Cafe

【ACL 2019】揭秘认知图谱！从多跳阅读理解问答开始 Phoenix Cat 劝退人工智能新天坑 “机器的阅读理解与问答”一直以来被认为是“自然语言理解（NLU）”的核心问题之一，随着BERT等模型的兴起，单段落的简单阅读理解任务取得了重大突破；研究者将目光转向更能体现机器智能的“多跳”“复杂”情形。本篇论文介绍了基于认知中“双过程理论（dual process theory）”的CogQA模型，文章提出一种新颖的迭代框架：算法模拟认知学中人类的两个认知系统，并维护一张认知图谱（Cognitive Graph），系统一在文本中抽取与问题相关的实体名称并扩展节点和汇总语义向量，系统二利用图神经网络在认知图谱上进行推理计算。文章在HotpotQA全维基百科数据集上持续占据第一近三个月之久，直到文章在被ACL高分接收后公开。 假设你手边有一个维基百科的搜索引擎，可以用来获取实体对应的文本段落，那么如何来回答下面这个复杂的问题呢？ “谁是某部在2003年取景于洛杉矶Quality cafe的电影的导演？” 很自然地，我们将会从例如Quality cafe这样的“相关实体”入手，通过维基百科查询相关介绍，并在其中讲到好莱坞电影的时候迅速定位到“Old School”“Gone in 60 Seconds”这两部电影，通过继续查询两部电影相关的介绍，我们找到他们的导演

金融行业正在流淌着一股去IOE，去集中化的IT架构转型洪流。我有幸参与到这股洪流中，见证这一重大变革。以下是我对这股洪流的一些思考和想法。 1.当前主流金融的IT架构 众所周知，目前大部分金融机构的IT架构还是以“IOE”的IBM大小型机，Oracle数据库，EMC存储为基础的集中式架构。这种架构有以下优点： 成熟度高 可靠性高 可用性高 这些产品目前承载着世界上众多金融行业的核心系统，而这些产品的厂家在这个领域有几十年的积累，产品的成熟度，可靠性，可用性可见一斑。 不过这种架构也有三大缺点： 第一个就是成本高。硬件，软件，服务都价格不菲。这些费用在金融机构躺着赚钱的时代还是可以接受的，但是在现在以及未来瞬息万变的时代，金融机构的经营形势会越发趋紧，那么这一块IT架构支出就会成为金融机构的负担。 第二个就是IOE的东西都是黑盒，其核心科技就像一个迷。万一再来一个类似“棱镜门”，“华为门”的“IOE门”，金融IT架构的处境可想而知。虽说可能性不大，但是不怕一万就怕万一。所以，自主可控才不会受制于人。 第三个就是可扩展性较差。这种架构无法做到快速，无限制的扩展。之前也提到，未来是瞬息万变的时代，消费模式会从工厂生产什么，消费者消费什么的模式转变到消费者海量碎片化需求主导的模式。那么IT架构需要能支持随时扩展以便适应业务的快速发展。 2.新金融的IT架构 为了避免集中式架构的三大缺点

原文链接： Lazarus on the hunt for big game 译者：知道创宇404实验室翻译组 毫无疑问，2020 年将成为历史上令人不愉快的一年。在网络安全领域，针对目标的勒索软件攻击日益增加，集体的伤害就更加明显。通过调查许多此类事件，并通过与一些值得信赖的行业合作伙伴讨论，我们认为我们现在对勒索软件生态系统的结构有了很好的了解。 勒索软件生态系统的结构 犯罪分子利用广泛传播的僵尸网络感染（例如，臭名昭著的 Emotet 和 Trickbot 恶意软件家族）传播到受害者和第三方开发者的勒索软件“产品”的网络中。当攻击者对目标的财务状况和IT流程有充分了解后，他们就会在公司的所有资产上部署勒索软件，并进入谈判阶段。 这个生态系统在独立、高度专业化的集群中运行，在大多数情况下，除了业务联系之外，这些集群彼此之间没有联系。这就是威胁行为者的概念变得模糊的原因：负责最初破坏的组织不太可能是破坏受害者的 Active Directory 服务器的一方，而该服务器又不是事件中实际使用的勒索软件代码的一方。更重要的是，在两起事件中，同一罪犯可能会交换业务伙伴，并且可能利用不同的僵尸网络或勒索软件家族。 当然，没有一个复杂的生态系统可以用一套单一的、严格的规则来描述。在本文中，我们描述了2020年3月至2020年5月之间进行的两次调查中出现的异常之处。 事件一：VHD 勒索软件

