Cascade

TikTok 最近的遭遇，让人不禁想起有类似经历的俄罗斯企业卡巴斯基。 2017 年 9 月，因为怀疑卡巴斯基与俄罗斯政府有秘密往来，美国国土安全部宣布全面封杀这家全球著名的杀毒软件制造商。在对外文件表述里，美国政府使用的词语是，“可能的数据泄露”，没有确凿的证据，仅仅因为“可能”，卡巴斯基花费无数心力开辟的北美市场就将毁于一旦。 卡巴斯基是为数不多被全球消费者认可的俄罗斯企业之一。千禧年前后，个人电脑在国内开始普及，病毒、***横行，由于杀毒性能卓越，卡巴斯基成为中国初代网民钟爱的网络冲浪伴侣，伴随着标志性的“杀猪叫”，中国网民开始接触到神奇的万维网世界，开启了轰轰烈烈的互联网创业。 进入 2010 年，由于免费杀毒软件的冲击，卡巴斯基的市场占有率开始下降，公司全力攻占企业级市场，成为全球排名前三的网络安全供应商。2017 年，遭遇美国全面封禁后，卡巴斯基并未消沉，保持技术优势、开拓其他市场、起诉美国政府、怒斥媒体泼脏水， 3 年过去了，卡巴斯基仍是全球最具影响力的网络安全供应商之一。 不管是面对******，还是商海沉浮，卡巴斯基展露出的“战斗民族”的基因和挣扎求存的本能，让这个公司的的发展史显得格外引人瞩目。 一 美国政府对卡巴斯基疑虑重重，最关键的原因，在于该公司的创始人尤金·卡巴斯基。 尤金·卡巴斯基，生于 1965 年，从小就对数学和技术无比热爱，是个不折不扣的大学霸

TikTok 最近的遭遇，让人不禁想起有类似经历的俄罗斯企业卡巴斯基。 2017 年 9 月，因为怀疑卡巴斯基与俄罗斯政府有秘密往来，美国国土安全部宣布全面封杀这家全球著名的杀毒软件制造商。在对外文件表述里，美国政府使用的词语是，“可能的数据泄露”，没有确凿的证据，仅仅因为“可能”，卡巴斯基花费无数心力开辟的北美市场就将毁于一旦。 卡巴斯基是为数不多被全球消费者认可的俄罗斯企业之一。千禧年前后，个人电脑在国内开始普及，病毒、***横行，由于杀毒性能卓越，卡巴斯基成为中国初代网民钟爱的网络冲浪伴侣，伴随着标志性的“杀猪叫”，中国网民开始接触到神奇的万维网世界，开启了轰轰烈烈的互联网创业。 进入 2010 年，由于免费杀毒软件的冲击，卡巴斯基的市场占有率开始下降，公司全力攻占企业级市场，成为全球排名前三的网络安全供应商。2017 年，遭遇美国全面封禁后，卡巴斯基并未消沉，保持技术优势、开拓其他市场、起诉美国政府、怒斥媒体泼脏水， 3 年过去了，卡巴斯基仍是全球最具影响力的网络安全供应商之一。 不管是面对******，还是商海沉浮，卡巴斯基展露出的“战斗民族”的基因和挣扎求存的本能，让这个公司的的发展史显得格外引人瞩目。 一 美国政府对卡巴斯基疑虑重重，最关键的原因，在于该公司的创始人尤金·卡巴斯基。 尤金·卡巴斯基，生于 1965 年，从小就对数学和技术无比热爱，是个不折不扣的大学霸

物联网(IoT)市场发展迅速，终端数量剧增，安全隐患大，物联网产业链中安全环节占比低。物联网业务深入多个行业，全方位影响人民生活，相应的安全问题也将带来严重威胁，甚至包括生命和财产安全。本期我们将分享近期物联网安全相关的两条分立的趋势信息，分别是关于物联网安全威胁评估和依靠政策保障设备安全的启示。 物联网安全的防御方向与技术要求指南指出了应对物联网威胁的评估方法，并强调保护物联网安全需要在产品全生命周期内，特别是在安全开发和硬件设计方面尽职尽责，同时对系统组件执行弹性测试和分析。随着物联网规模日益扩张，物联网安全威胁日益加剧，如何评估物联网安全成为当下的研究热点。 如何评估更复杂的物联网威胁 随着连接我们和世界的设备和技术不断发展，网络罪犯正在发展其方法，以***和危害物联网(IoT)的关键系统。构建能够经受住时间考验的IoT产品，需要始终如一地在软件开发生命周期和供应链中内置安全控制。整个供应链中的任何重大安全漏洞都可能带来巨大风险。保护IoT需要在整个产品生命周期，特别是安全开发和安全硬件设计方面尽职尽责，同时对系统组件执行弹性测试和分析，以检测在生产之前运行时可能出现的问题。 第一个挑战是物联网拥有多样化的供应链和庞大的***面。了解IoT生态系统和所有各种接口需要了解各种风险，以及所呈现的接口在遭到破坏时如何影响整个系统。对于安全团队来说

