- 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
我们来分析一下应用场景：1、应用环境是广袤的无人区，人迹罕至；2、是在山区，植被茂密；运营商信号可能较弱；我们再分析一下火源的发生，2020年3-30森林火灾起因为变电站预留引流线受风的影响，形成永久性接地放电故障 ，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；从而起到预防森林火灾的效果。 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。 基于TCP的RDMA，本质上是将“无损”寄托在TCP的可靠性上，而基于RoCEv2的无损网络则是将“无损”放在了流控机制。本文所提及的流控技术，主要是指基于RoCEv2的流控技术。 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8 ECN报文格式 如上图所示，IP 报文头部中的DSCP 字段有2 Bit 用于标识ECN。 2.8 流控技术对比 ? 03 流控技术方向与生态 ?
3.7K10发布于 2019-12-19 - 来自专栏TopFE
大规模灯控技术方案
信息 地址 1.2.3.4:1883 （不开启 SSL） topic 目前有三个设备，三个设备的id分别是 lighting1095个灯信号 io1 第1个io模块 存储了40个接近开关讯号 io2 第2个io模块 存储了40个接近开关讯号 共用获取设备讯号的topic SBOX/e1a2321e0990/+/device/data/push 其中，e1a2321e0990是网关设备的id，如果换了网关需要更换该 （目前我使用的网关id是e1a2321e0990，邮寄给你们的是95f74b5f26d2。 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 ? 单机TPS 2,644.6->3,079 单机平均响应时间149.3->126.03 •日志打印异步化--log4j2 all async,大大提高吞吐 日志对于TPS的影响绝对无法忽视 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。 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具有SPI和I2C总线接口、与单片机相同的供电电压、-40℃至+85℃的工作温度、全贴片封装、全金属屏蔽外壳、集成24位高精度AD采集器等特性，这些特性使其非常适合在高度集成的数字电路中工作 HMC5883其他的特性包括：在±8GS的磁场中实现2mGS的分辨率、与单片机相同的供电电压、-30℃至+85℃的工作环境温度等。 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）
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。 单机TPS 2,644.6->3,079 单机平均响应时间149.3->126.03 •日志打印异步化--log4j2 all async,大大提高吞吐 日志对于TPS的影响绝对无法忽视 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。 2 树模型 Xgboost、GBDT、和RandomForest都是应用多棵决策树模型的组合，来对特征进行切分组合并得到最终每一块小的高维空间的拟合得分。 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.....
已发送，已收到ACK2. 已发送，未收到ACK3. 未发送，但允许发送4. 未发送，但不允许发送 其中类型2和3都属于发送窗口。 接收方的缓存数据分为3类：1. 已接收2. 未接收但准备接收3. 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。 再次获得C,D后，连续回复2个D的ACK包，其中C对应的ACK包丢失。 ? 发送端连收2个D的ACK包，说明4个包对方都已收到，窗口滑动，发E,F,G,H包，其中G包丢失。 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 2代架构，进而改造成为动态化及离线数据模型化的2.5代架构，正在向深度学习，在线数据模型的3代架构上演变。 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。 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 2代架构，进而改造成为动态化及离线数据模型化的2.5代架构，正在向深度学习，在线数据模型的3代架构上演变。 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。 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。 系统内置温度校准模块，通过黑体校准源（已知固定温度的参考目标）定期对热成像摄像头进行校准，建立灰度值与实际温度（单位：℃）的精准映射关系，确保温度测量误差控制在 ±2℃以内。 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 系统支持自定义检查计划（如按日 / 周设置动火作业检查任务），任务生成后自动分配至对应人员账号；整改过程中，通过 “图片对比验证” 技术，将整改前后的画面上传至系统，AI 辅助判断隐患是否消除，消除后自动归档
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 主要有几个原因： 1）异常点和噪声会混杂在一起，机器难以具体识别开来； 2）现实中很少有异常点的标签，因为标签越多也就意味着遇到过的异常越多，也不符合常识认知； 3）对于标签的定义也是很难，比如1个金融场景 2.上下文异常：一般在时间序列中表现，某个时间点的指标相对前后时间段有较大波动的。比如某个中午交易量异常。 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
《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。 展开法的实施步骤主要是： 1、拿到贷后的样本，按照一定的好坏样本定义规则打上Y值，接着就是常规操作，得到 评分卡模型A； 2、拿着评分卡模型A，去对全量样本（包含拒绝的）进行打分，得到每个样本的模型分P cutoff一般按照业务经验来设置，就是拒绝样本中被赋予通过的样本，其badrate水平，是正常放款样本中的badrate水平的2～4倍； 4、根据步骤3设置的cutoff，高于这个阈值的赋予good标签 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。 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
风控的意义 何为风控？字面含义就是对于风险的控制从而使财务不受到损失。对于任何一家金融机构（包括银行，小贷，P2P等）来说，风控的重要性超过流量、体验、品牌这些人们熟悉的指标。 风控做得好与坏直接决定了一家公司的生与死，而且其试错成本是无穷大的，往往一旦发现风控出了问题的时候就已经无法挽回了。截止到2015年底，全国总共3000多家P2P平台里超过三分之一已经倒闭。 这其中除了一部分明显的自融欺诈外，大多数平台垮掉的原因还是风控不过关。 ◆◆◆ 2. 风控的核心 风险控制需要做什么？与逾期率的绝对数值相比，对风险的控制能力要重要得多。 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。
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Ms08067安全实验室
攻击域控丝滑小连招（2）
2、mimikatz也可以直接在域控制器上运行，通过转储lsass.exe进程dump Hash。 2. 基于Meterpreter会话获取域账号和域Hash 这里没有域控制器的Meterpreter会话，首先获得一个Meterpreter会话，打开msf，依次输入如下命令。 https://github.com/quarkslab/quarkspwdump ShadowCopy 是一款增强型的免费文件复制工具，由于使用了微软卷影副本（Volume Shadow Copy）技术 我们将文件全部放入domainhash文件夹中，如图6-44所示。 图6-44实验所需工具 在shadowcopy.bat中设置工作目录为C:\Windows\Temp\具体目录可以在shadowcopy.bat中自行设置，直接执行shadowcopy.bat脚本，该脚本先使用
63620编辑于 2023-11-15 - 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 {‘auto’, ‘sqrt’, ‘log2’}, int or float, default=None。如果不填的话，默认就是用所有的特征。 ... 而关于风控模型怎么调优，我会在下一节一起讲。 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
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