ring

IO plan命令备忘

痴心易碎 提交于 2020-10-25 00:54:44
本文为基于ICCII的IO plan的备忘录 创建bump array 使用命令create_bump_array IO ring + corner cell 其实,直接用create cell然后手工挪过去也不费事,反正也就一次。后面通过读def的方式读进去就好了。 IO constraints 通常power pad都是事先根据空余位置,算好了。具体放在什么位置也都定了。很少用到这种工具自动加power pad的方式。如果是pad limit,就少放点power io, 如果是core limit,power io的数量就可以适当多点。 matching type 通过create_matching_type和add_matching_type来进行pad和bump的匹配。 工具会在相同matching type的pad和bump中,采取就近原则,进行匹配。 特殊的matching type 例如,PG net的bump&pad 一对多,多对多时: mark RDL 准备 首先创建routing rule。其次,设置routing angle为45° 特殊RDL绕线 adjacent route split route differential route 差分绕线,使得两者绕线长度等长。 paralell route (differential) 绕线长度等长

微软终端管理之设置微软Intune 管理Win10 更新一

醉酒当歌 提交于 2020-10-24 22:45:15
前言:针对 Windows 10 的功能更新每年将通过半年频道 (SAC) 发布两次,时间约为每年的 3 月和 9 月。 自功能更新发布之日起 18 个月或 30 个月内,微软还将随之推出月度质量更新,具体取决于生命周期策略。建议开始将各个半年频道版本定向部署到已选择进行早期采用的设备上,并自行决定升级到完全部署。 这样,便可以尽快获得新的功能、体验和集成安全性。一下是截至发博之前的版本对照表。 进入今天的主题, 我们要再云上上配置管理windows的累计更新。 首先 打开intune首页, 选择Device-》Windows 10 update ring 创建profile并且分配给指定的客户端集合: 更新设置, 此处可以个性化选择所需的的配置,最好是再自己测试的客户端集合先进行测试: 分配给指定的客户端集合: 最后一步 Review + 创建: 可以去到总览窗口看看客户端 更新状况: 当然也可以去win10 客户端查看更新历史: 这样就完成可Windows更新的快速配置,大家可以试试看。 来源: oschina 链接: https://my.oschina.net/u/4406565/blog/4314793

(二)简易实现栈溢出实验(OllyDbg)

假如想象 提交于 2020-10-23 22:02:14
开头 上一篇博客讲到了栈溢出,关于做栈溢出实验,可使用的工具是反汇编工具。 之前讲到了IDA的实现: 点击进入IDA实现栈溢出博客 感兴趣的也可以看看。 ~ 现在说到老师上课可能更喜欢用的反汇编软件OllyDbg,来实现一下简单的栈溢出实验。 ~ 软件介绍:OllyDbg 摘自百度: <<<OD,是一个反汇编工具,又叫OllyDebug,一个新的动态追踪工具,将IDA与SoftICE结合起来的思想,Ring 3 级的调试器,己代替SoftICE成为当今最为流行的调试解密工具了。同时还支持插件扩展功能,是目前最强大的调试工具。基本上,调试自己的程序因为有源码,一般用vc,破解别人的程序用OllyDebug。>>> ~ ~~下面简称OD ~ IDA与OD ~ 说简单点,OD是一款火爆的反汇编工具,免费也是其特点,优点可能对电脑环境要求并不高,缺点是其运行很复杂,函数名之类的信息不清晰,等于要自己找。 IDA相比于OD,更加方便,这点可以从我上一篇博客看出,同时IDA操作简单,但要付费。即使其破解版在机房的电脑上一般不好运行,所以导致学校老师教学一般用OD。这里开讲,怎么用更复杂的OD(ollydbg). ~ 1.打开软件 可以清楚看到界面: 看到很多框体,再细看一下: 2.准备好要运行的程序 即准备好实现栈溢出的代码,和上一篇博客代码一样,可以对比: ~ # include

