intercept

单元测试 /** * 用户查询单测 * */ @Test public void whenQuerySuccess() throws Exception { String result = mockMvc .perform( get ( "/user" ) .param( "username" , "jojo" ) .param( "age" , "18" ) .param( "ageTo" , "60" ) .param( "xxx" , "yyy" ) // .param("size", "15") // .param("page", "3") // .param("sort", "age,desc") .contentType(MediaType. APPLICATION_JSON_UTF8 )) .andExpect( status ().isOk()) .andExpect( jsonPath ( "$.length()" ).value( 3 )) // 结果期望 .andReturn().getResponse().getContentAsString(); System. out .println(result); } @GetMapping @JsonView (User.UserSimpleView. class ) @ApiOperation (value =

1.nginx 反向代理到grpc http http v2 (grpc) 后端golang使用了grpc开发了部分微服务，访问时直接使用端口请求。 安全隐患，需要开放端口. grpc的go服务器，没有前置的nginx作为缓冲，难以支持大量请求。 直接让公网的请求连接到go编写的grpc的服务，遇到慢请求时，会被拖垮。 eg:每一个客户端的请求上传大文件时，占用一个grpc连接, 公网耗时较长, 且grpc server处理效率较低. eg:nginx在接收到上传的文件后，代理请求, 在内网直接连接go grpc server, 优于外网直接连接. 2.grpc app 配置 grpc app: 端口 127.0.0.1:9091 127.0.0.1:9092 3.nginx conf grpcapp.conf: upstream grpcservers { hash $request_uri; server 127.0.0.1:9002; server 127.0.0.1:9003; } server { listen 9090 http2; access_log ./logs/grpc_app/api.access.log ; error_log ./logs/grpc_app/api.errors.log ; location / { grpc_pass grpc:/

Spring上下文ApplicationContext接口，初始化实现在AbstractApplicationContext中 初始化流程： public void refresh() throws BeansException, IllegalStateException { synchronized ( this . startupShutdownMonitor ) { // 线程安全 // Prepare this context for refreshing. prepareRefresh();// 初始化标记值和 Environment // Tell the subclass to refresh the internal bean factory. ConfigurableListableBeanFactory beanFactory = obtainFreshBeanFactory(); // 初始化 BeanFactory 并扫描 BeanDefinitions // Prepare the bean factory for use in this context. prepareBeanFactory(beanFactory);// 为 BeanFactory 初始化属性值，并且添加各种回调处理器，如 ApplicationAware 等 try { //

本文由玄魂和 方块K 合写。 不太愿意跟风写类似的文章，网友“方块K” 投了一篇相关文章过来，但是略显简略，我重新进行了扩展。 参考了网上的相关文章，自己重新做 实验，算不上原创。 1.1 简介 2017年9月5日，Apache Struts发布最新安全公告，Apache Struts2的REST插件存在远程代码执行的高危漏洞，该漏洞由lgtm.com的安全研究员汇报，漏洞编号为CVE-2017-9805（S2-052）。Struts2 REST插件的XStream组件存在反序列化漏洞，使用XStream组件对XML格式的数据包进行反序列化操作时，未对数据内容进行有效验证，存在安全隐患，可被远程攻击。 参考： https://cwiki.apache.org/confluence/display/WW/S2-052 https://lgtm.com/blog/apache_struts_CVE-2017-9805 1.2 漏洞分析 根据补丁分析， 构造相对应的漏洞检测数据包。使用调试工具分析，发现Action经过REST插件处理时会被ContentTypeInterceptor这个类拦截，进入intercept方法如下图所示： 这个Intercept拦截方法很重要，分三步： 第一步：getHandlerForRequest方法会判断提交的请求类型

向AI转型的程序员都关注了这个号 👇👇👇 大数据挖掘DT机器学习 公众号： datayx 接着上一次的一元线性回归 python机器学习：线性回归 往下讲，这篇文章要讲解的多元线性回归。 1、什么是多元线性回归模型？ 当 y 值的影响因素 不 唯一时, 采 用多元线性回归模型 。 例如商品的销售额可能不电视广告投入,收音机广告投入,报纸广告投入有关系,可以有 sales = β0+ β 1*TV+ β 2* radio+ β 3*newspaper. 2、使用pandas来读取数据 pandas 是一个用于数据探索、数据分析和数据处理的python库 import pandas as pd # read csv file directly from a URL and save the results data = pd .read_csv('/home/lulei/Advertising.csv') # display the first 5 rows data.head() 这里的Advertising.csv是来自http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv。大家可以自己下载。 上面代码的运行结果： TV Radio Newspaper Sales 0 230.1 37.8 69.2 22.1 1 44.5 39.3

In [1]: import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt In [2]: # 创建一个矩阵 a = np.array([[1, 2], [3, 4 ]]) m = np.mat(a) m [2]: matrix([[1, 2], [3, 4]]) In [4]: # 矩阵运算回顾 # 矩阵转秩 m.T # 矩阵乘法 m * m a * a # 矩阵⾏列式 np.linalg.det(m) # 求逆矩阵 m.I # 转换成array m.A # 降维成一维 m.fattlen Out[4]: matrix([[-2. , 1. ], [ 1.5, -0.5]]) 假设输入数据为DataFrame格式，最后一列为标签值，在此基础上编写线性回归自定义函数(最小二乘） In [ ]: # 矩阵公式 w=(x.T * x).I * X.T * y In [53]: # 根据最小二乘法推导得 w=(x.T * x).I * X.T * y 注：如果(x.T * X)不满足可逆性,那么最小二乘无解，另不满足凸函数，也无解 # 又因为特征矩阵在存在多重共线性的情况下，特征矩阵不满足可逆性，所以在做回归之前，需要消除多重共线性 def

