首页 文章 精选 留言 我的

精选列表

搜索[c 14],共10000篇文章
优秀的个人博客,低调大师

Xiuno BBS 审计之问题14:依赖XXTEA 弱加密算法的鉴权令牌可被伪造

此文章为XIUNOX版本重构审计时发现问题,XIUNOX版本已优化修复此问题。分享出来方便后续想基于xiuno bbs4.0.4版本制作维护版本或插件模板等需求的开发者和站长参考。 # 问题:XXTEA 弱加密算法用于 Cookie/Token 加密,密钥派生仅 md5 ## 现象 Xiuno BBS 4.0.4 的核心加密函数 `xn_encrypt`/`xn_decrypt` 在未加载 `xiuno.so` 扩展时,回退到纯 PHP 实现的 XXTEA 算法。XXTEA 是 1998 年设计的分组加密算法,并非密码学标准推荐算法(对比 AES),存在以下问题: - **算法本身非现代标准**:XXTEA 未经 NIST/ISO 密码学评审,无 AEAD(无完整性/认证标签),密文可被篡改后仍解密为有效结构(无 MAC 校验)。 - **密钥派生弱**:`xn_key()` 直接返回 `$conf['auth_key']` 字符串,无 KDF(PBKDF2/HKDF/Argon2);`xxtea_encrypt` 内部将 key 字符串 `str2long` 转 4 个 32 位整数,不足补 0,密钥有效熵可能远低于预期。 - **密文无完整性校验**:`xn_decrypt` 解密后直接返回,无 HMAC/签名验证,攻击者可构造/篡改密文(如 `bbs_admin_token`、`bbs_token`)进行比特翻转/选择密文攻击。 - **影响面广**:该函数被用于加密 `bbs_token`(用户登录态)、`bbs_admin_token`(后台登录态)、`xn_safe_key` 等,一旦算法被攻破或密钥泄露,所有依赖它的鉴权令牌可被伪造。 ## 源码证据 证据 1:xn_encrypt/xn_decrypt 回退到 XXTEA,无完整性校验 文件:`xiunobbs_4.0.4/xiunophp/xn_encrypt.func.php` 行 37-48 ```javascript function xn_encrypt($txt, $key = '') { empty($key) AND $key = xn_key(); $encrypt = function_exists('xiuno_encrypt') ? xiuno_encrypt($txt, $key) : xxtea_encrypt($txt, $key); return xn_urlencode(base64_encode($encrypt)); } function xn_decrypt($txt, $key = '') { empty($key) AND $key = xn_key(); $encrypt = base64_decode(xn_urldecode($txt)); $ret = function_exists('xiuno_decrypt') ? xiuno_decrypt($encrypt, $key) : xxtea_decrypt($encrypt, $key); return $ret; } ``` 第 39 行:未加载 `xiuno.so` 时回退到 `xxtea_encrypt`;第 46 行解密后直接 `return $ret`,无 HMAC/签名校验。`xn_encrypt` 输出 `base64_encode(xxtea_encrypt(plain, key))`,无 IV、无认证标签。 证据 2:XXTEA 纯 PHP 实现,key 派生仅 str2long 补零 文件:`xiunobbs_4.0.4/xiunophp/xn_encrypt.func.php` 行 97-126 ```javascript function xxtea_encrypt($str, $key) { if($str == '') return ''; $v = xxtea_str2long($str, TRUE); $k = xxtea_str2long($key, FALSE); if (count($k) > 2 & 3; for ($p = 0; $p > 5 & 0x07ffffff) ^ $y > 3 & 0x1fffffff) ^ $z << 4)) ^ xxtea_int32(($sum ^ $y) + ($k[$p & 3 ^ $e] ^ $z)); $z = $v[$p] = xxtea_int32($v[$p] + $mx); } // ... } return xxtea_long2str($v, FALSE); } ``` 第 100-105 行:`$k = xxtea_str2long($key, FALSE)`,key 不足 4 个 32 位整数时补 0(`$k[$i] = 0`),短密钥的有效熵被零填充稀释;无 KDF,密钥直接作为算法输入。 证据 3:xn_key 直接返回 auth_key 字符串,无 KDF 文件:`xiunobbs_4.0.4/xiunophp/xn_encrypt.func.php` 行 16-19 ```javascript function xn_key($fromso = TRUE) { $conf = _SERVER('conf'); return ($fromso && function_exists('xiuno_key')) ? xiuno_key() : (isset($conf['auth_key']) ? $conf['auth_key'] : ''); } ``` 第 18 行:未加载扩展时直接返回 `$conf['auth_key']` 字符串作为加密密钥,无 PBKDF2/HKDF 拉伸。该 `auth_key` 在默认配置中为硬编码值(见独立审计文件),密钥强度进一步降低。 证据 4:XXTEA 加密用于鉴权令牌 文件:`xiunobbs_4.0.4/model/user.func.php` 行 348-358 ```javascript function user_token_gen($uid) { global $ip, $time, $conf; // hook model_user_token_gen_start.php $tokenkey = md5(xn_key()); $token = xn_encrypt("$ip $time $uid", $tokenkey); // hook model_user_token_gen_end.php return $token; } ``` 第 353-354 行:`bbs_token` 内容 `$ip\t$time\t$uid` 经 `xn_encrypt`(XXTEA)加密。`bbs_admin_token`(`admin.func.php` 行 58)同样用 `xn_encrypt`。若 XXTEA 密文可被篡改/伪造,攻击者可构造任意 uid 的有效令牌,实现身份伪造。 ## 风险等级与结论 风险等级:**中高危** 结论: 1. 核心加密采用 XXTEA(非现代标准、无 AEAD、无完整性校验),纯 PHP 回退实现,密钥派生仅 `str2long` 补零,无 KDF。 1. `xn_decrypt` 解密后无 HMAC/签名校验,密文可被篡改;结合明文结构已知(`$ip\t$time\t$uid`),存在选择密文/比特翻转攻击空间。 1. 该加密保护 `bbs_token`/`bbs_admin_token` 等鉴权令牌,算法弱点直接危及身份认证体系。 1. `auth_key` 默认硬编码(见独立审计文件),密钥强度问题叠加,进一步降低伪造令牌难度。 1. 修复建议:改用 `openssl_encrypt`/`sodium_crypto_secretbox`(AES-256-GCM 或 XSalsa20-Poly1305)等现代 AEAD 算法;密钥派生使用 HKDF/PBKDF2;密文包含随机 IV 与认证标签;解密后校验 MAC;`auth_key` 强制随机生成且不少于 32 字节。

