- 综合排序
- 最热优先
- 最新优先
- 来自专栏Reck Zhang
Operating System 11 - 零拷贝
零拷贝 legacy 当我们将服务端主机磁盘中的文件不做修改的从已连接的socket发送出的, 通常是这么做的: while(ret = read(disk_fd, buf, BUF_SIZE) > 0 零拷贝 零拷贝的主要任务就是避免CPU将数据从一块存储拷贝到另外一块存储, 从而让CPU解放出来处理其他任务. sendfile() #include <sys/sendfile.h> ssize_t
33720发布于 2021-08-11 - 来自专栏yeedomliu
《PMP精讲视频》第11章 项目风险管理
第11章 项目风险管理 1 风险的含义和类别（上） 过程比较多，知识点比较多，有7个，重头戏，项目难管就是因为项目不确定性，不确定性就是风险 Risk Management指出：风险有两个属性，一是概率 ，二是影响 风险敞口Risk Exposure 未加保护的风险，也称“风险暴露” 在某个项目，项目集或项目组合中，针对任一特定对象，而适时作出的对所有风险的潜在影响的综合评估 有风险敞口也是正常的，没有办法把风险做得严严实实 ，万无一失 适当保险一定的风险也是我们风险管理的一个正常的思路 单个项目风险 vs. 整体项目风险 只关注单个项目风险而忽略整体项目风险， 只关注项目局部风险而忽略项目全局风险， 只关注项目短期风险而忽略项目长期风险， 只关注项目战术风险而忽略项目战略风险， 都是风险近视症的表现——戴维 敏感性分析图） 影响的因素很多，我们从上往下排 NPV分别增加5%或减少5%各种NPV值，可以看出银行贷款利息是最敏感的 斜率越陡影响越大，要对它重点管理 11 风险定量分析——决策树 决策树 需要扩大产能
2K32发布于 2020-02-17 - 来自专栏算法与数据之美
CCF企业非法集资风险预测Rank11赛后总结
这是老肥第一次参加CCF大数据与计算智能大赛，选择了企业非法集资风险预测这个相对简单的结构化数据赛题，本赛题共有4210人、3403支队伍参赛，是今年CCF BDCI大赛参赛人数最多的赛题，竞争也是异常激烈 ，我们团队「等你」在A榜、B榜均为第11名，在某种程度上证明我们的模型的稳定性（尽管只有单模）。 如何根据大量的企业信息建立预测模型并判断企业是否存在非法集资风险，对监管部门、企业合作伙伴、投资者都具有一定的价值。 任务 利用机器学习、深度学习等方法训练一个预测模型，该模型可学习企业的相关信息，以预测企业是否存在非法集资风险。
1.2K30发布于 2021-01-18 - 来自专栏SAP升级
零售行业SAP转型实践：Lulu集团与SNP的零风险迁移之路
双方以零进度延误、零成本超支的成果，较原计划提前两周完成了这项关键的拆分任务。基于此次关键数据迁移项目的成功，SNP已被Lulu集团选定为其即将启动的SAPS/4HANA转型项目的战略合作伙伴。 ■为筹备零售业务板块上市，Lulu集团需将两大业务单元从主系统剥离至两个独立目标系统■SNP确保项目以零预算超支、很短停机时间提前顺利实施■Lulu集团随后选定SNP主导其即将开展的SAPS/4HANA 迁移项目成功完成业务剥离，为顺利上市铺平道路总部位于阿联酋阿布扎比的Lulu零售集团，是该地区规模很大的全品类零售商，通过实体门店与电子商务平台构建了强大的全渠道网络。 在此次拆分项目中，Lulu集团与SNP需要应对零售企业常见的多重挑战：庞大的数据库规模、紧迫的上线时限、以及对执行速度与灵活性的高要求。 通过自动化技术加速多个复杂流程，最终仅以单次上线即告完成，在成本与风险更低化的前提下，将停机时间控制在48小时以内。
13310编辑于 2026-03-17 Linux 零基础入门 DAY11
DAY11 本篇内容引自生信技能树 一、Linux系统介绍 1、登录服务器的两种方法 （1）命令行法： ssh 用户名@ip地址 -p 端口号 （2）填表法：填写服务器ip地址、端口号、用户名和密码
29710编辑于 2025-05-23- 来自专栏MasiMaro 的技术博文
从零开始配置 vim(11)——插件管理