下面这张据说是最多人自拍的照片里面有1000个人。 百度的人脸检测技术成功找到其中880个人。这个的确考验眼神，让人来数的话，估计拿着放大镜也数不清。 这还是2018年底的成绩，估计现在又厉害了一截。这就今天我们讨论的问题。 人脸检测现在应用已经非常普遍，但是背后的技术原理还是很有意思的。比如大家用手机照相时候，应该注意到了相机能够自动检测到人脸。 首先要稍微区分一下人脸检测和人脸识别两个概念，非常相关又略有不同: 人脸检测： 当前照片里，哪些部位是人脸？ 人脸识别: 当前照片里面的人是谁？手机照片自动归类就用到了这个技术。 1. 从人工智能大的方面来说，这两个问题很好统一。其实就是给定输入变量X （照片），模型自动给出结果Y。这个Y可能不同，比如1）是不是人脸？2）谁的人脸？3）这个人年纪多大？）。 简答来说，人工智能模型是解决一个方程： X * W = Y 其中W就是模型要学习的一系列参数。参数学好了，就能成功的把输入变量映射到我们想要的输出变量。 1)对于人脸检测问题来说，X是照片的各个像素值，包括3个通道的颜色。图像在计算机中的存储方式是数字矩阵对应像素点阵，比如1024×768等。而每个像素点是用数值来表示RGB或者黑白灰。而Y就是人脸框框的四个坐标值。 2)对于人脸识别问题，就是判断这个人和谁是同一个人时候，X输入同上，而Y是一长串特征值向量

关联管理器(RelatedManager) 一、class RelatedManager 　　"关联管理器"是在一对多或者多对多的关联上下文中使用的管理器。它存在于下面两种情况： 　　1、一对多 　　　　ForeignKey关系的“另一边”。像这样： from django.db import models class Publish(models.Model): pass class Book(models.Model): publish = models.ForeignKey("Publish", on_delete=models.CASCADE) 　　　　在上面的例子中，管理器publish_obj.book_set 会拥有下面介绍的方法。 　　2、多对多 　　　　ManyToManyField关系的两边： class Author(models.Model): pass class Book(models.Model): authors = models.ManyToManyField("Author") 　　　　在这个例子中，book_obj.authors 和author_obj.book_set 都拥有下面的方法。 　　3、方法合集 　　　　1、 add(obj1[, obj2, ...]) 把指定的模型对象添加到关联对象集中。 例如： >>> author_obj

0.前言 到目前为止，我们看了一下如何声明EF Core的初步使用，也整体的看了下EF Core的映射关系配置以及导航属性的配置。 这一篇，我带大家分享一下，我在工作中需要的EF Core的用法。 1. 初始化 在实际开发中，一般都是先设计好数据表再进行开发，所以很少用到EF Core的数据迁移功能。所以EF Core的初始化，一般也指的是EF Core上下文初始化。 1.1 连接字符串 我们通过前面的文章知道，EF Core在上下文初始化的时候，都需要一个链接字符串。如果在不考虑后续变更或者上下文的复用性，可以直接在自定义Context里重写OnConfiguring方法中定义。 如果需要后续变更，那么就需要在创建自定义EF Core 上下文类的时候，为之添加一个连接字符串的属性或者字段，以方便初始化的时候指定。实例： public class DefaultContext : DbContext { private string Connection { get; set; } = "Data Source=./blogging1.db"; public DefaultContext(string connection) { Connection = connection; } protected override void OnConfiguring

