标签搜索
.png)
搜索到
20
篇与
的结果
-
将服务器设置为密钥登陆 将服务器更改为密钥登录（SSH Key Authentication）是提高服务器安全性的最佳实践之一。它不仅比密码更安全（防止暴力破解），而且登录也更方便。第一步：在本地机器生成密钥对如果你还没有密钥对，请在你的本地电脑（Windows PowerShell、Mac 或 Linux 终端）上运行以下命令：ssh-keygen -t rsa -b 4096提示： 系统会询问保存路径（默认即可）和密码短语（Passphrase）。密码短语是给私钥加的二次锁，建议设置。执行完成后，你会得到两个文件：id_rsa（私钥：绝对不能泄露给任何人！）id_rsa.pub（公钥：要上传到服务器的文件）第二步：将公钥上传到服务器你需要将本地生成的 id_rsa.pub 内容复制到服务器上的 ~/.ssh/authorized_keys 文件中。方法 A：使用 ssh-copy-id（最推荐，最简单）在本地终端输入：ssh-copy-id 用户名@服务器IP输入一次服务器密码后，公钥会自动安装完成。方法 B：手动复制（如果方法 A 不可用）在本地查看并复制公钥内容：cat ~/.ssh/id_rsa.pub登录服务器，执行：mkdir -p ~/.ssh chmod 700 ~/.ssh echo "你的公钥字符串" >> ~/.ssh/authorized_keys chmod 600 ~/.ssh/authorized_keys第三步：测试密钥登录在进行后续高风险操作前，请先验证密钥是否生效：ssh 用户名@服务器IP如果无需输入服务器密码（或只需输入你设置的私钥密码短语）即可登录，说明设置成功。第四步：禁用密码登录（安全加固）确认密钥登录成功后，你可以关闭密码登录以彻底杜绝暴力破解。编辑 SSH 配置文件：sudo nano /etc/ssh/sshd_config 修改以下关键参数（如果前面有 # 号请去掉）： Plaintext PubkeyAuthentication yes # 允许公钥登录 PasswordAuthentication no # 禁止密码登录 ChallengeResponseAuthentication no UsePAM no # 如果你不需要通过 PAM 认证 重启 SSH 服务： sudo systemctl restart ssh -
具身智能入门task01 具身智能学习Task1具身智能概述具身智能 = 智能的大脑 + 行动的身体核心挑战Sim-to-Real的不适配性泛化能力 实现通用性数据稀缺问题安全性与伦理问题机器人基础和控制、手眼协调由于学习过控制理论基础课程 不做详细展开PID控制算法P比例参数I 微分参数D 积分参数用于实现姿态等稳定系统的控制 能够有效消除稳态误差 使得系统更为稳定 有效控制很喜欢知乎里网友对PID的这个理解手眼协调教程由于有过手眼标定相关实践 这里只对内容进行梳理复习手眼标定主要用于统一视觉系统与机器人的坐标系当我们希望使用视觉引导机器人去抓取物体时，需要知道三个相对位置关系，即末端执行器与机器人底座之间相对位置关系摄像头与末端执行器之间相对位置关系物体与摄像头之间的相对位置和方向摄像头安装方式分为眼在手上和眼在手外 二者适用场景有些不同 三个相对位置关系也不同手眼标定的数学模型为了标定手眼位置 需要对坐标系进行定义 求出坐标系之间的变换矩阵 进行统一后方便操作这里与相机模型转化类似 不做多余赘述 主要是将不同坐标系之间的刚体变换矩阵求解具身导航基础Habitat-sim环境搭建conda create -n habitat python=3.9 cmake=3.14.0 conda activate habitat因为使用服务器 大部分时间headless使用 故下载无头模式conda install habitat-sim=0.2.5 withbullet headless -c conda-forge -c aihabitat conda install habitat-sim withbullet headless -c conda-forge -c aihabitat执行后 输出结果如图
-
