- 综合排序
- 最热优先
- 最新优先
- 来自专栏网络安全
威胁狩猎精准配置指南
(SysmonConfigurationinDetail)Sysmon的强大之处在于其灵活的XML配置文件。 这是最常见的配置策略。-**包含规则**:也可以采取更主动的方法，使用**包含规则**来明确指定要监控的已知恶意行为模式。 DnsQueryonmatch="exclude"><QueryNamecondition="endwith">.microsoft.com</QueryName></DnsQuery></RuleGroup>2. 获取配置文件:下载一个社区维护的优秀配置文件，例如SwiftOnSecurity的sysmon-config。 威胁狩猎实战(PracticalThreatHunting)#####追踪Metasploit假设:Metasploit的meterpretershell通常使用默认端口（如4444,5555）进行C2通信
26410编辑于 2026-01-08 - 来自专栏大内老A
ASP.NET Core的配置（2）：配置模型详解
接下来我们将会对由这三个核心对象组成的配置模型进行详细介绍，不过在此之前我们有必要来认识配置信息在不同载体中所体现出来的三种结构。 配置模型的终极目的在于将具有不同来源的配置转换成Configuration对象，配置源和Configuration对象本身分别体现了配置的原始结构和逻辑结构，所以配置模型旨在实现配置数据从原始结构向逻辑结构的转换 在具体转换过程中，配置模型先利用与配置源相对应的ConfigurationProvider将配置数据从原始结构转换成体现为数据字典的物理结构。 对于组成整棵树的所有配置节点来说，表示根节点的Configuration对象与表示其它配置节点的Configuration对象相比具有不同的特性，所以配置模型采用不同的接口来表示它们。 原生的配置模型中提供了一个实现IConfigurationBuilder接口的类型，那就是在我们之前演示的实例中多次使用的ConfigurationBuilder类，配置模型默认的配置生成机制体现在它实现的
1.7K90发布于 2018-01-15 - 来自专栏coderidea
SCQA模型：精准沟通的利器
这就是SCQA模型发挥作用的地方。这一模型，最初由麦肯锡咨询顾问芭芭拉·明托在其著作《金字塔原理》中提出，被广泛认为是一种高效的“结构化表达”工具。 本文将深入探讨SCQA模型的含义、运用方法，并通过具体案例展示其效用。 SCQA模型的四个组成部分 SCQA模型由四个部分构成：情境（Situation）、复杂性（Complication）、问题（Question）和答案（Answer）。 理解这四个组成部分，是有效运用该模型的关键。 情境（Situation） 这是模型的起始点，描述了当前的背景或现状。在这一阶段，目的是为听众或读者提供一个基本的信息框架，帮助他们理解接下来的内容。 这个问题是整个模型的核心，指导后续的讨论方向。 答案（Answer） 最后一部分提供对前面提出问题的解答。这里的答案应当清晰、有逻辑，能够解决或缓解前面提出的问题或挑战。 如何有效运用SCQA模型？
1.3K10编辑于 2023-12-13 - 来自专栏啄木鸟软件测试
精准测试及其工具（连载2）
2．星云测试服务端部署 解压星云工具安装包J2EE_Enterprise_key_64bit，解压后安装包内有服务端（server）、客户端（client）和WEB报表端文件夹。如图21所示。 ? 图22 序列码 2、联系星云工作人员获取当前服务器的key.key文件，替换到星云的server目录下。 配置IP地址完成后双击运行TTClient/TT.exe文件进入星云测试客户端。选择“文件->登录”，输入星云测试服务端的IP地址以及自己的用户名和密码即可登录。 1、修改JAVAForWindows目录下的ComplierPath.xml配置文件。 ? 图26修改ComplierPath.xml配置文件 配置参数图26所示。 --class文件路径， 此路径为本次Demo演示路径--> 注意：其它的没有备注的配置项为不用配置的可配置项，具体的含义可以在说明书上查看。
