博客 RSS 訂閱

u_17587833 頭像

mb6923acc0735dc - 鴻蒙分佈式安全通信：跨設備身份認證與數據加密傳輸

引言：分佈式環境下的安全挑戰 在鴻蒙分佈式生態中，設備間的安全通信是構建可信協同體驗的基石。想象一下這樣的場景：手機與平板協同處理辦公文檔，智慧屏調用攝像頭進行視頻會議，車機系統同步手機導航數據——這些分佈式操作都面臨着嚴峻的安全挑戰：如何防止設備偽裝攻J？如何保障敏感數據不被竊取？如何確保跨設備通信的完整性和機密性？ 鴻蒙分佈式安全通信框架通過雙向身份認證、端到端加

雙向認證 , 序列號 , 移動開發 , 密鑰交換 , Android , harmonyos

收藏 評論

u_17587833 頭像

mb6923acc0735dc - 分佈式硬件池化：跨設備攝像頭、傳感器能力協同

引言：超級終端時代的硬件資源共享 在鴻蒙生態中，"超級終端"不僅是一個概念，更是通過分佈式硬件池化技術實現的革命性體驗。想象一下這樣的場景：用手機的攝像頭進行視頻會議，同時調用平板的麥克風陣列獲得更好的收音效果，再利用智慧屏的傳感器檢測環境光線自動調節畫面亮度。這種跨設備的硬件能力協同，正是鴻蒙分佈式硬件池化的核心價值。 分佈式硬件池化打破了單一設備的物理限制，將多個

自適應 , 移動開發 , 數據 , Android , Harmony , 流媒體

收藏 評論

u_13637423 頭像

Shelley0415 - SharePoint 2019 配置踩坑：Configuration DB 創建失敗的解決方案

51CTO博客鏈接：https://blog.51cto.com/u_13637423 今天給大家分享一個 SharePoint 2019 部署時遇到的經典坑 —— 配置數據庫創建失敗，記錄下來幫大家避坑～ 在運行 SharePoint Products Configuration Wizard 配置新場時，走到創建配置數據庫（Configuration Databa

Office 365 , 雲計算 , Configure DB 失敗

收藏 評論

u_17587833 頭像

mb6923acc0735dc - HarmonyOS內核機制：事件循環、消息隊列與底層調度原理

引言：為什麼需要深入理解內核機制？ 在鴻蒙應用開發中，我們經常遇到這樣的場景：UI界面需要保持流暢響應，同時後台要進行大量數據處理；或者需要實現跨設備任務協同，保證多個設備間的任務有序執行。這些功能的實現，都離不開鴻蒙內核的事件循環、消息隊列和任務調度機制。 鴻蒙系統通過EventRunner + EventHandler體系構建了高效的消息隊列機制，配合優先級驅動調

優先級 , 移動開發 , Android , 消息隊列 , harmonyos , ui

收藏 評論

dhan 頭像

竹等寒 - 如何開始微信小程序滲透？

目錄 工具推薦 反編譯wxapkg 動態調試WeChatOpenDevTools 小程序所在目錄 如何逆向小程序的js加解密 靜態分析 動態調試 動靜結合 工具推薦 反編譯wxapkg https://github.com/wux1an/wxapkg 微信小程序反編譯工具，這個工具進

網絡安全

收藏 評論

u_13969817 頭像

u_13969817 - 解決 SharePoint 2019 安裝中 “Microsoft Identity Extensions” 依賴異常的方案

51 CTO 博客： 在部署 SharePoint 2019 時，安裝程序彈出 “Setup Errors” 提示，包含如下報錯： 即使嘗試通過 SharePoint 安裝嚮導的 “Install software prerequisites” 選項安裝依賴，依然會卡在 “Microsoft Identity Extensions” 的安裝步驟，提示已經安裝完

