好急好急的Hexo博客

N2考试题型 N2日语能力考试JLPT 题型详细说明 能力考考试攻略_哔哩哔哩_bilibili 语法 首先是hero老师的： N5蓝宝书：12.5h 蓝宝书N4：8.5h N3蓝宝书：18.5h N2蓝宝书 part1、N2蓝宝书 part2、N2蓝宝書 part3：4.5h+30h+11h 还有搜罗到的考前急救系列（似乎每年考前都会更新）：25年7月N2急救系列 词汇 【日语|无敌绿宝书N2词汇】无例句精简版|读两遍(持更)_哔哩哔哩_bilibili 配合无敌绿宝书 新日语能力考试 N2词汇 | 李晓东, 沈英莉 | download on...

概述 安全等级 《可信计算机系统评估标准》将操作系统、网络组件和可信应用程序所提供的安全保护等级分为4大类，7小类，从高到低为： A1、B3、B2、B1、C2、C1、D。 目前尚没有任何操作系统满足A1等级；仅有很少一部分操作系统满足B等级；C2等级被认为针对通用操作系统来说已经足够安全的了。（目前的Windows、MAC、IOS等系统均是C2等级） D级，最低保护（Minimal Protection） 没有通过其他安全等级测试项目的系统即属于该级，如DOS、Windows 9x系统 C级，自主访问控制（Discretionary Protection） 系统客体（被访问的，如文件、目录）可由系统主体（能够发起行为的，如用户、应用程序）自主定义访问权。例如：管理员可以决定系统中任意文件的权限。 客体的权限是可以自主决定的。 B级，强制访问控制（Mandatory Protection） 由系统强制对客体进行安全保护，每个系统客体（如文件、目录等资源）及主体（如系统管理员、用户、应用程序）都有自己的安全标签（Security...

可证明安全理论 公钥加密算法的安全性定义 基本概念 安全参数与多项式时间 安全参数 λ（Security Parameter）：衡量攻击者破解密码方案的难度。λ越大，系统越安全。 例子 ：λ=128时，攻击者至少需要2¹²⁸步操作才能破解（相当于宇宙中原子总数的量级）。 安全参数的两种类型 ： 计算安全参数 ：破解所需的计算量。例如分解大整数n的难度≈2logn2^{log n}2logn，若n是2048位，计算量≈210242^{1024}21024。 统计安全参数 ：攻击成功的概率。例如暴力破解128位密钥的概率是12128\frac{1}{2^{128}}21281​，几乎为0。 λ的多项式大小：存在常数c和某个λ’，当λ足够大时，任何多项式函数poly(λ) ≤ λᶜ。 例如，poly(λ)=λ1.5λ^{1.5}λ1.5 或$ 4λ^{10}+λ^3+1$，它们最终都会被某个λᶜ（如λ¹¹）超过。 在密码学中，多项式增长（即λ^n）被视为“可接受”，指数增长（如2^λ）则不可接受。 多项式时间算法：算法运行时间是输入长度 的多项式，而非输入数值...

原文章链接：[Improving Real-world Password Guessing Attacks via Bi-directional Transformers](Improving Real-world Password Guessing Attacks via Bi-directional Transformers | USENIX) 概述 密码猜测攻击可视为对文本令牌概率分布的近似建模。自然语言处理（NLP）中的双向Transformer因其能利用双向上下文捕捉文本细微特征的能力，为密码猜测提供了新思路。本文提出了一种基于双向Transformer的密码猜测框架PassBERT，采用“预训练-微调”范式，首先生成预训练密码模型以学习通用密码分布，随后针对以下三类现实攻击场景设计微调方法： 条件密码猜测（CPG）：基于已知的密码策略或用户行为规律生成猜测列表，利用规则缩小搜索范围。 场景：某公司密码策略要求“8位以上，包含大写字母和数字”。 攻击方法：生成 Pass1234、Hello2023...

什么是生成式 所有的网络功能可以分为两种，一种是判别式的，给定一个输入x，其会输出一个固定的y；另一种是生成式的，此时的输入除了x，还会有一个随机性的z： 在这里z的分布应当比较简单（可以用函数式来表示） 由于z随机，输出的y也具有随机性，可以看作是一个复杂的分布 我们把这样的网络称为Generator生成器。 这样的网络是为了解决这种情况：同样的输入应该有不同的输出，而这些不同的输出都是正确的。或者说这个模型是带点创造力在的。 Unconditional...

Transformer与self-attention间的关系 Transformer 是一种基于 self-attention 机制的深度学习架构，主要用于自然语言处理任务。Transformer 的典型结构包括编码器（Encoder）和解码器（Decoder），其中每个编码器和解码器层都使用了 self-attention 机制。 使用 self-attention 的 Transformer...

什么是Self-attention Self-attention用于解决输入是许多向量的情况（向量个数不固定），即sequence。比如在NLP中，我们的输入是一个句子，把句子中的每一个单词看成一个向量，那么这个句子就是诸多向量的集合；并且由于句子长度会变化，这个集合的大小也会变。 这种模型输出可能有3种： 每个向量都对应一个输出，输入和输出的长度一致。每个输出可以是数值（Regression），可以是类别（Classification）。这种输出模式称为Sequence Labeling。 比如说NLP中的词性标注，每一个单词都对应一个词性就适用这种输出。 整个向量集合就一个输出。 比如去判断某句话是positive还是negative就适用这种输出。 输出数由模型自己决定，这种任务即seq2seq的任务。 比如翻译任务，输入和输出是不同的语言，就属于seq2seq的任务。 Self-attention怎么架构？ 下面的介绍都以Sequence...

CNN属于网络架构的一种，其一般被用于影像领域。 如何去做图像分类 图片在计算机中的存储通常是以3维张量来进行的。例如一张图片是100像素*100像素，每个像素由RGB3个channel组成（这个数值代表这个颜色的强度）；那么要表示这张图片就需要3⋅100⋅1003\cdot100\cdot1003⋅100⋅100个数据。我们将这些数据做成应该向量作为神经网络的输入。 那么就会面临一个问题：例如第一层的神经元共1000个，输入向量为3⋅100⋅1003\cdot100\cdot1003⋅100⋅100个，那么光第一层所需要的weight数量就高达3⋅100⋅100⋅1000=3⋅1073\cdot100\cdot100\cdot1000=3\cdot10^73⋅100⋅100⋅1000=3⋅107个，这样会拖慢训练进度，还容易造成过拟合。 因此我们需要进行优化： 和人眼一样，图片分类时机器也只需要关注这张图片中最关键的部分就可以了。因此每个神经元的输入不需要是完整的图片。 我们为每个神经元分配一个Receptive field，该神经元只需要输入该Receptive...

这节的Classification分类，指的是函数的输出是从给定的几个选项中选取的。 如何做好机器学习？ 首先需要判断在训练集上的Loss大小： 如果训练集Loss偏大，那就是Model Bias或者优化的问题 Model...