优秀的个人博客,低调大师

RWKV 社区三月新增 14 篇学术论文和若干多模态项目

欢迎大家收看《RWKV 社区最新动态》,本期内容收录了 RWKV 社区 2025 年 3 月的最新动态。 只需 3 分钟,快速了解 RWKV 社区 3 月都有哪些新鲜事! 3 月动态省流版(TL;DR) RWKV 学术研究动态 新论文:RWKV-7 "Goose"(RWKV-7 架构论文) 新论文:ChemRB(RWKV 分子生成模型) 新论文:LALIC(RWKV 图像压缩) 新论文:TabulaTime(RWKV 急性冠状动脉综合征预测) 新论文:Delta-WKV(RWKV 磁共振成像超分辨率) 新论文:SRCNet(RWKV 水下图像增强) 新论文:ID-RWKV(RWKV 图像去雨) 新论文:HFE-RWKV(RWKV 医学图像分割) 新论文:RWKVMatch(RWKV 医学图像配准) 新论文:Flare-RWKV(RWKV 图像去光晕) 新论文:LASTGCN(RWKV 交通流预测) 新论文:PathRWKV(RWKV 医学影像分析) 新论文:CMGN(RWKV 假新闻检测) 新论文:BlackGoose Rimer(RWKV 时序预测) RWKV 模型新闻动态 新模型:RWKV7-G1 0.1B/0.4B 更大的 RWKV7-G1 正在训练中 RWKV 社区活动 RWKV 团队参加 NVDIA GTC 2025 RWKV 社区项目动态 RWKV 端侧 APP 发布并开源 新项目:WorldRWKV(RWKV 多模态) 新项目:RWKV-TTS(RWKV 文本转音频) RWKV 学术研究动态 RWKV 学术研究包括 基于 RWKV 架构的新论文 或 RWKV 社区参加的学术研究。 RWKV-7 "Goose" 论文名称:RWKV-7 "Goose" with Expressive Dynamic State Evolution 论文链接:https://arxiv.org/abs/2503.14456 发布日期:2025-03-19 论文提出 RWKV-7 "Goose",一种新的序列建模架构。 通过引入广义 Delta Rule 等一系列优化,RWKV-7 的语言建模能力在所有开源 3B 规模模型中达到 SoTA 水平,计算效率、任务表现和模型表达力全面超越 Transformer 和过去的 RWKV-6 架构。 ChemRB 论文名称:ChemRB: a novel generative model based on bidirectional molecular ring constraints 论文链接:https://jsnu.magtech.com.cn/CN/10.15983/j.cnki.jsnu.2025005 发布日期:2025-01-10 论文提出了一种名为 ChemRB 的新型生成模型,用于药物发现中的分子设计,通过双向分子环约束解决现有单向编码器的局限性。 通过整合 RWKV 机制,ChemRB 将 RNN 的线性计算效率与 Transformer 的上下文感知相结合,有效捕获 SMILES 序列中的长程依赖性。该模型引入两个预训练任务 ------ 环级特征预测和全局跨度闭合预测,以提升分子有效性,尤其针对复杂环系统。 实验结果表明,ChemRB 在生成有效、唯一且新颖的分子方面表现卓越,优于基准数据集上的先进模型。此外,其在 EGFR 抑制剂重新设计中的应用验证了其实用性,展现出高结合亲和力与结构保真度。 LALIC 论文名称:Linear Attention Modeling for Learned Image Compression 论文链接:https://arxiv.org/abs/2502.05741 发布日期:2025-02-09 论文提出 LALIC,一种基于线性注意力的学习图像压缩框架,利用 Bi-RWKV 块实现高效紧凑的特征提取。 通过结合 Spatial Mix 和 Channel Mix 模块以及基于卷积的 Omni-Shift 机制,LALIC 将 RWKV 的线性复杂度注意力适配至二维潜在表示。此外,新型 RWKV-SCCTX 上下文模型增强了空间-通道依赖建模,改进了熵编码性能。 实验表明,该方法在 Kodak、Tecnick 和 CLIC 数据集上的 BD-rate 分别超越 VTM-9.1 达 -14.84%、-15.20% 和 -17.32%,性能达到前沿水平。该研究首次将 RWKV 的双向注意力引入图像压缩,在全局上下文建模与低计算开销间取得平衡。 TabulaTime 论文名称:TabulaTime: A Novel Multimodal Deep Learning Framework for Advancing Acute Coronary Syndrome Prediction through Environmental and Clinical Data Integration 论文链接:https://arxiv.org/abs/2502.17049 发布日期:2025-02-24 论文提出 TabulaTime,一种新型多模态深度学习框架,整合临床和环境时序数据以提升急性冠状动脉综合征(ACS)预测。 核心创新包括 PatchRWKV 模块,该模块结合循环神经网络(RNN)和注意力机制,以线性计算复杂度高效提取时序特征,在捕捉时序依赖上优于 Transformer、LSTM 等先进模型。 实验显示,其准确率较传统方法提升 20.5%,突显了整合空气污染数据的重要性。框架通过注意力机制增强可解释性,识别出收缩压、PM₁₀等关键预测因子。 Delta-WKV 论文名称:Delta-WKV: A Novel Meta-in-Context Learner for MRI Super-Resolution 论文链接:https://arxiv.org/abs/2502.20852 发布日期:2025-02-28 论文提出 Delta-WKV,一种新型线性 Transformer 模型,用于 MRI 超分辨率。 该模型结合元上下文学习(MiCL)和 Delta 规则,在推理过程中动态调整权重,以高效识别局部和全局模式。受 RWKV 启发,Delta-WKV 使用具有时间混合和通道混合结构的四向扫描机制来捕获长距离依赖关系,同时保持高频细节。 在 IXI 和 fastMRI 数据集上的测试表明,Delta-WKV 优于现有方法,将 PSNR 提高了 0.06dB,将 SSIM 提高了 0.001,同时将训练和推理时间减少了 15% 以上。 SRCNet 论文名称:Toward Comprehensive Semantic Prompt for Region Contrastive Learning Underwater Image Enhancement 论文链接:https://ieeexplore.ieee.org/abstract/document/10888780 发布日期:2025-03-07 论文提出 SRCNet,一种融合语义引导和区域对比学习的水下图像增强网络。 该方法创新性地设计了语义感知 RWKV 模块,在保留 RWKV 架构全局感知能力的同时,通过语义提示机制维护区域色彩一致性和结构细节。通过将 RWKV 的高效注意力机制与语义感知约束相结合,有效减少了水下不同区域间的无效像素干扰。创新的区域对比学习策略通过多视角负样本利用,增强了退化敏感特征的学习能力。 实验结果表明该方法在色彩还原和细节恢复方面优于现有最优方法。 ID-RWKV 论文名称:ID-RWKV: Image Deraining RWK 论文链接:https://ieeexplore.ieee.org/abstract/document/10889384 发布日期:2025-03-07 论文提出 ID-RWKV, 一种基于线性复杂度 RWKV 架构的图像去雨方法,以解决 Transformer 二次计算复杂度的局限性。 通过用 RWKV 块替代自注意力机制,结合局部-全局双向 WKV(LG-WKV)增强空间特征建模,并设计多阶段 U 型网络渐进去雨。引入傅里叶增强模块和深浅层特征融合模块(DSFFM)减少背景信息丢失。 实验表明,该方法在合成与真实数据集上优于主流 Transformer 模型,且参数量(12.38M)和计算量(60.2G FLOPs)更低,验证了 RWKV 在二维视觉任务中的高效性。 HFE-RWKV 论文名称:HFE-RWKV: High-Frequency Enhanced RWKV Model for Efficient Left Ventricle Segmentation in Pediatric Echocardiograms 论文链接:https://ieeexplore.ieee.org/abstract/document/10888300 发布日期:2025-03-07 论文提出高频增强 RWKV(HFE-RWKV),通过改造 RWKV 的高效循环架构并增强高频特征,用于儿科超声心动图的左心室分割。 该模型重新设计 RWKV 的空间混合模块以强化边界相关的高频成分,并引入空间-频率一致性损失函数,在保持计算效率的同时实现更精准的形状感知分割。 