声明
通过学习 泷羽sec的个人空间-泷羽sec个人主页-哔哩哔哩视频,做出的文章如涉及侵权马上删除文章
笔记的只是方便各位师傅学习知识,以下网站只涉及学习内容,其他的都与本人无关,切莫逾越法律红线,否则后果自负
编程语言:
- c语言:面向过程的编程语言,应用于软件开辟和嵌入式开辟
- c++:在c的基础上发展过来的,支持面向对象编程,用于游戏开辟高性能计算等领域
- java:面向对象编程语言,具有跨平台性,应用于企业级应用开辟
- python:简单易学,,拥有丰富的库,适用于数据分析,人工智能,web开辟(可以开辟工具给自己使用)
- javascript:用于网页的前端开辟,也可以用于服务器端开辟(Node.js)
- C#:由微软开辟,主要用于windows平台的应用开辟
- Ruby:一种简洁而富有表现力的编程语言,常用于web开辟
- PHP:主要用于web开辟,尤其得当服务器端脚本编程
- Go:高效简洁的编程语言,适用于网络编程和云计算等领域
- Swift:苹果开辟的编程语言,用于iOS和macOS应用开辟
- Kotlin:可以与Java互操作,主要用于Android开辟
函数式编程语言:
- Haskell:纯函数式编程语言,有强大的类型系统和数学的严谨性
- Lisp(包括Common Lisp、Scheme等):历史悠久的编程语言家属,以高度的机动性和宏系统著称
- Clojure:运行在Java虚拟机的Lisp方言,结合了java平台的上风和函数式编程
数据科学和呆板学习领域:
- R:在统计分析和数据可视化方面应用广泛
- Julia:计划用于高性能科学计算和数据分析
web全栈开辟:
- TypeScript:Javascript的超级,增长了静态类型查抄等特性,提高了大型项目的开辟效率
移动开辟:
- Objective-C:曾经是iOS开辟的主要语言,但是被Swift取代
嵌入式开辟:
- Assembly Language(汇编语言):不同的处理器架构有不同的汇编语言,用于对硬件进行底层控制
其他:
- Pascal:曾经在数学和早期软件开辟里有广泛运用
- Delphi(基于Object Pascal):用于快速应用开辟
- Scala:融合了面向对象编程和函数式编程,运行在Java虚拟机上
- Elixir:基于Erlang虚拟机,具有高并发和容错性,得当构建分布式系统
软件步伐类型概述:
- Web步伐:
- 二进制步伐:
- 主要用于逆向分析,与渗透测试不同,通常需要更深的技能基础。
- 驱动步伐:
- 由二进制步伐编写,后缀通常为 .sys,用于操作系统的硬件交互。
- 上位机步伐:
- 脚本步伐:
- 包括多种语言如 Lua、PHP、Java,广泛应用于主动化和快速开辟。
- 操作系统:
- 大型软件系统,尽管技能含量高,但本质上也属于软件步伐。
- 裸板步伐:
- 呆板学习步伐:
- 一般用 Python 编写,也可使用 Go 等语言,最终都是实现特定功能的步伐。
- 量子计算步伐:
- 工控步伐:
- BIOS步伐与本质明确:
- BIOS步伐:是低级代码,负责硬件初始化和操作系统启动。其本质是代码,不应被复杂的术语所迷惑。
- 认清本质:无论别人如何夸大技能,重要的是明确其底层原理。例如,组合技能(如二进制与 Web 的结合)只需掌握其基础即可。
操作系统类型
- 操作系统列表
- iOS
- macOS
- Linux
- Android
- Windows
- Windows CE (Wince)
- VxWorks
- RT-Thread
这些类型的步伐展示了软件的多样性和应用场景,明确它们的特点有助于在各个领域中更有效地进行开辟和渗透测试。
操作系统:实时与非实时
- 非实时操作系统:
- 包括 Windows、macOS、iOS 和 Linux。主要关注性能和用户体验,但在处理指令时不肯定立即相应用户操作。
- 实时操作系统 (RTOS):
- 如 VxWorks 和 RT-Thread,可以或许在确定时间内相应外部事件,适用于时间要求严格的嵌入式系统和工业控制。
网络通讯
- 在任何系统中,网络通讯都是至关重要的,硬件设备的毗连与交互依靠于网络。
计算机硬件组件
- 中央处理器 (CPU):
- 计算机的核心,负责执行指令和处理数据,其性能直接影响计算速度。
- 内存:
- 存储运行中的步伐和数据,容量和速度影响计算机性能。
- 硬盘:
- 用于恒久存储数据,包括操作系统和应用步伐,容量和读写速度也会影响性能。
- 显卡:
- 处理图形和图像数据,其性能对图形处理本领至关重要,尤其在游戏和计划领域。
- 主板:
- 毗连各个硬件组件,主板的质量影响计算机的稳定性和扩展性。
网络硬件设备
- 网络服务器:
- 提供网络服务,如文件存储和Web服务,通常具有较高性能。
- 网络存储设备:
- 包括 NAS 和 SAN,提供高容量、高可靠性的数据存储办理方案。
- 网络打印机:
- 网络摄像头:
- 用于视频监控和远程会议,可将视频信号通过网络传输。
移动设备硬件