SharePoint 2019 , 雲平台 , 雲計算 , Windows Identity 部署錯

收藏 評論

wintersun 頭像

PetterLiu - Z-Image圖像生成模型發佈與競品

1. 引言 當前，高性能文本到圖像（Text-to-Image, T2I）生成模型市場呈現出一種根本性的二元格局。一方面，是以Nano Banana Pro、Seedream 4.0為代表的專有（閉源）商業模型，它們性能強大，但其技術實現被封裝於“黑盒”之內，限制了社區的研究與創新。另一方面，則是以Qwen-Image、Hunyuan-Image-3.0為代表的開源模型，它們雖然推動了技術的普及

AI

收藏 評論

u_13969817 頭像

u_13969817 - 解決 SharePoint 2019 安裝時 “待重啓” 錯誤的註冊表方案

51 CTO 博客：https://blog.51cto.com/13969817 最近接了一個SharePoint 2019 優化的項目，為了解決目前客户現有的問題，我們部署了一個模擬仿真環境，但工程師在部署SharePoint 2019時，遇到如下錯誤： 疑似是之前的安裝或者更新有一個待處理的系統重啓，但實際上已經重啓過很多次了，這個錯誤仍舊反覆重現，導致

雲平台 , 雲計算 , 反覆重啓系統 , SharePoint 2019 出錯

收藏 評論

xjsunjie 頭像

xjsunjie - 油氣行業高質量數據集落地建設路徑思考

在油氣行業，數據質量問題不是“可選項”，而是生存底線。一次錯誤的井位決策可能損失上億美元，一個誤判的管道風險可能引發環境災難。然而，高質量數據集在該行業的落地，遠比製造業或金融業更為艱難。其根源不在工具，而在行業固有的複雜性、數據鏈的斷裂性，以及長期形成的“經驗至上”慣性。 本文結合最新實踐，提出一條適配油氣行業特性的高質量數據集建設路徑——它必須尊重工程現實，承認沉默成本

數據集 , 數據 , 數據質量 , 人工智能 , 數據分析

收藏 評論

u_14306318 頭像

咚咚王哲 - 人工智能之數據分析 Matplotlib：第六章 知識總結

人工智能之數據分析 Matplotlib 第六章 知識總結 (文章目錄) 前言 本文對之前的關於matplotlib的知識進行系統性總結，便於知識梳理和歸納，為後續打好基礎，或者面試使用 一、核心架構 Matplotlib 採用 三層架構： Backend（後端） 負責圖形渲染和輸出（如 T

子圖 , yyds乾貨盤點 , 面向對象 , 人工智能 , 數據分析 , Python

收藏 評論

u_16213356 頭像

mob64ca12de62a6 - ollama服務的模型文件存儲在哪裏

在處理“ollama服務的模型文件存儲在哪裏”這個問題時，我經歷了一些探索和調試的過程。這個過程不僅揭示了服務的底層邏輯，還為我提供了豐富的實踐經驗。下面是我所整理的解決步驟和思考過程。 背景定位 在2023年初，隨着機器學習應用的迅速增加，我們開始接觸“ollama”服務。這個服務在全公司乃至行業中都變得越來越重要，使用它提供的模型有助於完成各種任務。不過，我發現團隊在使用這個

日誌文件 , 配置文件 , aigc , ci

收藏 評論

orion-orion 頭像

orion-orion - 學習理論：凸代理、代理與估計誤差界

這學期參加了同研究科的田中研的讀書會，所選的是近年出的較新的書《Learning Theory from First Principles》[1]： 作者Francis Bach是COLT2025的keynote speaker[2]。我承擔了4.1-4.4部分（這周做了分享），該部分和我目前的科研方向比較相關。下面是我結合自己的科研的一些心得和筆記。 1 導引 給定\(\mathcal{X}\