相比 U-Mamba,HFE-RWKV 以仅 67% 的参数和 26% 计算量将 Dice 分数提升 2%,证明了 RWKV 在需要精度与资源效率的医学影像任务中的适应性。 RWKVMatch 论文名称:RWKVMatch: Vision RWKV-based Multi-scale Feature Matching Network for Unsupervised Deformable Medical Image Registration 论文链接:https://ieeexplore.ieee.org/abstract/document/10888484 发布日期:2025-03-07 论文提出 RWKVMatch,一种基于 Vision-RWKV 的可变形医学图像配准框架,融合全局注意力与跨模态特征融合机制。通过将 RWKV 扩展为 3D 视觉模块,在保持线性计算复杂度的同时有效捕捉三维医学图像空间特征。 结合弹性形变数据增强策略,该模型在脑部 MRI 数据集(LPBA40/IXI)上取得最优性能,LPBA40 数据集 DSC 达 0.704,雅可比负值率仅 0.154%,验证了 RWKV 在配准精度与计算效率方面的优势。 Flare-RWKV 论文名称:Flare-Aware RWKV for Flare Removal 论文链接:https://ieeexplore.ieee.org/abstract/document/10888487 发布日期:2025-03-07 论文提出 Flare-RWKV,一种基于 RWKV 的新型架构,用于去除图像中的镜头光晕。 该方法通过结合轻量级光晕检测网络与基于 RWKV 的修复网络(利用其线性复杂度的 attention 机制捕捉全局依赖关系,以及增强局部上下文感知的 token 移位机制),解决了光晕消除任务中的特定挑战。核心创新包括 Flare-Aware 特征选择(FAFS),利用检测到的光晕掩码优先重建背景区域。 相比 UNet 和 Transformer 变体,Flare-RWKV 在合成与真实数据集上表现更优,同时保持参数高效性,验证了 RWKV 在光晕去除任务中的有效性。 LASTGCN 论文名称:Linear attention based spatiotemporal multi graph GCN for traffic flow prediction 论文链接:https://www.nature.com/articles/s41598-025-93179-y 发布日期:2025-03-10 论文提出 LASTGCN 模型,用于交通流预测. 结合多因素融合单元(MFF-unit)动态整合气象数据、多图卷积网络捕捉空间关联,以及线性注意力机制 RWKV 模块。RWKV 替代传统 Transformer 注意力,通过线性计算降低复杂度,高效捕获交通序列的长期依赖,兼具可并行训练与类 RNN 推理优势,适用于中短期交通管理。 在真实数据集(PeMSD)实验中,模型精度与鲁棒性优于现有方法,长期预测表现突出,气象等外部因素集成进一步提升了预测效果。 PathRWKV 论文名称:PathRWKV: Enabling Whole Slide Prediction with Recurrent-Transformer 论文链接:https://arxiv.org/abs/2503.03199 发布日期:2025-03-05 论文提出 PathRWKV,一种用于计算病理学中全玻片图像(WSI)分析的新型循环-Transformer 混合模型。 针对可变切片规模处理、模型复杂性和训练-推理平衡的挑战,PathRWKV 融合动态循环结构以实现全切片建模,并采用 RWKV 的线性注意力机制降低计算成本并缓解过拟合。多任务学习联合优化异构临床指标以提升训练效率,异步推理设计则支持预测阶段对所有切片的序列化处理。 在七大 WSI 数据集评估中,PathRWKV 在癌症分型、转移检测及生存预测等任务中表现优于现有方法,展现了其在病理学应用中的卓越泛化性和可扩展性。 CMGN 论文名称:CMGN: Text GNN and RWKV MLP-mixer combined with cross-feature fusion for fake news detection 论文链接:https://www.sciencedirect.com/science/article/abs/pii/S0925231225004837 发布日期:2025-03-12 论文提出了一种新型跨特征融合网络 CMGN,结合文本图神经网络(GNN)与 RWKV MLP-mixer 用于假新闻检测。 RWKV MLP-mixer 通过 MLP 层替代自注意力机制处理新闻文本以提取深层语义特征,而 Text GNN 将附加文本(如标题、地点)建模为图节点关系。跨特征融合机制动态整合多模态特征。消融实验验证了 RWKV 在特征提取中的关键作用。该模型通过图关系建模与 RWKV 的高效序列处理,推动了假新闻检测的进步。 在 LIAR、FA-KES、IFND 和 CHEF 数据集上的实验表明,CMGN 优于现有方法。 BlackGoose Rimer 论文名称:BlackGoose Rimer: Harnessing RWKV-7 as a Simple yet Superior Replacement for Transformers in Large-Scale Time Series Modeling 论文链接:https://arxiv.org/abs/2503.06121 发布日期:2025-03-08 论文提出将 RWKV-7 架构融入时间序列模型 Timer 中,通过其时间混合和通道混合组件提升性能。 实验表明,新方法在多个数据集上实现了 1.13x 至 43.3x 的性能提升,训练时间减少 4.5 倍,且参数仅为原模型的 1/23。该成果为大规模时间序列建模提供了高效、轻量级的解决方案。 RWKV 模型新闻动态 我们正在基于 World v3.5 数据集继续训练 RWKV-7 "Goose" 系列模型(0.1B/0.4B/1.6B/2.9B),并命名为 RWKV7-G1("GooseOne")系列推理模型。经测试,G1 0.4B 模型就能完成难度较高的多语言和代码任务。 当前已发布两个 G1 系列模型,详细请看: 全新开源!边缘设备也可运行的推理模型 RWKV7-G1 0.4B 正式发布 RWKV7-G1 0.1B 推理模型发布,最适合嵌入式的纯血 RNN 模型 正在训练 G1 1.5B/2.9B,具体发布计划如下: 模型 发布状态 发布计划 G1 0.1B 已发布 3 月 8 日(已发布) G1 0.4B 已发布 3 月 25 日(已发布) G1 1.6B 未发布 4 月 25 日 G1 2.9B 未发布 5 月中旬 社区活动 太平洋时间 2025 年 3 月 17 日- 21 日,全球人工智能大会 "NVIDIA GTC 2025" 在美国加州圣何塞正式举行。 RWKV 团队在 NVIDIA GTC 的 Poster Reception 展示并讲解了 RWKV-7 架构的最新进展。 更多信息可查看:RWKV-7 亮相 NVIDIA GTC 社区项目动态 RWKV 端侧 APP RWKV 端侧 APP 发布并开源,Android 和 iOS 端均可体验本地部署推理的多个版本 RWKV-7 模型;经测试,RWKV-7 1.5B 模型在搭载高通 8Gen3 的手机实现 62 token/s 的推理速度,G1 0.1B 更是高达 170 token/s。 开源地址:https://github.com/SolomonLeon/web-rwkv-realweb Android 版 APP 下载地址:https://www.pgyer.com/rwkvchat iOS 版 APP 下载地址:https://testflight.apple.com/join/DaMqCNKh WorldRWKV WorldRWKV 是纯 RWKV7 架构的多模态项目,目标是用纯 RWKV7 架构实现任意模态训练推理;现在我们可以使用 encoder 来任意切换模态的输入并输出文本。未来逐步实现端到端的跨模态推理,并且使用 RWKV7 来探索 World Model 的雏形。 开源地址:https://github.com/JL-er/WorldRWKV WorldRWKV 模型仓库:https://huggingface.co/WorldRWKV RWKV-TTS RWKV-TTS 是基于 RWKV 架构的 TTS(文本转音频)模型,传统的 TTS 模型包含 VQ VAE 和 LLM 两部分,该项目专注于训练基于 RWKV 架构的 LLM 来替换之前的音频模型中的 LLM 部分。目前已经支持中英日韩四种语言。 开源地址:https://github.com/yynil/RWKVTTS RWKV-TTS 模型仓库:https://huggingface.co/yueyulin/CosyVoice2-0.5B-RWKV-7-1.5B-Instruct-CHENJPKO