之前我们介绍了基础配置部分和快捷键配置部分。如果你配置了这两个部分，vim已经算是比较好用了。但是作为代码编辑器来讲还是显的比较简陋，用这些配置来完成日常的编码任务会显得力不从心。vim比较强大的一点是它拥有丰富的插件系统。大量高手在上面为它开发各种形式的插件。今天我们将从插件管理开始，利用前人的成果丰富我们的vim功能
1.4K30编辑于 2022-09-21 - 来自专栏余林丰
11.动态规划（4）——找零问题
找零问题：需找零金额为W，硬币面值有(d1, d2, d3，…，dm)，最少需要多少枚硬币。 问题：需找零金额为8，硬币面值有(1, 3, 2, 5)，最少需要多少枚硬币。 设F(j)表示总金额为j时最少的零钱数，F(0) = 0，W表示找零金额，有零钱一堆{d1, d2, d3，…，dm}。 Java 1 package com.algorithm.dynamicprogramming; 2 3 import java.util.Arrays; 4 5 /** 6 * 找零问题 yulinfeng on 7/5/17. 8 */ 9 public class Money { 10 public static void main(String[] args) { 11 0 8 for j in range(1, num + 1): 9 minCoins = j 10 for i in range(len(money)): 11
2K100发布于 2018-01-12 零基础学习CSS(11)——颜色表达
鱼C课程案例库：https://ilovefishc.com/html5/ html5速查手册：https://man.ilovefishc.com/html5/ css速查手册：https://man.ilovefishc.com/css3/
16310编辑于 2026-01-23- 来自专栏网络安全技术点滴分享
2014年11月微软安全更新风险评估与技术解析
评估2014年11月安全更新的风险今天我们发布了十四个安全公告，涉及33个独特CVE。四个公告的最高严重等级为“严重”，八个为“重要”，两个为“中等”。下表旨在帮助您根据环境优先部署更新。
28010编辑于 2025-09-10 - 来自专栏zjblog
从零开始做网站11-博客开发
这就是完整的首页代码了，vue真的是很好用，遇到了很多不懂的地方好在都解决了，就很nice~~
43930编辑于 2022-06-21 零失误防御！腾讯云漏洞治理服务如何精准狙击高危风险？
然而，传统漏洞管理常面临误报率高、漏报风险大的困境，导致企业安全团队疲于应对。 AI驱动的PoC监测：通过机器学习识别PoC（漏洞验证代码）的传播特征，提前预警0Day风险。例如，在Log4j2漏洞爆发时，VGS在官方通告前2小时即捕获相关PoC信息。 2. T-VPT智能研判：破解误报难题五维风险评估模型：综合CVSS评分、资产价值、漏洞利用条件（如需认证）、影响范围、修复难度，动态计算漏洞优先级。 自动化修复建议：针对高风险漏洞（如远程代码执行类），自动生成兼容性适配的修复路径，减少人工决策时间。 3. 最终，该行在攻防演练中实现“零失分”。 结语在漏洞数量爆炸式增长的今天，被动防御已无法满足需求。腾讯云漏洞治理服务通过AI+专家经验双轮驱动，为企业构建“快、准、稳”的漏洞治理体系。
43810编辑于 2025-10-102025合规铁网：用腾讯云BI打造“零风险”数据平台
如何在零事故、零罚款的前提下，把业务数据快速用起来？
50310编辑于 2025-09-03- 来自专栏技术圈
经验风险、结构风险、正则项
称为“结构风险”描述的是模型f的某些性质。 ? 是经验风险，描述的是模型与训练数据的契合程度，C用于对二者进行折中。 经验风险 经验风险针对不同的学习模型有不同的计算方法。 结构风险 ? 又被称为正则化项，C被称为正则化常数，Lp范数是常用正则化项。 正则化项主要是在降低经验风险的同时能够降低最小化训练误差的过拟合风险。 采用L1 regularizer，它的优良性质是能产生稀疏性，导致 W 中许多项变成零。 L2 范数–ridge regression： L2范数即欧氏距离 ? 总结 L2范数倾向与w的分量取值尽量均衡，即非零分量个数尽量稠密。而L0范数和L1范数则倾向于w的分量尽量稀疏，即非零分量个数尽量少。 L1范数和L2范数正则化都有助于降低过拟合风险，L1范数比L2范数更容易获得稀疏解，求得的解w会有更少的非零分量。
