同的区域实行不同的安全策略 最后再回过头来看下，疫情的防控如果有零信任技术支撑，会是一个怎样的情况？ 疫情防控上技术还做不到，但企业的网络安全防控是可以做到的，或者至少可以逐步完善。 具体如何落地一个零信任体系，如何设计、使用哪些关键技术等，后面或许可以再结合最佳实践聊一聊。
62810编辑于 2022-08-25 - 来自专栏SAMshare
风控ML | 风控建模中GBDT和XGBoost怎么调优
这一小节其实是想着来梳理下风控建模中各个环节有哪些模型，顺便看看这GBDT和XGBoost哪儿能用，简单点分类就按贷前、贷中、贷后来，我根据自己过往的经验，按照出场率来评个分，从S级-A级-B级-C级- 贷中 B卡（行为评分卡）：S级出场率。 交易反欺诈：A级出场率，主要是支付风控，防止客户进行薅羊毛、套现等行为。 客户流失：A级出场率。 贷后 催收告警：A级出场率。 迁徙率预测：B级出场率。 在风控模型中我们经常也是用来做分类（Classification），但我们知道GBDT的基分类器是CART，即Classification And Regression Tree，所以也可以支持回归建模 squarederror，也支持很多回归、二分类等目标设置，详情见上面提及的文档，还有一个参数eval_metric，评估指标设置，也是十分常用的，有很多指标可以选择，比如auc、error、mae、rmse等等，在风控模型中我们经常就是做评分卡 风控模型怎么调优 关于风控模型的调优，先前有篇文章讲得比较细致《风控ML[7] | 风控模型调优的思路有哪些》，大家可以移步去回顾一下。
2.5K30编辑于 2022-11-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号