优秀的个人博客,低调大师

在线文本翻译能力新增14个直译模型,打造以中文为轴心语言的翻译系统

经济全球化的今天,人们在工作和生活中经常会与外语打交道。相较传播性较广的英语而言,其他语种的识别和阅读对大多数人来说是一件难事,此时就需要借助语言翻译软件来帮助理解。 华为 HMS Core 机器学习服务(ML Kit)翻译功能提供了多种翻译模式,不仅可以满足应用出行购物、网络社交等日常场景,还提供办公文档、视频字幕等专业翻译服务,满足多种语言和场景应用。其中在线文本翻译能力支持15国语种中文互译,满足邮件翻译、语音翻译、浏览器翻译、同传翻译等场景。 当前主流的翻译模式大都以语料资源较为丰富的英文作为中间语言进行“桥接”翻译,但是经英文转移后翻译精度有所损失,且计算资源加倍执行效果降低。 基于此,HMS Core机器学习服务对在线文本翻译能力进行升级,在原有的8国语言上又新增中意、中阿、中波、中荷、意中、阿中、波中、荷中 、中马、中泰、中越、越中、泰中、马中十四个直译模型,支持TOP15语种中文互译。相较于英文桥接翻译,中文直译模型可实现每秒并发300字符,端到端翻译速度小于150ms,翻译时延降低100%,翻译速度更快;针对中文特色词、俚语的翻译结果更地道,翻译质量更优。在线文本翻译能力分批次打造可信中文直译系统,确保中文和TOP语种的互译效果优于友商,打造差异化竞争力,可以满足中企出海或外企入华等对翻译要求更高场景的需求。 产品优势 个性化术语翻译 用户可自行提供术语以优化翻译结果,华为术语翻译引擎提供可定制的个性化术语翻译能力。 中文为轴心的机器翻译 支持TOP15语种中文互译,让翻译时延更低,质量更优。在WMT 2021 国际机器翻译大赛三角翻译任务中,获得俄到中翻译第一名。 响应实时稳定 全流程毫秒级响应,译文结果精准流畅。全球四大站点部署,助力品牌出海无忧。 多语言翻译质量领先 依托先进的机器翻译技术,结合各垂域大数据优势,满足用户在多领域、多场景下的翻译需求。在IWSLT 2020国际翻译大赛中,获得中到英字幕翻译第一名。 开发步骤 开发准备 在进行开发之前,您需要完成必要的开发准备工作,同时请确保您的工程中已经配置HMS Core SDK的Maven仓地址,并且完成了本服务的SDK集成。 在线文本翻译能力集成 请参见云端鉴权信息使用须知,设置您应用的鉴权信息。 创建在线文本翻译器。可以通过文本翻译器自定义参数类MLRemoteTranslateSetting创建翻译器。 // 使用自定义的参数配置创建文本翻译器。 MLRemoteTranslateSetting setting = new MLRemoteTranslateSetting .Factory() // 设置源语言的编码,使用ISO 639-1标准(中文繁体使用BCP-47标准)。此设置为可选项,如果不设置,将自动检测语种进行翻译。 .setSourceLangCode("zh") // 设置目标语言的编码,使用ISO 639-1标准(中文繁体使用BCP-47标准)。 .setTargetLangCode("en") .create(); MLRemoteTranslator mlRemoteTranslator = MLTranslatorFactory.getInstance().getRemoteTranslator(setting); 可通过下面的方法查询在线翻译所支持的语种。 异步方法示例代码: MLTranslateLanguage.getCloudAllLanguages().addOnSuccessListener( new OnSuccessListener<Set<String>>() { @Override public void onSuccess(Set<String> result) { // 成功获取在线翻译所支持的语种。 } }); 同步方法示例代码: try { Set<String> result = MLTranslateLanguage.syncGetCloudAllLanguages(); // 成功获取在线翻译所支持的语种。 } catch (MLException e) { // 获取在线翻译所支持的语种出现异常。 } 进行在线文本翻译(错误码信息可参见:机器学习服务错误码)。 异步方法示例代码: // sourceText是待翻译的文本,长度需小于5000个字符。 final Task<String> task = mlRemoteTranslator.asyncTranslate(sourceText); task.addOnSuccessListener(new OnSuccessListener<String>() { @Override public void onSuccess(String text) { // 识别成功的处理逻辑。 } }).addOnFailureListener(new OnFailureListener() { @Override public void onFailure(Exception e) { // 识别失败的处理逻辑。 try { MLException mlException = (MLException)e; // 获取错误码,开发者可以对错误码进行处理,根据错误码进行差异化的页面提示。 int errorCode = mlException.getErrCode(); // 获取报错信息,开发者可以结合错误码,快速定位问题。 String errorMessage = mlException.getMessage(); } catch (Exception error) { // 转换错误处理。 } } }); 可选:同步方法示例代码: try { String output = mlRemoteTranslator.syncTranslate(sourceText); // 识别成功的处理逻辑。 } catch (MLException e) { // 识别失败的处理逻辑。 // 获取错误码,开发者可以对错误码进行处理,根据错误码进行差异化的页面提示。 int errorCode = e.getErrCode(); // 获取报错信息,开发者可以结合错误码,快速定位问题。 String errorMessage = mlException.getMessage(); } 翻译完成后,释放资源。 if (mlRemoteTranslator!= null) { mlRemoteTranslator.stop(); } 了解更多详情>> 访问华为开发者联盟官网 获取开发指导文档 华为移动服务开源仓库地址:GitHub、Gitee 关注我们,第一时间了解 HMS Core 最新技术资讯~