AI

收藏 評論

sunboytpb 頭像

SunboyTPB - 嗨~這是我的第一篇博客

首先非常感謝博客園平台能夠提供這麼一個友好的交流環境。 自我介紹一下……也沒什麼可以介紹的，反正本人就是SunboyTPB了。 本人在博客園想跟大家互相交流分享一下鴻蒙（HarmonyOS）軟件開發的經驗。 順帶一提，也可以互相交流一下別的方面的一些話題。～(∠・ω )⌒★ 當時HarmonyOS 3.0發佈的時候華為就發佈ArkTS這個語言來着，之前的HarmonyOS開發用的是類JS語言

移動端開發

收藏 評論

u_17578007 頭像

wx690f565d7bc78 - Python排序算法的穩定性及其彙總

Python 排序算法的穩定性及其彙總 排序算法的穩定性是指：在排序過程中，對於序列中相等元素，其原始相對順序是否保持不變。若保持不變則為穩定排序，否則為不穩定排序。 穩定性在實際開發中至關重要（如多關鍵字排序、保留原始關聯信息等場景）。本文將系統梳理 Python 中常用排序算法的穩定性、原理、實現及應用場景，幫你快速理清各類算法的核心差異。 一、先明確：穩定

排序算法 , MySQL , 數據庫 , 穩定排序 , Python

收藏 評論

u_14306318 頭像

咚咚王哲 - 人工智能之數據分析 Matplotlib：第五章 常見函數

人工智能之數據分析 Matplotlib 第五章 常見函數 (文章目錄) 前言 在 Matplotlib 中，除了常用的 plot、scatter、bar 等繪圖函數外，還有一些圖像處理和樣式控制相關的常用函數，如 imshow、imsave、imread，以及解決中文顯示問題的方法。此外，Seaborn 作為基於 Matplotlib 的高級可

yyds乾貨盤點 , 人工智能 , 數據分析 , 中文顯示 , Image , Python

收藏 評論

u_16237826 頭像

軟件求生 - Java 也能玩高質量 AI 繪圖？SpringAI + Azure OpenAI 真香警告！

大家好吖，我是你們 31 歲、還在持續折騰技術的小米。最近幾天我沉迷了一件事——用 Spring AI + Azure OpenAI 做圖像生成，越玩越停不下來。 你有沒有這種感覺： 當年我們還在研究“怎麼優化圖片加載速度”，結果現在直接一句 prompt，AI 就幫你把圖畫好。不僅會畫，還會理解你的意圖，甚至能幫你畫得更好。 而且！S

機器學習 , 封裝 , yyds乾貨盤點 , azure , 人工智能 , JAVA

收藏 評論

u_11395103 頭像

wowwow0607 - AI Agent 功能與特點解析

什麼是AI Agent AI Agent 可以理解為一個能獨立完成任務的小助手。它就像一個有腦子的工具，能根據你的需求自己動起來，不需要你一步步指揮。 舉個例子： 你讓外賣軟件訂餐，它自動選餐廳、下單、跟蹤配送——這就是個簡單的Agent 更智能的版本可能會根據你的飲食習慣推薦菜品，或者在送餐延遲時主動聯繫店家 這類工具的核心特點

補全 , MySQL , 聊天機器人 , 數據庫

收藏 評論

u_11683561 頭像

sweetoneday - 人工智能丨deepseek是什麼？我們能用它來做什麼？

DeepSeek（深度求索）是一家專注實現AGI（通用人工智能）的中國科技公司，成立於2023年。它致力於通過探索AGI核心技術，提供高效、低成本的大模型解決方案，並在多模態理解、長文本處理、代碼生成等領域表現突出。 DeepSeek 的核心產品與技術 大模型系列： DeepSeek-R1：專注長文本理解和複雜推理的對話模型，支持超長上下文（如32萬t

數據 , 自動生成 , 應用場景 , 前端開發 , Javascript

收藏 評論

u_17591833 頭像

Jc_rich - 學習編程讓思維更富有邏輯

✍ 1. 自我介紹 我是一名工專學生，對技術和互聯網方向非常感興趣。雖然我的編程基礎還在起步階段，但我對新知識充滿好奇，也願意通過不斷學習讓自己成長。 🎯 2. 我的編程目標 我的目標很明確： 掌握至少一門主流編程語言（如 C、C++、Python 或 Java） 能夠獨立完成簡單項目和課程設計 逐漸建立編程思維，提高解