1.2K10发布于 2019-08-21 - 来自专栏全栈程序员必看
零基础学Java（11）自定义类
之前的例子中，我们已经编写了一些简单的类。但是，那些类都只包含一个简单的main方法。现在来学习如何编写复杂应用程序所需要的那种主力类。通常这些类没有main方法，却有自己的实例字段和实例方法。要想构建一个完整的程序，会结合使用多个类，其中只有一个类有main方法。
50530编辑于 2022-09-19 - 来自专栏c++与qt学习
从零开始手写Tomcat的教程11节----StandardWrapper
从零开始手写Tomcat的教程11节----StandardWrapper 方法调用序列 SingleThreadModel类 StandardWrapper类 分配servlet实例 载入servlet FilterDef类 ApplicationFilterConfig类 ApplicationFilterChain类 应用程序 小结 ---- 本节内容与之前这节有着很大的关系，建议各位先回顾一下: 从零开始手写
65120编辑于 2022-05-10 - 来自专栏韩东吉的Unity杂货铺
零基础入门 11： 通过脚本设置UGUI Image
因为默认的脚本是没有引入UnityEngine库的。所以当我们新创建了一个脚本后，在脚本上方加入UnityEngine的引用。
6.1K50发布于 2018-10-19 - 来自专栏网络安全技术点滴分享
YOLOv7安全评估揭示11个漏洞：RCE攻击与模型差异风险
评估广泛使用的视觉模型安全状况：YOLOv7 - Trail of Bits博客Alvin Crighton, Anusha Ghosh, Suha Hussain, Heidy Khlaaf, JimMiller2023年11 月15日机器学习TL;DR: 我们在流行计算机视觉框架YOLOv7中发现了11个安全漏洞，这些漏洞可能导致远程代码执行（RCE）、拒绝服务和模型差异（攻击者可在不同场景下触发模型产生不同行为）等攻击。 鉴于这些风险，我们决定评估流行且成熟的视觉模型YOLOv7的安全性。 然后使用这些工件开发全面的威胁场景列表，记录系统中存在的每个可能威胁和风险。 代码库中目前没有单元测试或任何测试框架（TOB-YOLO-11）。适当的测试框架本可以防止我们发现的一些问题，而没有这个框架，代码库中可能存在其他实现缺陷和错误。
29410编辑于 2025-09-19 - 来自专栏最新最全的大数据技术体系
机器学习(八)经验风险与结构风险
1.11经验风险与结构风险 策略部分： 1.11.1 经验风险 模型f(x)关于训练数据集的平均损失称之为经验风险（emprical risk）或经验损失（empirical loss），记作R(emp ) 期望风险R(emp)是模型关于联合分布的期望损失，经验风险R(emp)是模型关于训练样本集的平均损失。 根据大数定律，当样本容量N趋于无穷时，经验风险R(emp)趋于期望风险R(exp)，所以一个很自然的想法就是利用经验风险估计期望风险。 但是，由于现实中训练样本数目有限甚至很小，所以用经验风险估计期望风险常常不理想，要对经验风险进行一定的矫正，这就是关系到监督学习的两个基本策略：经验风险最小化和结构风险最小化。 1.11.2 经验风险最小化 在损失函数以及训练数据集确定的情况下，经验风险函数式就可以确定，经验风险最小化(emprical risk minimization，EMR)的策略认为，经验风险最小的模型是最优模型
84540编辑于 2023-11-08 - 来自专栏生信情报站
从零开始学统计 11 | 理解置信区间
假设现在测量了12个小鼠体重的值，注意这里只测量了12只小鼠（样本），而不是地球上的每一只小鼠（总体）
1K10发布于 2021-01-12 - 来自专栏波波烤鸭
【11】JAVASE-面向对象-多态【从零开始学JAVA】
Java零基础系列课程-JavaSE基础篇 Lecture：波哥 Java 是第一大编程语言和开发平台。它有助于企业降低成本、缩短开发周期、推动创新以及改善应用服务。
23600编辑于 2024-05-25
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