优秀的个人博客,低调大师

12月14日云栖号头条:下一个“科技浪潮”会在印度产生吗?

云栖号:https://www.aliyun.com/#module-yedOfott8第一手的上云资讯,不同行业精选的上云企业案例库,基于众多成功案例萃取而成的最佳实践,助力您上云决策! 今日最新云头条快讯:全球AI遇冷了吗?不存在的。中国AI发展怎么样?热炒的数字孪生城市升级到了“白热化”阶段;2021全球摄像头达10亿:中国5.6亿台、美国8500万、中国台湾渗透率第三,一起来看最新的资讯: 每天2亿美元投入AI领域,1/10砸向自动驾驶,中国AI论文首超全欧洲 这就是一年一度权威报告《斯坦福2019全球AI报告》给出的结果。而且纵横全球盘点2019,其中诸多新变化也非常醒目,比如中国AI论文发表数除了全球领先——还首次超越欧洲,AI专业受到空前热捧,清华AI课程注册3年翻4倍。进一步放眼全球,AI投资超过了700亿,相当于每天2亿多美元砸向AI领域。自动驾驶依然是最受青睐的投资标的。 扯开“数字孪生城市”面纱! “数字孪生”概念诞生不到十年,而就在短短一年多的时间后,“数字孪生城市”方案和模式已经如“雨后春笋”般在我国多地涌现。在产业层面,热度可谓升级到了“白热化”。不仅阿里、百度、京东等互联网巨头、通信巨头纷纷牵头构建生态;众多安防大佬、AI独角兽、系统集成商也一头扎进各地的数字孪生“盛宴”中;甚至,在AR/VR热潮时代演进来的空间信息领域创业公司也借此找到了等待已久的“金矿”。 美国和中国一样,每四个人就有一个安防摄像头 根据IHS Markit预测,到2021年,全球将部署10亿个监控摄像头。其中,中国的安装数预计将达到5.6亿多个,占全球安装的监控设备的最大份额,而美国则将增加到约8500万个。考虑到人口因素,美国和中国一样,每四个人就有一个监控摄像头。据统计,2018年,中国安装了3.5亿台摄像头,约4.1人/台;相比之下,在美国大约安装了7,000万台摄像头,大约4.6人/台。就渗透率而言,中国台湾排名第三,约5.5人/台,其次是英国和爱尔兰的6.5人/台和新加坡7.1人/台。 平头哥首席科学家谢源当选ACM Fellow 12月12日,国际计算机学会 (Association for Computing Machinery , 简称 ACM)正式公布了2019年ACM Fellow名单,阿里巴巴平头哥首席科学家、达摩院高级研究员谢源当选,这也意味着谢源成为IEEE(电气与电子工程师学会)、AAAS(美国科学促进会)、ACM(国际计算机学会) 三大国际顶级学会的会士(Fellow)。 下一个“科技浪潮”会在印度产生吗? 下一个“科技浪潮”,会在“盛产”程序员、人口基数庞大的印度产生吗?目前预计3年内将有10到15家公司上市,这些公司的估值可能在3亿至100亿美元之间,印度的股市将迎来高估值初创企业的热潮。另外,虽然印度拥有庞大的人口基数,但其国内的发展远远滞后于中国,所以基于其巨大的市场,‘偶尔的机遇’可能会在印度出现,但特别高估值的初创型企业,最终还是会在中国和美国产生。 云栖号:https://www.aliyun.com/#module-yedOfott8第一手的上云资讯,不同行业精选的上云企业案例库,基于众多成功案例萃取而成的最佳实践,助力您上云决策! 【快速入门】一文带你读懂阿里云产品 云服务器ECS入门 个人版快速入门介绍如何使用ECS管理控制台创建、连接以及释放实例。 【场景入门】带你了解阿里云基础场景 数据迁移方案概览 RDS提供了多种数据迁移方案,可满足不同上云或迁云的业务需求,使您可以在不影响业务的情况下平滑将数据库迁移至阿里云云数据库RDS上面。 将数据迁移到OSS 用户希望将历史数据迁移到用户在OSS的某个目标Bucket上。 【热门案例】 你爱吃的坚果上云啦——三只松鼠上云案例 三只松鼠:“大促期间使用 k8s 节省资源,通过资源限定和优化,可以充分利用硬件资源,资源水位占比可以有效的控制在60%左右。线上发现问题可以快速滚动迭代,解决了服务上下线不优雅影响业务的痛点,增加了用户体验。 整体感受快、稳、方便”——三只松鼠云造技术中心 鼠稻米 云原生架构助力花生日记双11大促 花生日记:“我们架构到云原生微服务体系架构后系统整体的可靠性、稳定性、弹性和容错能力得到了很大提升,也提高了我们的IT资源利用率。帮助我们双十一平稳的支撑了平时6倍的业务高峰,峰值达到40k QPS。——花生日记 技术总监 文玩交易平台——微拍堂的上云之路 微拍堂:“作为国内首席移动端拍卖交易平台,公司业务发展迅速,给我们在跨公有云备份这块带来了新的挑战。阿里云DBS配置灵活、功能完善,很好解决了我们手工维护痛点。”—— 杭州微拍堂文化创意有限公司数据库负责人 田红阳 全品类新租赁平台——人人租机的上云案例 人人租机:依靠阿里小程序赋能,接入芝麻信用风控体系,风控效率大幅度提升且逾期率降低了10倍。上线至今,日订单量达到2000单,用户增长20倍,交易订单量增长15倍,实现了依托于APP和原有渠道三年都无法实现的增长规模。 【最佳实践】基于众多客户上云的成功案例萃取而成的最优化企业上云指导 电商网站业务安全 使用阿里云实现电商网站运营期间的安全防护,包括防爬风险管理、DDoS防御、风险管理产品的能力及操作相关产品:专有网络VPC、DDoS高防IP、负载均衡 SLB 互联网、电商行业实时大数据分析 使用阿里云服务实现电商网站购物数据实时分析后在大屏幕上展示,极大地增强数据的可读性相关产品:RDS、数据库备份、DataV数据可视化 小程序业务实时监控 使用ACK容器快速搭建小程序同时使用ARMS提升业务监控能力,实时监控小程序业务应用性能相关产品:对象存储OSS、容器服务ACK、ARMS 云栖号:https://www.aliyun.com/#module-yedOfott8第一手的上云资讯,不同行业精选的上云企业案例库,基于众多成功案例萃取而成的最佳实践,助力您上云决策!