小遊戲 , it , 技術人為什麼要寫博客？ , 代碼人生 , 調試程序

收藏 評論

u_11644109 頭像

kexiaojun1 - MongoDB mgo 驅動操作內嵌數組文檔：查詢、更新與刪除實踐指南

探討了在mongodb中使用`mgo`驅動高效管理內嵌文檔數組的方法。針對複雜的文檔結構，我們將詳細介紹如何利用`$elemmatch`進行特定元素的查詢投影，以及如何結合定位操作符（`$`）和`$set`、`$pull`等操作符實現對數組中內嵌文檔的精準更新與刪除。通過go語言`mgo`示例代碼，讀者將掌握在不拆分集合的前提下，優化內嵌文檔操作的實用技巧。 理解Mongo

數組 , MySQL , 數據庫 , 2d , Json

收藏 評論

u_14535797 頭像

wx5d7321c78b265 - php怎麼安裝_PHP環境搭建的詳細步驟與注意事項

PHP環境搭建主要有集成環境、手動配置和容器化三種方案。集成環境（如XAMPP）安裝簡便，適合新手快速上手，但靈活性差；手動配置（如Ubuntu下用apt安裝Apache、PHP、MySQL）可控性強，適合生產環境，但複雜度高；容器化（如Docker）兼具隔離性與一致性，利於團隊協作和部署，但資源消耗大且學習成本高。關鍵配置包括php.ini中的時區、內存限制、文件上傳

大數據 , php , hive , apache

收藏 評論

u_11543695 頭像

王廣緒 - （Multi-Node NvLink）、NCCL超節點集合通信

NCCL、ACCL等集合通信庫發展的早期，並沒有超節點（SuperNode/SuperPod）的概念，這些集合通信庫是如何支撐超節點集合通信的？ AllReduce、AlltoAll等集合通信，是現在大模型訓練/推理必不可少的底層支撐。並且隨着大模型參數量不斷上升，對集合通信性能的要求越來越高，超節點（SuperNode/SuperPod）應運而生。 哈哈哈，本文分享

多級 , 服務器 , 移動開發 , 多節點 , ios

收藏 評論

u_11117078 頭像

葉梓梓 - 可解釋AI的公理化方法：Shapley值與交互指數的公理衝突

可解釋AI的公理化方法：Shapley值與交互指數的公理衝突 引言：可解釋AI的數學基礎危機 在人工智能決策日益影響人類生活的今天，模型可解釋性已從"錦上添花"變為"不可或缺"。然而，當前最流行的Shapley值解釋方法正面臨深刻的數學危機——其核心公理體系內部存在不可調和的衝突。研究表明，超過60%的工業級AI應用在使用Shapley值進行特徵歸因時，遭遇了交互效應導致的解釋不

微信開發 , List , 移動開發 , ci , Python

收藏 評論

u_17354656 頭像

優信電子 - 基於STM32F103驅動ADS1118 16位 ADC模塊採集四單端 兩差分信號

(文章目錄) 一、ADS1118模塊簡介   ADS111x是一款精密、低功耗、16位DELTA-SIGMA（∆-Σ）模數轉換器(ADC)，提供測量採用超小型VSSOP-10封裝的傳感器最常見信號所需的所有功能。ADS111x集成了可編程增益放大器(PGA)、電壓基準、振盪器；其中ADS1115帶數字比較器輸出；ADS1118帶高精度温度傳感器。這些功能以及2V至5.

yyds乾貨盤點 , ADS1118驅動 , ADS1118模數轉換模塊 , 物聯網 , 16位ADC模塊 , STM32單片機

收藏 評論