数据挖掘 大数据挖掘数据挖掘数据挖掘定义技术层面：数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中、人们事先不知道的、但又包含潜在有用的信息的过程。数据准备环节数据选择 质量分析 数据预处理数据仓库从多个数据源搜集的信息存放在一致的模式之下特征化对目标数据的一般特性和特征汇总聚类分析最大化类内相似度 最小化类间相似性数据准备大数据定义超出正常处理范围 由海量数据＋复杂类型的数据 构成数据对象组成数据集的元素，每个数据对象均为一个实体数据对象由属性描述数据存在问题数据不完整存在噪声数据数据不一致数据冗余数据不平衡数据的正确性分析缺失值数据错误度量标准错误编码不一致处理缺失数据忽视较小缺失率 有缺失值的样本或属性人工补全缺失值重新采样领域知识自动补全缺失值固定值均值基于算法插补法均值插补回归插补极大似然估计噪声过滤回归法均值平滑法离群点分析处理噪声数据局部离群因子LOF计算数据量子集选择数据量太大减小时间复杂度数据聚合尺度变换数据更稳定调整类分布不平衡数据哈尔小波交换通过调整分辨率数据标准化最小最大标准化Z-score标准化大数据挖掘与分析邻近性相似性和相异性统称为邻近性数据矩阵存放数据对象相异性矩阵存放数据对象的相异性值二元属性邻近性数值数据距离闵可夫斯基距离h=1 2 正无穷维度诅咒基于距离的聚类在高纬度下无效在高维情况下 P（0,1）更有效逆文档频率IDF 或 Goodall度量基本思路：将基本词汇看做全部属性的集合 每个词频是属性的值余弦度量余弦相似度逆文档频率 阻尼系数累计距离矩阵（大概率）计算等图算法题目APRIORI基本的Apriori算法 Apriori算法的基本思路是采用层次搜索的迭代方法，由候选(k-1)-项集来寻找候选k-项集，并逐一判断产生的候选k-项集是否是频繁的。 设C k 是长度为k的候选项集的集合，L k 是长度为k的频繁项集的集合。为了简单，设最小支持度阈值min_sup为最小元组数，即采用最小支持度计数。输入：事务数据库D，最小支持度阈值min_sup。 输出：所有的频繁项集集合L。 方法：其过程描述如下：通过扫描D得到1-频繁项集L1; for (k=2;Lk-1!=Ф;k++) { Ck=由Lk-1通过连接运算产生的候选k-项集; for (事务数据库D中的事务t) { 求Ck中包含在t中的所有候选k-项集的计数; Lk={c | c∈Ck and c.sup_count≥min_sup}; //求Ck中满足min_sup的候选k-项集 } } return L=∪kLk;这是通过Apriori计算最大频繁项集 和 计算强关联规则的题目要求为超过最小支持度 最小支持度的计算很简单即为Apriori优化基于散列的Apriori基于散列的Apriori技术基于Apriori算法， 为了解决此算法在数据集较大的情况下候选项集数量爆炸的问题 以及支持度计数效率低下的问题基于散列的优化：在生成候选项集时，通过哈希函数映射分桶 每个桶记录频数 如果桶中的频数小于最小支持度的阈值 则该桶中所有项集可以直接剪枝因为通过哈希函数可以快速找到相应的桶，所以计算效率较高h(x,y)=(hash(x)+hash(y))modn哈希树分组算法题目FPgrowth条件模式基的寻找在FPtree的项目里倒着找，沿着虚线将出现的频次进行统计，，写出条件模式基条件FP Tree沿着条件模式基画FP Tree 记得剪去最小支持度不够的项频繁项集将条件FPtree与项进行组合 得到频繁项集列式计数Apriori算法使用垂直数据格式挖掘频繁项集关联模式挖掘超集包含了另一个集合中所有元素的集合为超集闭模式一个频繁项集 没有任何它的超集具有与他相同的支持度也就是不被冗余覆盖的核心模式闭模式显著减少了需要存储的频繁模式数量可以推导出所有频繁模式及其支持度极大模式没有频繁的超集极大模式只保留频繁模式中“最大”的部分无法还原所有频繁模式的支持度信息序列模式序列模式是指诸如此类的模式，其项中包含多个项，在计数时，相同项仅计数一次聚类好的聚类方法产生高质量的聚类结果要求高类内相似性 高内聚低类间相似性 低耦合能够发掘隐藏模式 有价值聚类的好坏在于：相似度测量方法不同尺度 不同类型的距离函数设计不同主要聚类方法基于代表点的聚类代表性方法：kmeans kmedians kmedoids CLARANS层次方法基于准则对数数据层次分解代表性方法：Diana Agnes BIRCH CAMELEON基于密度的方法代表性方法：DBSACN OPTICS DENClue基于网格的方法代表方法：STING WaveCluster CLIQUE基于模型的方法代表性方法：EM SOM COBWEB聚类评估方法(概率低)熵不考哈熵 ：可以反馈特征子集的聚类质量经验法肘方法交叉验证基于代表点聚类K meanskmedians选取代表点选取中值 对异常点不那么敏感Kmedoids从非代表点中随机选取点代替中心点集合中的某个点，重新划分 诸葛尝试 选择最优PAM1不受离群点数据影响2适于处理小数据集CLARA(小概率)基于抽样的方法 找到最优中心点集为目标CLAEANS（小概率）采样并随机选择层次聚类AGNES凝聚法不断将簇进行合并 最后得到所有合并后的集合为止DIANA法分裂法BirchCHAMELEON基于密度聚类发现任意形状簇Discover clusters of arbitrary shape能容忍噪音Handle noise一边扫描One scan需要以密度相关的参数作为终止条件DBSCAN原理： 对象的密度可以用靠近该对象的节点数量表示。 