75830发布于 2019-12-12 - 来自专栏软件测试那些事
精准测试的成熟度模型
本来想写一篇类似《一文说透精准测试》之类的爽文的，奈何能力有限，还是先写一篇短文吧。 本文就只涉及一个点，精准测试能用来干嘛，解决了什么问题。 笔者通过整理腾讯、酷家乐 、网易、有赞、信也等互联网行业的精准测试实践分享，以及与星云等解决方案厂家的介绍，尝试给精准测试的成熟度模型做一个提炼， 首先，从定义上讲，精准测试是一种与代码变动量化分析相结合的变更影响分析方法和策略 对于软件测试来说，每次发布变动的地方，如代码、配置项、依赖等等，就是最有可能产生缺陷的地方。对于这些地方，尤其是代码的优先和充分的覆盖，就是一件非常自然而然的事情了。 由此，谓之精准测试。 L2: 优化的用例挑拣算法 实践当中，覆盖了某个类或者方法的测试用例数量还是相当多的，存在大量的冗余与噪音。 当然，这个阶段的所谓精准测试重度依赖于自动化测试以及代码覆盖率。因此，笔者一直认为，这个阶段的精准测试是一种治疗富贵病的药。
83230编辑于 2022-09-23 - 来自专栏接地气学堂
预测模型，怎么做才够精准
01 预测算法的本质 从本质上看，预测算法只有2大类： 1、基于时间序列的。 l 平滑：用于相对平稳的数据。 l 自回归：用于趋势性递增、递减的数据。 2、基于因果关系的。 l 二分类问题：未来会/不会发生XX，典型如LR。 l 多分类问题：未来是ABC哪个情况，典型如决策树。 l 连续型问题：未来的数值是多少，典型如线性回归。 有可能建模的时候，不是一个模型包打天下，而是用二阶段建模。比如预测一个客群消费情况，可以分别用二分类模型预测会不会消费，再用连续型模型预测消费金额，这样会消费用户数*预测消费金额，就能得出总消费。 比如预测销量是1000万 l 业务做到900万，会说：预测得一点都不准，搞得货积压了 l 业务做到1100万，会说：预测得一点都不准，还是我厉害 总之，只要你不是100%精准，他都有理由赖到你头上。 预测目标与其设定为：“100%精准”，不如设定为：“是否暴增/暴跌超过业务消化能力”。 预测100%精准基本无解，但是发现哪里可能暴涨/暴跌是很容易的。
55561发布于 2021-08-19 - 来自专栏博文视点Broadview
这是我见过最【精准】的预测模型
2、基于因果关系的。 二分类问题：未来会/不会发生XX，典型如LR。 多分类问题：未来是ABC哪个情况，典型如决策树。 连续型问题：未来的数值是多少，典型如线性回归。 有可能建模的时候，不是一个模型包打天下，而是用二阶段建模。比如预测一个客群消费情况，可以分别用二分类模型预测会不会消费，再用连续型模型预测消费金额，这样会消费用户数*预测消费金额，就能得出总消费。 比如预测销量是1000万 业务做到900万，会说：预测得一点都不准，搞得货积压了 业务做到1100万，会说：预测得一点都不准，还是我厉害 总之，只要你不是100%精准，他都有理由赖到你头上。 预测目标与其设定为：“100%精准”，不如设定为：“是否暴增/暴跌超过业务消化能力”。 预测100%精准基本无解，但是发现哪里可能暴涨/暴跌是很容易的。 2、内容全面。本书覆盖了从投入产出分析，到销售、供应、产品、运营分析的主要场景，对每一类场景下的主要指标，分析思路都有介绍，可以满足众多分析需求。
66250编辑于 2023-04-04 - 来自专栏Web行业观察
开源篇--精准定位 模型重心坐标
Part1前言 模型重心坐标就是在模型正中心那个点的坐标。本文介绍一种方法，可以通过代码的方式自动获取模型重心坐标。本方式适用于常用的所有模型。 Part2重心坐标 我们都学过初中几何，可以知道三角形重心是三角形三条中线的交点。当几何体为匀质物体时，重心与形心重合。下图中O为三角形的重心。 模型重心如下图所示： Part3代码获取模型重心 这里我们通过assimp库来获取模型的重心。关于assimp，参考我们上一篇文章。 三维模型格式转换神器-assimp 这里我们以fbx模型为例，来说明获取重心的步骤。 分为以下几个步骤： 1、加载模型获取aiScene 2、遍历aiScene下RootNode下的所有节点 3、获取aiMesh来计算模型的重心 1加载模型 加载模型示例代码如下： auto inFile