定义模式： CREATE SCHEMAA<模式名>AUTHORIZATION<用户名> 要创建模式，调用该命令的用户必须 拥有数据库管理员权限 ，或者获得了数据库管理员授予的CREATE SCHEMA的权限。 例如：为用户WANG定义一个学生-课程模式S-T CREATE SCHEMA 'S-T' AUTHORIZATION WANG ; 该语句没有指定<模式名>，所以<模式名>隐含为用户名WANG。 定义模式实际上定义了一个 命名空间 ， 在CREATE SCHEMA中可以接受CREATE TABLE，CREATE VIEW和GRANT子句。 例如：为用户ZHANG创建了一个模式TEST，并在其中定义了一个表TAB1. CREATE SCHEMA TEST AUTHORIZATION ZHANG CREATE TABLE TAB1 ( COL1 SMALLINT , COL2 INT , COL3 CHAR ( 20 ) , COL4 NUMERIC ( 10 , 3 ) , COL5 DECIMAL ( 5 , 2 ) ) ; 删除模式 ： DROP SCHEMA<模式名><CASCADE|RESTRICT> CASCADE（级联）：删除模式飞同时把该模式中所有的数据库对象全部删除。 RESTRIC（限制）：如果该模式中定义了下属的数据库对象（如表、视图等）

以system用户登录，查找需要删除的用户： --查找用户 select *　from dba_users; --查找工作空间的路径 select * from dba_data_files; --删除用户 drop user 用户名称 cascade; --删除表空间与数据文件 drop tablespace 表空间名称 including contents and datafiles cascade constraint; 如：删除用户名成为test，表空间名称为test --删除用户，及级联关系也删除掉 drop user test cascade; --删除表空间，及对应的表空间文件也删除掉 drop tablespace test including contents and datafiles cascade constraint; 来源： oschina 链接： https://my.oschina.net/u/4346514/blog/4286158

约束的分类 约束 说明 PRIMARY KEY 主键约束 PRIMARY KEY AUTO_INCREMENT 主键、自动增长 UNIQUE 唯一约束 NOT NULL 非空约束 FOREIGN KEY 外键约束 FOREIGN KEY ON UPDATE CASCADE 外键级联更新 FOREIGN KEY ON DELETE CASCADE 外键级联删除 1主键约束 主键约束特点 主键约束包含：非空和唯一两个功能 一张表只能有一个列作为主键 主键一般用于表中数据的唯一标识 建表时添加主键约束 -- 标准语法 -- 主键默认唯一，添加重复数据，会报错 -- 主键默认非空，不能添加null的数据 CREATE TABLE 表名( 列名 数据类型 PRIMARY KEY, 列名 数据类型, ... ); 删除主键 -- 标准语法 ALTER TABLE 表名 DROP PRIMARY KEY; 建表后单独添加主键 -- 标准语法 ALTER TABLE 表名 MODIFY 列名 数据类型 PRIMARY KEY; 2.主键自动增长约束 建表时添加主键自增约束 -- 标准语法 -- 添加null值，会自动增长 CREATE TABLE 表名( 列名 数据类型 PRIMARY KEY AUTO_INCREMENT, 列名 数据类型, ... ); 删除自动增长 -- 标准语法 ALTER

　　机器之心专栏 　　 作者：罗志鹏（深兰北京AI研发中心） 　　 来自深兰科技北京 AI 研发中心的 DeepBlueAI 团队在 CVPR 2020 夜间行人检测挑战赛中斩落了两个冠军、一个亚军。本文将介绍该团队的解决方案。 　　近日，由 CVPR 2020 Workshop 举办的 NightOwls Detection Challenge 公布了最终结果。来自深兰科技北京 AI 研发中心的 DeepBlueAI 团队斩获了「单帧行人检测」和「多帧行人检测」两个赛道的冠军，以及「检测单帧中所有物体」赛道的亚军。 　　 　　 　　本文将为大家介绍 DeepBlueAI 团队的解决方案。 　　 NightOwls 检测挑战赛简介 　　检测 RGB 摄像机拍摄的夜间场景图片中的行人，是一个非常重要但是未被充分重视的问题，当前最新的视觉检测算法并不能很好地预测出结果。官方 baseline 在 Caltech（著名行人检测数据集）上的 Miss Rate（越小越好）可以达到 7.36%，但在夜间行人数据集上却只能达到 63.99%。 　　夜间行人检测是许多系统（如安全可靠的自动驾驶汽车）的关键组成部分，但使用计算机视觉方法解决夜间场景的检测问题并未受到太多关注，因此 CVPR 2020 Scalability in Autonomous Driving Workshop