找出核心对象和其邻域，形成稠密区为簇参数：Eps ： 邻域半径MinPts ： 邻域半径内的最小节点数 判断是否为核心节点的阈值核心节点q 满足|N_Eps (q) | ≥ MinPts核心节点扩展区域 边缘节点定义边界或者OPTICS（可能不考）定义了两种距离，核心距离与可达距离对于不同对象可能有不同的可达距离DENCLUE（大概率不考）引入影响函数与密度函数的概念进行聚类离群点检测离群点Outlier:以一种不同机制产生的不同于大多数据表现的不正常的数据。如：虚假行为，电信诈骗，医药分析，网络攻击，等。与噪音数据区别噪音数据是错的数据是一个测量变量中的随机错误或误差 包括错误的值 偏离期望的孤立点噪音数据在数据处理前已经被移除。分类全局离群点情境（条件）离群点今天的最高温度是-15度集体离群点数据对象的子集形成集体离群点例如:一些计算机之间频繁发送信息离群点特征有趣的 少量的基于离群点方法检测出的离群点不能对应真正的异常行为只能为用户提供可疑数据基于密度的方法直方图通过直方图找到核密度估计确定数据中的稀疏区域以便报告异常点基于概率的方法极值：对应概率分布的统计尾部识别模型低概率区域中的对象一元离群点检测根据概率密度函数进行基于距离的方法基本思路数据集中显著偏离其他对象的点根据每个点在局部区域上的密度和其邻近点的密度来判断异常程度基于聚类的方法检测方法建立正常模型离群点为不能正常符合这个模型的数据点将异常数据度量为数值分数越大越可能是离群点形式基于聚类产生簇寻找远离簇的数据点考虑对象和它最近簇之间的距离半监督学习结合聚类与分类检测离群点先基于聚类识别正常簇，然后使用这个簇的一类模型识别离群点
-
计算机网络期末复习 计算机网络计算机网络概念篇小碎点互联网服务提供者ISP ，可以是中国电信、中国移动、中国联通1Byte = 8 bit表示速率时 k = $10^3$表示数据量时 K = $2^{10}$数据量一般是KB 速率一般是kb/s总时延 = 发送时延+传播时延+处理时延+排队时延按照传输方向分类单工：只能单方向双工：在同一时间，线路上只能允许一个方向的数据通过全双工：双方可以同时进行数据通信OSI参考模型工作原理：应用层通过应用进程交互完成特定网络应用 交互的数据单元为报文运输层为两台主机中进程之间的通信提供数据传输服务 网络层为分组交换网上的不同主机提供通信服务 使用分组或数据报为数据单元数据链路层在相邻接点之间传送数据帧物理层实现比特传输物理层单位：bit 利用传输介质，网络结点之间建立数据链路层单位：帧 物理层基础上，提供节点到节点之间的服务，差错检测、流量控制网络层单位：分组 数据链路层基础上提供点到点之间的通信，提供路由功能，拥塞控制、网络互联传输层提供端到端之间的数据传输服务，实现对数据进行控制与操作的功能会话层负责维护通信中两个节点之间的会话建立维护和断开以及数据的交换表示层用于处理交互数据的表示方式，例如格式转换、数据加密与解密，数据压缩等功能应用层使用应用程序通过网络服务TCP/IP参考模型网络接口层物理层和数据链路层网际层网络层传输层传输层应用层会话层 表示层 应用层物理层四大特性机械特性 电气特性 功能特性 过程特性调制将任意信号转化为模拟信号编码将任意信号编码为数字信号传输介质双绞线屏蔽双绞线 STP抗干扰强、贵一些非屏蔽双绞线 UTP便宜、抗干扰差光纤单模光纤多模光纤(Multi Mode Fiber) － 芯较粗(50或62.5μm)，可传多种模式的光。距离：2KM多模光纤单模光纤(Single Mode Fiber)：中心纤芯很细(芯径一般为9或10μm)，只能传一种模式的光。因此，其模间色散很小，适用于远程通讯，但还存在着材料色散和波导色散，这样单模光纤对光源的谱宽和稳定性有较高的要求，即谱宽要窄，稳定性要好。距离：100KM复用技术频分 时分 码分 波分传输方式基带传输：传输数字信号频带传输：传输模拟信号ICMP控制报文协议 是TCP/IP的子协议，用于在主机、路由器之间传递控制消息控制消息是指网络通不通，主机是否可达Ping的过程实际上就是ICMP协议工作的过程ARPIP地址解析成MAC地址虚电路面向连接进行数据传输，类似线路交换，但是并没有物理的电路建立虚拟电路后 沿着相同的VC传输 发收顺序完全相同 传输完毕后进行释放较适合站点之间大批量的数据传输冲突域冲突域就是所有节点竞争同一带宽 一般认为一个集线器就是一个冲突域交换机上一个连接就是一个冲突域
-