2.1K20编辑于 2022-11-25 - 来自专栏finleyMa
Ansible 2 -- 2 环境配置
环境配置 Ansible配置以ini格式存储配置数据，在Ansible中几乎所有配置都可以通过Ansible的Playbook或环境变量来重新赋值。 在运行Ansible命令时，命令将会按照以下优先级查找配置文件。 ANSIBLE_CONFIG :首先，Ansible命令会检查环境变量，及这个环境变量指向的配置文件。 . /ansible.cfg：其次，将会检查当前目录下的ansible.cfg配置文件。 ~/.ansible.cfg：再次，将会检查当前用户home目录下的.ansible.cfg配置文件。 大多数的Ansible参数可以通过设置带有 ANSIBLE_ 开头的环境变量进行配置，参数名称必须都是大写字母，如下配置: export ANSIBLE_SUDO_USER=root 设置了环境变量之后 ansible.cfg 配置文件 Ansible有很多配置参数，以下是几个默认的配置参数： inventory = /root/ansible/hosts library = /usr/share/
1K20发布于 2019-07-15 - 来自专栏学习猿地
学习猿地 python教程 django教程2 模型配置及案例
## M ==> Model ==> 模型层 > 数据管理层 对数据的相关操作和管理 ### 给当前的项目配置一个数据库 1.确认当前是否安装了mysql数据库 2.在mysql数据库中创建一个库 mydb `create database mydb default charset=utf8mb4;` 3.修改当前项目中的数据库配置 settings.py/DATABASES ```python DATABASES 解决方法: 1.安装 mysqlclient `pip install mysqlclient` 2.安装 pymysql 安装后需要配置 ## 定义模型 1.创建模型之前,确保当前的应用已经在配置文件中定义好了 django.contrib.sessions', 'django.contrib.messages', 'django.contrib.staticfiles', 'myhome' ] ``` 2. 在应用中的models.py文件中定义模型 ```python from django.db import models class Stu(models.Model): name = models.CharField
43210发布于 2020-03-23 - 来自专栏学习猿地
学习猿地 python教程 django教程2 模型配置及案例
## M ==> Model ==> 模型层 > 数据管理层 对数据的相关操作和管理 ### 给当前的项目配置一个数据库 1.确认当前是否安装了mysql数据库 2.在mysql数据库中创建一个库 mydb `create database mydb default charset=utf8mb4;` 3.修改当前项目中的数据库配置 settings.py/DATABASES ```python DATABASES 解决方法: 1.安装 mysqlclient `pip install mysqlclient` 2.安装 pymysql 安装后需要配置 ## 定义模型 1.创建模型之前,确保当前的应用已经在配置文件中定义好了 django.contrib.sessions', 'django.contrib.messages', 'django.contrib.staticfiles', 'myhome' ] ``` 2. 在应用中的models.py文件中定义模型 ```python from django.db import models class Stu(models.Model): name = models.CharField
40610发布于 2020-03-25 新工具RefChecker助力精准检测大语言模型幻觉