LInux实践 | 模块编程

蹲街弑〆低调 提交于 2020-10-22 01:44:01
背景介绍 实验过程 基本模块 参数传递 导出符号表 背景介绍 模块的全称是“动态可加载内核模块”( Loadable Kernel Module,LKM) 模块在内核空间运行 模块实际上是一种目标对象文件 ,不能独立运行,但是其代码可以在运行时链接到 系统中作为内核的一部分运行或从内核中取下, 从而可以动态扩充内核的功能 这种目标代码通常由一组函数和数据结构组成 内核模块的优点 : 使得内核更加紧凑和灵活 ; 修改内核时,不必全部重新编译整个内核。 系统如果需要使用新模块,只要编译相应的 模块,然后使用insmod将模块装载即可 ; 模块的目标代码一旦被链接到内核,它的作 用域和静态链接的内核目标代码完全等价。 内核模块的缺点 : 由于内核所占用的内存是不会被换出的,所以链接进内核的模块会给整个系统带来一定的性能和内存利用方面的损失; 装入内核的模块就成为内核的一部分,可以修改内核中的其他部分,因此,模块的使用不当会导致系统崩溃 为了让内核模块能访问所有内核资源,内核必须维护符号表,并在装入和卸载模块时修改符号表; 模块会要求利用其它模块的功能,所以,内核要维护模块之间的依赖性。 内核模块与应用程序的区别 : 属性 c语言程序 模块 运行 用户空间 内核空间 入口 main() module_init()指定 出口 无 module_exit()指定 编译 gcc-c

TIOBE 9 月榜单:C++ 重振旗鼓

夙愿已清 提交于 2020-10-11 09:28:49
C++ 近期发展状态不错,依旧在榜单中排第四,但排名比率保持增长,本月为 7.11%。 2003 年是 C++ 的巅峰时期,当年 8 月,它的 TIOBE 排名峰值为 17.53%,接近第二名,并拿下了当年的年度编程语言奖。但 2005 年之后,C++ 的榜单排名再也没有超过 10%,甚至在 2017 年达到历史最低值 4.55%。但是,与去年相比,C++ 现在是榜单中增长最快(+1.48%)的语言。 TIOBE CEO Paul Jansen 认为,新的 C++ 20 标准带来了极大的正面影响。C++ 的积极趋势赶超了其他语言,例如 R(+1.33%)和 C#(+1.18%),以及与去年相比损失了 3.18% 排名率的 Java。 TIOBE 9 月 TOP 20 编程语言 单就名次来看,榜单前十变化不大,SQL 守住了第 10 名的位置。PHP 与 R 调换位置,上升到第 8 位,但从总体趋势来看,还是 R 语言增长率更高一些。 Groovy 上个月重回榜单后,名次又上升一位。上期卡住第 20 名,在榜单边缘徘徊的 Rust 也成功留了下来,本月排名 18。 另一个亮点是,常年排在第 24 或 25 名的 Dart(+0.77%)终于进入 top 20,本月排名 20。但第 21 名 Logo(+0.76%)和第 22 名 Classic Visual Basic(+0.75%

Python熊猫:您可能不知道的技巧和功能

帅比萌擦擦* 提交于 2020-10-05 05:41:44
熊猫是用于分析,数据处理和数据科学的基础库。这是一个庞大的项目,具有大量的可选项和深度。 如果您对Python的Pandas库的核心概念感到满意,希望您会在本文中找到以前从未偶然发现过的一两个窍门。 注意:本文中的示例已通过Pandas 0.23.2版和Python 3.6.6版进行了测试。但是,它们在旧版本中也应有效。 配套课程请点击这里: 1.在解释器启动时配置选项和设置 配套课程请点击这里: 您之前可能已经运行过Pandas的丰富选项和设置系统。 在解释器启动时设置自定义的Pandas选项可以节省大量的生产力,尤其是在脚本环境中工作时。您可以使用Python或IPython启动文件pd.set_option()来配置您的心脏内容。 这些选项使用点符号(例如)pd.set_option('display.max_colwidth', 25),很适合嵌套在选项的嵌套字典中: import pandas as pd def start(): options = { 'display': { 'max_columns': None, 'max_colwidth': 25, 'expand_frame_repr': False, # Don't wrap to multiple pages 'max_rows': 14, 'max_seq_items': 50, # Max

TIOBE 9 月榜单:C#上涨1.18,Java 同比下滑3.18

浪子不回头ぞ 提交于 2020-10-05 00:29:44
喜欢就 关注 我们吧! TIOBE 已公布 2020 年 9 月的编程语言排行榜。 C++ 近期发展状态不错,依旧在榜单中排第四,但排名比率保持增长,本月为 7.11%。 2003 年是 C++ 的巅峰时期,当年 8 月,它的 TIOBE 排名峰值为 17.53%,接近第二名,并拿下了当年的年度编程语言奖。 但 2005 年之后,C++ 的榜单排名再也没有超过 10%,甚至在 2017 年达到历史最低值 4.55%。但是,与去年相比,C++ 现在是榜单中增长最快(+1.48%)的语言。 TIOBE CEO Paul Jansen 认为, 新的 C++ 20 标准 带来了极大的正面影响。C++ 的积极趋势赶超了其他语言,例如 R(+1.33%)和 C#(+1.18%),以及与去年相比损失了 3.18% 排名率的 Java。 TIOBE 9 月 TOP 20 编程语言 单就名次来看,榜单前十变化不大,SQL 守住了第 10 名的位置。PHP 与 R 调换位置,上升到第 8 位,但从总体趋势来看,还是 R 语言增长率更高一些。 Groovy 上个月重回榜单后,名次又上升一位。上期卡住第 20 名,在榜单边缘徘徊的 Rust 也成功留了下来,本月排名 18。 另一个亮点是,常年排在第 24 或 25 名的 Dart(+0.77%)终于进入 top 20,本月排名 20。 但第 21 名