现在有超过1亿美元的 BTC 在以太坊经济中流通。虽然这只占 BTC 总市值的一小部分，但不可否认的是，这种趋势正在增长。最终，以太坊将充当全球金融资产的引力井，而比特币是第一个“受害者”。 为何？因为去中心化金融 (DeFi)。随着 Compound、Maker 和其他一些 DeFi 应用开始使用比特币作为抵押品提供无须许可的金融服务，人们正在选择将自己的原生 BTC 迁移到以太坊网络，以利用该网络上可以获得的任何价值捕获范围。我的意思是，现在谁还想干坐着坚定持有 BTC 呢？无聊。 他们通过存入 BTC 并以 1:1 的价格兑换成以太坊上的 ERC20 代币来实现这一点，因此这些代币实际上与 BTC 挂钩。这些以太坊化的 BTC 有着很多表现形式，从更加中心化的 WBTC 到更加无须许可的 renBTC 等等。 最近几周 BTC 最大的引力井是 Compound。在6月中旬推出了 COMP 流动性挖矿之后，这个借贷协议中锁定的 BTC 价值已经迎来了巨大的增长。 MakerDAO开启了这一趋势 Maker 是以太坊网络上 BTC 数量飙升的最初推动因素，Maker 于今年5月将 WBTC 增加为 DAI 抵押品。虽然 WBTC 已经达到了其 1,000 万 DAI 的债务上限，导致锁定在 Maker 中的新 BTC 数量处于低潮。 但这并不会持续多久，因为 MKR

1-JVM基础 java源码文件，通过javac 转换成class文件。 找到.java文件 词法分析器 tokens流 语法分析器 语义分析器 字节码生成器 转成.class文件 装载 根据全限定路径名寻找class文件，转换成二进制流。 通过ClassLoder.load(String name)（类装载器，name：全限定路径名） 不同路径下的类，设置不同路径的类装载器。 Bootstrap ClassLoader（根装载器由C语言编写）：加载 $JAVA_HOME 中的 jar/lib/rt.jar 里所有的class或 Xbootclassoath 选项指定的jar包 Extension ClassLoader：加载Java平台中扩展功能的一些jar包，包括 $JAVA_HOME 中 jar/lib/*.jar 或 -Djava.ext.dirs 指定目录下的 jar 包 App ClassLoader：加载classpath中指定的jar包及 Djava.class.path 所指定目录下的类和 jar 包 Custom ClassLoader（自定义装载器改变装载原则，如Tomcat打破双亲委派机制）：通过 java.lang.ClassLoader 的子类自定义加载class，属于应用程序根据自身需要自定义的 ClassLoader ，如 Tomcat 、

摘要 　　这篇论文提出一种用于目标检测的Fast R-CNN算法。Fast R-CNN建立在之前的研究工作，使用深度卷积网络来高效的分类目标提案。相比于之前的工作，Fast R-CNN采用了一些创新来提高训练和测试的速度，同时也提高了检测的准确率。Fast R-CNN训练深度VGG16网络比训练R-CNN快9倍，在测试时快213倍，并且在PASCAL VOC 2012数据集上获得了一个更高的平均平均准确率（mAP）。和SPPnet相比，Fast R-CNN训练VGG16比它快3倍，测试时快10倍，并且更加准确，Fast R-CNN采用python和C++（Cafe）实现， 开源代码 。 1 引言 　　目前，深度卷积网络已经明显的提高了图像分类和目标检测的准确率。相比于图像分类，目标检测则是一项更具挑战性的任务，它需要更加复杂的方法来解决。由于这种复杂性，目前多级管道中所获得的模型速度缓慢而且粗糙。 　　复杂性的产生是由于检测需要对目标进行精确的定位，这就产生了两个主要的挑战。第一，必须处理大量的候选目标位置（通常称为“提案”）；第二，这些候选目标位置仅提供一个粗略的定位，这就必须对其进行改进以提供更加精确的定位。解决这些问题往往会影响速度、准确性和简单性。 　　在本文中，我们简化了最先进的基于卷积神经网络的目标检测器的训练过程，我们提出了一种单级的训练算法