新工具与数据集助力检测大语言模型中的幻觉尽管大型语言模型能力非凡，但其存在一个致命弱点：倾向于产生“幻觉”，即听起来合理但事实不准确的断言。 NaturalQuestions（开发集）闭卷问答标注的长答案噪声上下文MS MARCO（开发集）检索增强生成检索到的段落精确上下文databricks-dolly-15k摘要、闭卷问答、信息提取输入上下文2. RefChecker 流程RefChecker 由两个可配置模块组成：主张三元组提取器 E 和幻觉检查器 C。您还可以配置结果的汇总方式，以在三元组级别的检测和回复级别的幻觉报告之间进行转换。 我们发现大语言模型通常擅长从输入文本中提取主张三元组。在 RefChecker 的初始版本中，我们同时使用了 GPT-4 和 Claude 2。 在 RefChecker 的初始版本中，我们还提供了基于 GPT-4、Claude 2 和 RoBERTa-NLI 的自动检查器。
18510编辑于 2026-02-01- 来自专栏大内老A
配置：配置模型总体设计
在《读取配置数据》（[上篇]，[下篇]）上面一节中，我们通过实例的方式演示了几种典型的配置读取方式，接下来我们从设计的维度来重写认识配置模型。 总的来说，配置模型由这四个核心对象组成，但是要彻底了解这四个核心对象之间的关系，我们先得来聊聊配置的几种数据结构。 配置模型的最终目的在于提取原始的配置数据并将其转换成一个IConfiguration对象。话句话说，配置模型的使命就在于按照下图所示的方式将配置数据从原始的结构转换成树形层次结构。 ? ReferenceEquals(section1, section2)); Debug.Assert(! 本篇文章从设计和实现原理的角度对配置模型进行了详细的介绍。
60340发布于 2019-12-16 - 来自专栏新智元
Science：迄今最精准人脸数字模型，任意 2D 照片转换逼真３维人脸
实验证明，该系统比当前常用的最好模型表现优异许多，可以将任意角度拍摄的 2D 快照生成逼真的 3D 人脸。Science 对此作了报道，标题中提到“计算机科学家构建了迄今最精准的人脸数字模型”。 结合三种算法，全自动精准人脸 3D 建模 现在，伦敦帝国理工学院（ICL）的计算机科学家 James Booth 和同事开发了一种新的方法，可以自动构建 3DMM，并使其能够融入更广泛的人脸，比如不同种族的特征 这些视图注册了像素级的形状信息，因此可将 2D 标记（landmark）可信地投影回 3D 表面。（2）在自动标记的引导下，3D 模型不断迭代变形，以精确匹配数据集的每个 3D 面部网格。 Int J Comput Vis (2017). doi:10.1007/s11263-017-1009-7 训练 AI 系统，将 2D 人脸快照精准转换为 3D 模型 Booth 团队现在已经将把新的模型投入使用 in-the-wild” using Fully Convolutional Networks 当中，研究人员利用 LSFM 合成的 100,000 张人脸训练了一个人工智能程序，将任意（casual）2D
6.4K100发布于 2018-03-28 - 来自专栏Golang开发
SpringBoot(2)——配置
SpringBoot使用一个全局的配置文件，配置文件名是固定的； •application.properties •application.yml 修改服务器端口 server: port: 以空格的缩进来控制层级关系；只要是左对齐的一列数据，都是同一个层级的 server: port: 8081 path: /hello 属性和值也是大小写敏感； 2、 lastName: zhangsan age: 20 行内写法： friends: {lastName: zhangsan,age: 18} 2、 ） 支持 不支持 SpEL 不支持 支持 JSR303数据校验 支持 不支持 复杂类型封装 支持 不支持 配置文件yml还是properties他们都能获取到值； 如果说，我们只是在某个业务逻辑中需要获取一下配置文件中的某项值 ，使用@Value； 如果说，我们专门编写了一个javaBean来和配置文件进行映射，我们就直接使用@ConfigurationProperties； @PropertySource：加载指定的配置文件
56610发布于 2019-05-28 - 来自专栏技术杂记
Mycat 配置2