优秀的个人博客,低调大师

[Spring cloud 一步步实现广告系统] 14. 全量索引代码实现

上一节我们实现了索引基本操作的类以及索引缓存工具类,本小节我们开始实现加载全量索引数据,在加载全量索引数据之前,我们需要先将数据库中的表数据导出到一份文件中。Let's code. 1.首先定义一个常量类,用来存储导出文件存储的目录和文件名称 因为我们导出的文件需要在搜索服务中使用到,因此,我们将文件名 & 目录以及导出对象的信息编写在mscx-ad-commom项目中。 public class FileConstant { public static final String DATA_ROOT_DIR = "/Users/xxx/Documents/promotion/data/mysql/"; //各个表数据的存储文件名 public static final String AD_PLAN = "ad_plan.data"; public static final String AD_UNIT = "ad_unit.data"; public static final String AD_CREATIVE = "ad_creative.data"; public static final String AD_CREATIVE_RELARION_UNIT = "ad_creative_relation_unit.data"; public static final String AD_UNIT_HOBBY = "ad_unit_hobby.data"; public static final String AD_UNIT_DISTRICT = "ad_unit_district.data"; public static final String AD_UNIT_KEYWORD = "ad_unit_keyword.data"; } 2.定义索引对象导出的字段信息,依然用Ad_Plan为例。 /** * AdPlanTable for 需要导出的表字段信息 => 是搜索索引字段一一对应 * * @author <a href="mailto:magicianisaac@gmail.com">Isaac.Zhang | 若初</a> */ @Data @AllArgsConstructor @NoArgsConstructor public class AdPlanTable { private Long planId; private Long userId; private Integer planStatus; private Date startDate; private Date endDate; } 3.导出文件服务实现 同样,最好的实现方式就是将导出服务作为一个子工程来独立运行,我这里直接实现在了mscx-ad-db项目中 定义一个空接口,为了符合我们的编码规范 /** * IExportDataService for 导出数据库广告索引初始化数据 * * @author <a href="mailto:magicianisaac@gmail.com">Isaac.Zhang | 若初</a> */ public interface IExportDataService { } 实现service @Slf4j @Service public class ExportDataServiceImpl implements IExportDataService { @Autowired private AdPlanRepository planRepository; /** * 导出 {@code AdPlan} from DB to File * * @param fileName 文件名称 */ public void exportAdPlanTable(String fileName) { List<AdPlan> planList = planRepository.findAllByPlanStatus(CommonStatus.VALID.getStatus()); if (CollectionUtils.isEmpty(planList)) { return; } List<AdPlanTable> planTables = new ArrayList<>(); planList.forEach(item -> planTables.add( new AdPlanTable( item.getPlanId(), item.getUserId(), item.getPlanStatus(), item.getStartDate(), item.getEndDate() ) )); //将数据写入文件 Path path = Paths.get(fileName); try (BufferedWriter writer = Files.newBufferedWriter(path)) { for (AdPlanTable adPlanTable : planTables) { writer.write(JSON.toJSONString(adPlanTable)); writer.newLine(); } writer.close(); } catch (IOException e) { e.printStackTrace(); log.error("export AdPlanTable Exception!"); } } } 实现Controller,提供操作入口 @Slf4j @Controller @RequestMapping("/export") public class ExportDataController { private final ExportDataServiceImpl exportDataService; @Autowired public ExportDataController(ExportDataServiceImpl exportDataService) { this.exportDataService = exportDataService; } @GetMapping("/export-plan") public CommonResponse exportAdPlans() { exportDataService.exportAdPlanTable(String.format("%s%s", FileConstant.DATA_ROOT_DIR, FileConstant.AD_PLAN)); return new CommonResponse(); } } 结果文件内容如下,每一行都代表了一个推广计划 {"endDate":1561438800000,"planId":10,"planStatus":1,"startDate":1561438800000,"userId":10} {"endDate":1561438800000,"planId":11,"planStatus":1,"startDate":1561438800000,"userId":10} 根据文件内容构建索引 我们在之前编写索引服务的时候,创建了一些索引需要使用的实体对象类,比如构建推广计划索引的时候,需要使用到的实体对象com.sxzhongf.ad.index.adplan.AdPlanIndexObject,可是呢,我们在上一节实现索引导出的时候,实体对象又是common 包中的com.sxzhongf.ad.common.export.table.AdPlanTable,读取出来文件中的数据只能反序列化为JSON.parseObject(p, AdPlanTable.class),我们需要将2个对象做相互映射才能创建索引信息。 1.首先我们定义一个操作类型枚举,代表我们每一次的操作类型(也需要对应到后期binlog监听的操作类型) public enum OperationTypeEnum { ADD, UPDATE, DELETE, OTHER; public static OperationTypeEnum convert(EventType type) { switch (type) { case EXT_WRITE_ROWS: return ADD; case EXT_UPDATE_ROWS: return UPDATE; case EXT_DELETE_ROWS: return DELETE; default: return OTHER; } } } 2.因为全量索引的加载和增量索引加载的本质是一样的,全量索引其实就是一种特殊的增量索引,为了代码的可复用,我们创建统一的类来操作索引。 /** * AdLevelDataHandler for 通用处理索引类 * 1. 索引之间存在层级划分,也就是相互之间拥有依赖关系的划分 * 2. 加载全量索引其实是增量索引 "添加"的一种特殊实现 * * @author <a href="mailto:magicianisaac@gmail.com">Isaac.Zhang | 若初</a> */ @Slf4j public class AdLevelDataHandler { /** * 实现广告推广计划的第二层级索引实现。 * (第一级为用户层级,但是用户层级不参与索引,所以从level 2开始) * 第二层级的索引是表示 不依赖于其他索引,但是可被其他索引所依赖 */ public static void handleLevel2Index(AdPlanTable adPlanTable, OperationTypeEnum type) { // 对象转换 AdPlanIndexObject planIndexObject = new AdPlanIndexObject( adPlanTable.getPlanId(), adPlanTable.getUserId(), adPlanTable.getPlanStatus(), adPlanTable.getStartDate(), adPlanTable.getEndDate() ); //调用通用方法处理,使用IndexDataTableUtils#of来获取索引的实现类bean handleBinlogEvent( // 在前一节我们实现了一个索引工具类,来获取注入的bean对象 IndexDataTableUtils.of(AdPlanIndexAwareImpl.class), planIndexObject.getPlanId(), planIndexObject, type ); } /** * 处理全量索引和增量索引的通用处理方式 * K,V代表索引的键和值 * * @param index 索引实现代理类父级 * @param key 键 * @param value 值 * @param type 操作类型 */ private static <K, V> void handleBinlogEvent(IIndexAware<K, V> index, K key, V value, OperationTypeEnum type) { switch (type) { case ADD: index.add(key, value); break; case UPDATE: index.update(key, value); break; case DELETE: index.delete(key, value); break; default: break; } } } 3.读取文件实现全量索引加载。 因为我们文件加载之前需要依赖另一个组件,也就是我们的索引工具类,需要添加上@DependsOn("indexDataTableUtils"),全量索引在系统启动的时候就需要加载,我们需要添加@PostConstruct来实现初始化加载,被@PostConstruct修饰的方法会在服务器加载Servlet的时候运行,并且只会被服务器调用一次。 @Component @DependsOn("indexDataTableUtils") public class IndexFileLoader { /** * 服务启动时,执行全量索引加载 */ @PostConstruct public void init() { //加载 推广计划 List<String> adPlanStrings = loadExportedData(String.format("%s%s", FileConstant.DATA_ROOT_DIR, FileConstant.AD_PLAN )); adPlanStrings.forEach(p -> AdLevelDataHandler.handleLevel2Index( JSON.parseObject(p, AdPlanTable.class), OperationTypeEnum.ADD )); } /** * <h3>读取全量索引加载需要的文件</h3> * * @param fileName 文件名称 * @return 文件行数据 */ private List<String> loadExportedData(String fileName) { try (BufferedReader reader = Files.newBufferedReader(Paths.get(fileName))) { return reader.lines().collect(Collectors.toList()); } catch (IOException e) { throw new RuntimeException(e.getMessage()); } } } Tips 在实现初始化加载全量索引的过程中,一定要保证数据加载的顺序问题,因为不同的数据有可能存在着相互依赖的关联关系,一旦顺序写错,会造成程序报错问题。