- 智能手机:集成多种功能,包罗处理器、内存、存储和摄像头。
- 平板电脑:类似于智能手机,但屏幕更大,得当阅读和观看视频等。
- 可穿着设备:如智能手表等,可以监测用户康健数据并毗连智能手机等设备。
硬件发展趋势
- 小型化:硬件设备趋向体积越来越小,便于携带。
- 高性能:处理器、内存、存储的性能和容量不停提高。
- 智能化:硬件设备更加智能,可以适应不同用户习惯。
- 互联互通:设备之间的联网与互联越来越密切,形成物联网。
网络类型
- 局域网(LAN):覆盖范围较小,通常用于办公室、学校或家庭等局部区域,用于共享资源(办公室的网络就是一个局域网)
- 城域网(MAN):覆盖一个城市范围内的网络,例如城市的有线电视网络,宽带网络
- 广域网(WAN):覆盖范围极广,跨越国家乃至全球的区域(互联网就是一个例子)它毗连了天下各地的计算机和网络设备。
网络协议
- TCP/IP协议:互联网的基础协议。
- TCP(传输控制协议):负责数据的可靠传输
- IP(网际协议):负责数据的路由和所在解析。
- HTTP协议:超文本传输协议,用于Web欣赏器和服务器之间传输网页、图片等超文本数据。
- FTP协议(端口协议):文件传输协议,用于计算机之间安全传输文件。
- SMTP、POP3和IMAP协议(全都是端口协议):用于电子邮件的发送与吸收。SMTP负责发送,POP3和IMAP负责吸收。
网络设备
- 路由器:用于毗连不同的网络并转发数据,依据IP所在和路由表确定命据的传输路径。
- 互换机:局域网内的多台计算机通过互换机进行数据互换,依据MAC所在转发数据帧。
- 网卡:计算机毗连网络的硬件设备,将计算机数据转换为网络信号进行传输。
- 无线接入点(AP):为无线设备提供网络接入,使其可以或许毗连到局域网或广域网。
网络安全
- 防火墙:保护网络免受外部攻击,依据规则过滤收支网络的流量(分为硬件防火墙和软件防火墙)
- 加密技能:对数据进行加密,例如SSL/TLS协议用于确保Web欣赏器和服务器之间的通信安全
- 身份认证:通过验证用户身份来确保只有授权用户能访问网络资源,常用的方法包括用户名和密码、数字证书以及生物识别等
通讯协议
- TCP(传输控制协议):用于可靠的、面向毗连的数据传输,确保数据到达目的地。
- UDP(用户数据报协议):用于快速、不可靠的通信,不提供数据重传机制,适用于实时应用(如视频流、在线游戏等)。
- IP(网际协议):用于网络间的路由和数据传输所在解析,是互联网数据传输的基础协议。
总结:这些网络类型、协议和设备共同构成了当代网络通信的基础。了解这些概念有助于明确网络运作原理,并为进一步学习网络安全和协议栈奠定基础。
呆板学习工作流程
- 数据网络
- 来源:数据可以来自数据库、文件、传感器、网络等多种渠道。
- 类型:包括结构化数据(如表格数据)、半结构化数据(如XML、JSON)和非结构化数据(如文本、图像、音频等)。
- 数据预处理
- 数据清洗:去除噪声数据、处理缺失值、纠正错误数据。常用方法如均值填充、中位数填充等。
- 数据归一化:将数据缩放至同一范围,常见方法包括最小-最大归一化和Z-score标准化。
- 特性提取:从数据中提取有效特性,如图像识别中提取颜色、纹理、外形等。
- 模型选择与练习
- 根据任务类型选择算法:分类问题可以使用决议树、支持向量机等;回归问题可以使用线性回归、随机森林等。
- 数据分割:将数据分为练习集和测试集。
- 使用练习集练习模型,调整参数最小化损失函数。
- 模型评估与优化
- 评估指标:常用指标包括准确率、准确率、召回率、F1值、均方误差等。
- 根据效果调整模型参数、选择不同算法或增长数据量来优化模型。
- 模型应用
- 将优化后的模型应用于实际问题,执行预测、分类、聚类等任务。
- 持续监控和评估应用效果,优化模型以提高性能。
深度学习的基本原理
1. 神经网络基础
- 神经元模型: 深度学习的核心是人工神经网络,其灵感来源于生物神经元。一个神经元吸收多个输入信号,每个输入对应一个权重,通过加权求和后,输入激活函数得到输出。
- 激活函数: 激活函数决定了神经元的输出值常见激活函数包括ReLU(修正线性单位)、sigmoid和tanh。它们引入非线性,增强了神经网络处理复杂问题的本领。
2. 多层神经网络
- 层次结构: 深度学习中的神经网络通常包括:
- 输入层:吸收原始数据,如图像的像素值、文本的词向量等。
- 隐藏层:多层隐藏层对输入数据进行特性提取,每一层渐渐提取高阶特性。例如,图像识别中,低层提取边沿特性,高层提取更复杂的外形和结构。
- 输出层:天生最终的预测效果。例如,图像分类任务中,输出层可能是图像的类别标签。
- 深度网络: 深度神经网络有多个隐藏层,层数越多,提取的特性越复杂。深度学习的本领主要源于其处理复杂模式、特性提取的多层次特性。
总结:深度学习通过多层神经网络渐渐提取数据的特性,并通过激活函数实现非线性映射,最终用于预测和分类等任务。
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。 |