Mybatis(三) 一. MyBatis - P OJO 1. 简述及和JavaBean区别 例如：User类中有birthday生日，查询条件中却有“开始时间”和“结束时间” 为了业务，为了 封装新数据 ，创建一个新JavaBean对象：POJO对象 JavaBean：封装数据 / 可以替service分担一些业务代码 POJO：简单JavaBean，仅用作封装数据 举例说明: (1) 需求说明 查询 生日在“2019-02-01” 至 “2020-02-01” ，并且地址“潘多拉” SELECT * FROM USER WHERE birthday BETWEEN '2019-02-01' AND '2020-02-01' AND address='潘多拉'; (2) 分析 封装的数据有： 开始日期：startDate 结束日期：endDate 地址：address 创建一个新的JavaBean- POJO: 包含User对象 (3) 代码实现 User Vo ： （POJO） public class UserVo implements Serializable { //包含之前JavaBean的对象 private User user ; private String startDate ; private String endDate ; //get/set/有参/无参

KubeCon China 2019 大会上， Serverless 应用服务正式亮相，在 SOFAStack 工作坊吸引了百余名参与者同场体验。 市场观察 当我们回顾云计算的发展历程，会看到基础架构经历了从物理机到虚拟机，从虚拟机再到容器的演进过程。在这大势之下，应用架构也在同步演进，从单体过渡到多层，再到当下的微服务。在变化的背后，有一股持续的动力，它来自于三个不变的追求： 提高资源利用率 ， 优化开发运维体验 ，以及 更好地支持业务发展 。 目前， Serverless 已成为云原生社区关注的重点之一，它的发展也不例外。相比容器技术，Serverless 可以将资源管理的粒度更加细化，使开发者更快上手云原生，并且倡导事件驱动模型支持业务发展。从而帮助用户解决了资源管理复杂、低频业务资源占用等问题；实现面向资源使用，以取代面向资源分配的模式。根据 CNCF 在2018年底基于 2400 人的一份统计报告，已有 38% 的组织正在使用 Serverless 技术，相比 2017 同期增长了 22%。(数据来源： CNCF Survey ) 图片来源：Gartner Report: China Summary Translation Evolution of Server Computing - VMs to Containers to Serverless - Which to

2019 年 7 月 3 日，在 2019 云计算开源产业大会上，蚂蚁金服自主研发的金融级分布式架构 SOFAStack（Scalable Open Financial Architecture Stack）荣获 OSCAR 尖峰开源技术创新奖（自主研发）。云计算开源产业大会由中国信息通信研究院主办，是中国云计算开源领域最权威和专业的行业盛会。 本次大会上，中国信息通信研究院还发布了《混合云白皮书（2019年）》，该白皮书梳理了混合云的最新发展现状、关键能力、应用案例和技术发展趋势。基于完全自主研发的 SOFAStack 金融级分布式架构的网商银行三地五中心异地多活部署方案被作为典型应用案例入选其中。 完全自主研发的金融级分布式架构 SOFAStack SOFAStack 是蚂蚁金服完全自主研发的金融级分布式架构，包含了构建金融级云原生架构所需的各个组件，如微服务研发框架、RPC 框架、服务注册中心、分布式定时任务、限流/熔断框架、动态配置推送、分布式链路追踪、Metrics 监控度量、分布式高可用消息队列、分布式事务框架和分布式数据库代理层等。 据了解，经过数代架构演进和“双十一”考验的 SOFAStack，已于 2018 年 4 月正式对外开源，仅一年时间，SOFAStack 所有相关的开源代码，累计获得 16,000+ 个 Star，并有 110+ 个代码贡献者参与其中。