优秀的个人博客,低调大师

【阿里云新品发布·周刊】第14期:POLARDB 2.0 重磅升级,分别支持Oracle与PostgreSQL

点击订阅新品发布会! 新产品、新版本、新技术、新功能、价格调整,评论在下方,下期更新!关注更多内容,了解更多 最新发布 POLARDB 2.0 重磅升级 2019年6月19日15时,阿里云 POLARDB 2.0重磅发布,高度兼容 Oracle,助力企业快速进入云智能时代;完全兼容 PostgreSQL,适合中大型企业核心业务场景;最大100T,计算和存储分离架构提供澎湃性能。 查看产品产品文档 阿里云云盾IDaaS应用身份服务正式发布 2019年6月13日,阿里云云盾IDaaS应用身份服务正式发布,为用户提供5A一体化身份管理平台。IDaaS,是Identity as a Service的缩写,它是一个基于云计算和微服务架构的集中式身份管理服务,首先它会赋予用户一个唯一的身份账号,只要这个账号成功通过身份认证,那么用户就可以自由访问所有

优秀的个人博客,低调大师

12月14日云栖精选夜读 | 为什么要学习Python?这10个理由足够了!

如果你定期关注现今的科技发展,那么你可能想知道我为什么要写这篇文章告诉人们学习Python?因为几年前我提倡Java而不是Python。 在2016年,Python取代Java成为高校中最受欢迎的语言,从那时起它受欢迎的程度就没有减退过。 热点热议 为什么要学习Python?这10个理由足够了! 作者:技术小能手发表在:大数据地盘 一天超2000次,阿里如何打响音视频超时空战役? 作者:技术小能手发表在:阿里技术 # Apache spark系列技术直播# 第五讲【 Spark RDD编程入门 】 作者:spark小能手发表在:Apache Spark中国技术社区 知识整理 使用Data Lake Analytics快速分析OSS上的日志文件 作者:金络 Elasticsearch增、删、改、查操作深入详解(Elasticsearch教程02)|MVP讲堂 作者:辰悠发表在:阿里云MVP elasticsearch 索引存储深入详解(Elasticsearch教程03)|MVP讲堂 作者:辰悠发表在:阿里云MVP 在Kubernetes上扩展MongoDB,这样可以吗? 作者:技术小能手发表在:数据和云 为什么说,MapReduce,颠覆了互联网分层架构的本质? 作者:技术小能手发表在:架构师之路 美文回顾 python是如何进行内存管理的 作者:qq1622479435 深度学习框架TensorFlow在Kubernetes上的实践 作者:店家小二发表在:容器服务Docker&Kubernetes 图的最小生成树——Prim算法 作者:橘子和香蕉 Nginx 每天莫名自动重启问题 作者:风轻云淡不 真正的inotify+rsync实时同步 彻底告别同步慢 作者:风轻云淡不 利用Redis实现高并发计数器 作者:浦涛 你在使用代理IP吗?那你知道什么是独享IP代理吗? 作者:1391544682206677 有奖话题讨论 程序员该怎么学习技术? 程序员应该如何积累财富? 往期精彩回顾 12月13日云栖精选夜读 | 干货 :5个提醒,让你远离“数据呆” 12月12日云栖精选夜读 | Python 10大谬论,你可能对Python存在的一些误解! 12月11日云栖精选夜读 | 图解数据结构及原理,傻瓜也能看懂! 12月10日云栖精选夜读 | 收藏 : 50个Excel逆天功能,一秒变“表哥” 12月7日云栖精选夜读 | 阿里数据库的极致弹性之路