作者 | 萝卜 来源 | 早起Python（ ID：zaoqi-python ） 「多元线性回归模型」 非常常见，是大多数人入门机器学习的第一个案例，尽管如此，里面还是有许多值得学习和注意的地方。其中多元共线性这个问题将贯穿所有的机器学习模型，所以本文会 「将原理知识穿插于代码段中」 ，争取以不一样的视角来叙述和讲解 「如何更好的构建和优化多元线性回归模型」 。主要将分为两个部分： 详细原理 Python 实战 Python 实战 Python 多元线性回归的模型的实战案例有非常多，这里虽然选用的经典的房价预测，但贵在的流程简洁完整，其中用到的精度优化方法效果拔群，能提供比较好的参考价值。 数据探索 本文的数据集是经过清洗的美国某地区的房价数据集。 import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt df = pd.read_csv('house_prices.csv') df.info();df.head() 参数说明： neighborhood/area: 所属街区和面积 bedrooms/bathrooms: 卧室和浴室 style: 房屋样式 多元线性回归建模 现在我们直接构建多元线性回归模型： from statsmodels

不点蓝字，我们哪来故事？ Redis操作流程： 预热——初始化：以前在操作Redis中的数据之前，需要判断数据是否存在，存在获取，不存在创建一个（即准备数据）。实际中尽量避免，即操作之前就先将数据准备好； 缓存的逻辑操作：对缓存中的数据做CRUD等操作； 缓存数据的持久化：缓存中的数据被操作之后，数据库中的数据要不要和Redis被写的数据保持同步；读操作不会改变，不需要持久化； 初始化（预热）： 凡是用到Redis的都要思考上面的三个步骤 思考： 使用Redis都要想清楚的问题： 需要初始化什么数据 ？ 需要频繁改动的数据（ DML ）[ 此处需要将统计相关的vo数据初始化到Redis中 ] 不需要频繁改动的数据（DQL） 在哪一个项目执行初始化逻辑 ？（mgrsite、website-api） website-api ：接口对外暴露，安全性不可保证；website-api后续拓展可能做集群操作，那样就会导致多次执行了初始化操作； 数据初始化数据数据管理范畴，你应该 使用mgrsite 来管理； 在JavaWeb中的哪一个组件中实现初始化逻辑？（filter、servlet、intercept、controller、listener） javaweb监听器：监听web（Tomcat）容器的启动，功能简单； spring容器的监听器 ：监听的是spring容器的启动，功能强大

　　两个月前，FDA 拒绝了 Intercept Pharmaceuticals（以下称 Intercept）关于用奥贝胆酸（OCA）治疗非酒精性脂肪肝炎（NASH）的申请，FDA 表示，当时的数据尚不能保证该药对 NASH 相关肝纤维化患者的安全性和疗效。近日，Intercept 称将公布更多临床数据用以支持此前的申请。 　　OCA 是当前唯一一个在治疗 NASH 的关键 Ⅲ 期研究中达到终点的药物，也是唯一一个获得 FDA 突破性药物资格认证的 NASH 药物。如果此次数据得到 FDA 认可，对于 Intercept 而言意义重大。 　　NASH 全球患病率达到 25.24%，这是一种由肝脏中过多的脂肪堆积引起的进行性肝病，可引起慢性炎症，导致进行性纤维化（瘢痕化），导致肝硬化，最终肝衰竭，癌变和死亡。目前尚无 FDA 批准用于治疗 NASH 的药物。EvaluatePharma 预测全球 NASH 药物的市场规模在 2025 年可以达到 400 亿美元，可见其临床需求之大。 　　2020 年 6 月 29 日，Intercept 公司宣布收到 FDA 拒绝 OCA 用于治疗 NASH 所致肝脏纤维化新药申请的完整答复函（CRL）。CRL 指出，根据已审查的数据，FDA 认为 OCA 基于组织病理学试验终点的预期益处尚不明确，而且治疗收益并没有超过潜在的风险，因此不支持加速批准

有些朋友对于EL表达式取值的范围不是很了解，在Struts2中对request进行了装饰，增强了getAttribute()方法，改变了EL该方法的查找范围，具体为，查找request域，不存在，查找值栈，不存在，查找ContextMap，还是不存在，则返回null。 EL表达式取值 因为${对象名}，会使用findAttribute的查找，其顺序是page域->request域->session域->application域原理如下： public class PageContext{ //在page域中根据name获取value public Object getAttribute(String name){ return "找到了返回对象" | "没找到返回null"; } //从四个域中逐个搜索，只要在其中一个找到，就不再继续寻找 public Object findAttribute(String name){ Object value = null; //搜page域 value = this.getAttribute(name); if(value != null){ return value; } //搜request域 value = this.getRequest().getAttribute(name); if(value != null){return