与数据库中表相对应的，分布式数据表在逻辑上的一个抽象 分片表 数据表切分后的一个部分(原表的一个真子集) 非分片表 没有分片的表，就是非分片表 ER表 保留了实体关系特性的表，就是ER表 关系型数据库是基于实体关系模型的相关理论来构建的数据库
29110编辑于 2021-12-03 - 来自专栏技术杂记
NFS 配置2
成功启动后111端口是监听状态[root@test ~]# netstat -an | grep 111tcp 0 0 0.0.0.0:111 0.0.0.0:* LISTEN tcp 0 0 :::111 :::* LISTEN udp 0 0 0.0.0.0:
64520编辑于 2022-07-09 - 来自专栏我爱计算机视觉
动态实例分割SOLOv2，更快更强更精准！
作者在SOLOv2中一项重要改进是引入动态卷积。 因为在mask预测时每个网格使用的特征是固定的，输出的Mask是冗余的，可以直接从网络的类别分类结果过滤掉那些不含目标的，同时使用动态卷积，也可以降低模型参数。 模型在mask预测分支时动态进行卷积核学习和特征学习，最后将此二者卷积得到最终的mask。 从FPN中构造mask分支预测前的特征： ? 作者的另一个重要更新是发明了Matrix NMS方法。 SPLOv2的几个版本在速度与其他相近时，精度大幅超越对手。从图中可见，相比经常被谈起的YOLOv3，SOLOv2 精度提升巨大。 将SOLOv2用于全景分割，在COCO val2017数据集上的结果： ? SOLOv2取得了与之前最高精度的UPSNet相近的精度！ 精度高、速度快、代码还将开源！
1.8K40发布于 2020-03-30 - 来自专栏xingoo, 一个梦想做发明家的程序员
选择模型2
选择模型 fd_set结构可以把多个套接字连在一起，形成一个套接字集合 typedef struct fd_set{ u_int fd_count;//下面数组的大小 SOCKET fd_array[FD_SETSIZE struct timeval{ long tv_sec;//指示等待多少秒 long tv_usec;//指示等待多少毫秒 }timeval; 应用举例 1 初始化fdSocket集合，添加监听套接字句柄 2 当有事件发生的时候，select函数移除fRead中没有未决IO操作的句柄，然后返回 3 比较原来的fdSocket集合，与select处理过的fdRead集合，确定哪些套接字有未决IO并处理这些IO 4 回到2进行选择 1 CInitSock theSock;//初始化winsock库 2 int main() 3 { 4 USHORT nPort=4567;//此服务器监听的端口号 5 / ); 15 return 0; 16 } 17 //进入监听模式 18 ::listen(sListen,5); 19 20 //select模型处理过程
746100发布于 2018-01-17 腾讯智能体开发平台3.0：以模块化能力与精准模型配置驱动企业智能应用落地
部署ADP3.0技术矩阵 腾讯智能体开发平台3.0（ADP3.0）通过功能模块化升级与模型精准配置提供解决方案： 工作流升级：新增Multi-Agent模式、Plan-and-Execute协同方式 大模型节点优化：区分思考模型（标准/multi-Agent模式，如youtu-intent-pro 8K）、生成模型（知识库模型含问答生成/知识库Schema、标准模式配置）、RAG模型（Reranker 应用功能扩展：体验中心升级为应用模板、新增微信小程序发布渠道、对话记录智能分类、工作空间（企业管理/权限配置）、提示词模板升级（数据来源：原文“体验中心升级为应用模板、应用发布新增‘微信小程序’渠道、对话记录支持智能分类 专家与实践背书：平台由腾讯优图团队主导（含专家顾涵身，来源：“顾涵身”署名图片），经企业创新在线学堂场景验证，支持意图达成优先级配置（问答>文档>工作流>大模型回复）（来源：原文“意图达成优先级：1问答回复 、2文档回复、3工作流回复、4大模型回复”）。
4600编辑于 2026-04-26
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