优秀的个人博客,低调大师

云栖科技评论第14期:CEO对话:阿里、英特尔携手 深度布局人工智能

1、CEO对话:阿里、英特尔携手 深度布局人工智能 CEO对话:阿里、英特尔携手 深度布局人工智能 【新闻摘要】11月3日,英特尔公司CEO Brian Krazanich再度造访阿里巴巴,与阿里CEO张勇进行交流,随后双方达成共识,未来将在人工智能、机器学习领域展开深度合作,并进一步加强IoT和智能硬件及产品等领域的战略合作。目前,阿里巴巴与英特尔的战略合作横跨芯片、云计算、智能硬件、物联网等多个领域,今年年初已在云栖小镇建立联合创新中心,并于10月联合HP发布了第一台YunOS Book。作为阿里云的首批全球合作伙伴,Intel还首次为云量身定制CPU,能够满足视频、渲染、数据分析等高性能计算需求。新闻链接【小云评论】未来的世界是一个互联的智能世界,这个互联不仅仅是提供给用户,更来自于互联的提供者。从技术领域看,有云计算、大数据

优秀的个人博客,低调大师

12月14日云栖精选夜读:活动推荐丨阿里云TechInsight论坛为什么这么火?

2017年12月19日将在北京国家会议中心举办阿里云TechInsight活动,这是一场针对开发者、架构师、以及技术与业务管理人员举办的技术圈交流,北京站活动更是阿里云TechInsight全年的压轴之作。 热点热议 活动推荐丨阿里云TechInsight论坛为什么这么火? 作者:小二辛苑 阿里云ECS服务器CentOS7上安装MySql服务 作者:华蒙 阿里云ECS服务器CentOS7上安装MySql服务 作者:华蒙 知识整理 MySQL · 引擎特性 · TokuDB hot-index机制 作者:技术小能手 MySQL · 最佳实践 · 分区表基本类型 作者:技术小能手 AI根据视频画面自动配音 ,真假难辨 !(附数据集)) 作者:技术小能手发表在:数据派THU PgSQL · 应用案例 · 流式计算与异步消息在阿里实时订单监测中的应用 作者:技术小能手 【我的Android进阶之旅】Android 混淆文件资源分类整理 作者:欧阳鹏 美文回顾 MaxCompute有关优化复杂数据分布的实践 作者:少杰发表在:阿里巴巴大数据 —玩家社区 写给Java老司机的Scala教程——Scala Fast Track 作者:千万别惹猫 如何打造千万级Feed流系统?阿里数据库技术解读 作者:技术小能手发表在:阿里技术 PHP数据写入MySql数据库 作者:vip1888 阿里毕玄:智能时代,运维工程师在谈什么? 作者:云效平台发表在:阿里云效平台 阿里 Pouch 技术开源负责人孙宏亮:如何在复杂场景下实现容器技术的大规模运用 作者:yq传送门 阿里云前端周刊 - 第 32 期 作者:houfeng 往期精选回顾 12月13日云栖精选夜读:如何在阿里云上构建高可用的跨AZ部署方案 12月12日云栖精选夜读:阿里云API创新应用大赛启动:智慧开放,互链解决 12月11日云栖精选夜读:【X-Pack解读】阿里云Elasticsearch X-Pack Graph组件功能详解 12月8日云栖精选夜读:智能诊断-人工智能在云平台上的新玩法 12月7日云栖精选夜读:特鲁多对话马云:请为加拿大小企业多花一些时间!

优秀的个人博客,低调大师

11月14日云栖精选夜读:轻松使用阿里云资源编排,方便你的API管理

11月初,阿里云ROS正式发布API 网关(API Gateway)资源,为云计算用户提供高性能、高可用的 API 托管服务,帮助用户对外开放其部署在 ECS、容器服务等阿里云产品上的应用,提供完整的 API 发布、管理、维护生命周期管理。 热点热议 轻松使用阿里云资源编排,方便你的API管理 作者:云攻略小攻 发表于:云攻略 阿里云CDN的双11再进化 作者:樰篱 发表于:阿里云CDN服务 告别繁荣缛节,阿里云资源编排支持API网关 作者:云攻略小攻 发表于:云攻略 知识整理 入侵特斯拉——智能汽车安全性分析 作者:博文视点 5分钟带你看懂 Docker 作者:技术小能手 《maven实战》读书笔记5——maven仓库和镜像 作者:生若蜉蝣 Redis4.0新特性(二)-Lazy Free 作者:技术小能手 自动监控MySQL表结构变更脚本 作者:兰的手风琴 美文回顾 深度学习界明星:生成对抗网络与Improving GAN 作者:博文视点 他们靠什么跻身天猫双11“亿元俱乐部” 作者:技术小能手 阿里云推出应用配置管理新工具 助力企业效能几何式提升 作者:云攻略小攻 新科技新文娱:从天猫双11看优酷背后的产品技术升级 作者:优小酷 站外SEO应该怎么做? 作者:小明seo教程 Andrej Karpathy:神经网络是“软件2.0”,而非机器学习的一种工具 作者:技术小能手 告别Python,用神经网络编写的软件走向2.0时代 作者:aitechyun 往期精选回顾 11月13日云栖精选夜读:阿里云中间件产品科技普惠企业,满足多场景需求 11月10日云栖精选夜读:零点之战!2017双11关键技术全公开 11月9日云栖精选夜读:阿里90后工程师,如何用AI程序写出双11打call歌? 11月8日云栖精选夜读:如何让测试少加班?阿里Mock平台使用方法揭秘! 11月7日云栖精选夜读:阿里巴巴风鸣:做技术Leader要有危机意识

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册
修改密码
忘记密码