OpenStack Rocky私有云平台搭建及Win7 QCOW2格式镜像制作

三世轮回 提交于 2020-10-01 06:23:18
前言,作者搭建部署教程并非原创,而是自己参照官方文档和网上一些教程拼凑而来,很多图都是网络截图,还是感谢那些真正原创的大神;文章里会包含官网没有说明的一些”坑“点,可以让大家避免这些坑,从而快速部署一套属于自己的私有云平台。 一. 环境介绍及基础环境搭建: 基于官网的硬件要求搭建: 1. 各节点硬件设置: 本次部署搭建基于vSphere 7.0虚拟化平台,所有都是虚机环境,虚机都是Centos 7.5版本,更新包后变成7.8版本,或者大家直接用7.8即可。 注:提前关闭firewalld防火墙、selinux。 ⑴ controller控制节点: ⑵ compute1计算节点: ⑶ block1块存储节点: ⑷ object1对象存储节点: ⑸ object2对象存储节点: 2. 网络: ⑴ 所有节点添加以下hosts: #vim /etc/hosts # controller 10.0.0.11 controller # compute1 10.0.0.31 compute1 # block1 10.0.0.41 block1 # object1 10.0.0.51 object1 # object2 10.0.0.52 object2 ⑵ 修改各节点网卡: controller:10.0.0.11(内网管理IP)、10.1.0.100(外网访问IP) compute1:10.0

TIOBE 8 月编程语言:C、Java 差距拉大,R 语言盛行

只愿长相守 提交于 2020-08-19 19:12:23
编程语言社区 TIOBE 最新发布了 8 月编程语言排行榜。 相比上个月,本月 TIOBE 指数整个体变化并不大。C 语言依然保持强劲地增长势头,与第二名 Java 之间差距逐月增大,从上个月相差 1.35% 的份额逐步增长到 2.55% 的差额。 在 TIOBE Top 10 榜单中,R 语言上个月被 TIOBE 官方称之为“史无前例的高光时刻” , 本月继续保持,且在数据分析和统计计算等领域,也成为开发者最受欢迎的编程语言之一。回看 2019 年 8 月,R 语言还处于第 20 位,一年后,一连上升了 12 个名次,到达了第 8 位。对此,TIOBE 官方预测,R 语言也有望成为 2020 年 TIOBE 年度编程语言。 除了以上,Go、Swift、SQL 三种语言也进行了位置角逐: Swift 在本月下降 2 个名次,从第 10 名降到了第 12 名; SQL 将其取而代之,成为第 10 名。 其他编程语言排名 同样值得注意的是,Groovy 重新进入了 TIOBE 编程语言排行榜的 TOP 20名,并且 Hack 在第 44 位,也成功进入了前 50 名。 下面列出了完整的 21-50 名,因为是非官方发布的,所以可能存在遗漏: 第 51-100 名如下,由于它们之间的数值差异较小,仅以文本形式列出(按字母排序): ABC, Alice, APL, AutoLISP,

数据集暴增压力下,微信「扫一扫」识物训练如何优雅破局?

夙愿已清 提交于 2020-08-19 03:19:39
微信“扫一扫”识物上线一段时间,由前期主要以商品图(鞋子/箱包/美妆/服装/家电/玩具/图书/食品/珠宝/家具/其他)作为媒介来挖掘微信内容生态中有价值的信息,扩张到各种垂类领域的识别,包括植物/动物/汽车/果蔬/酒标/菜品/地标识别等,识别核心依托于深度学习的卷积神经网络模型。随着每天千万级的增长数据和越来越多的模型参数量,深度学习训练一次时间大概需要一周左右。如何能够快速训练优化模型并上线,成为我们亟待解决的问题。 一、引言 如今,依托强大的GPU算力,深度学习得到迅猛发展。在图像处理、语音识别领域掀起了前所未有的一场革命。相较于传统的方法,以卷积神经网络(CNN)为代表的深度学习方法可以高度地重点学习数据的特性,在图像处理领域已经取得了统治地位。 随着扫一扫识物日调用量的持续增加,图片数据正以每天千万级的量级增长,在这个争分夺秒的时代里,得数据者得天下。同时,神经网络的复杂性呈爆炸式增长,像15年微软提出图像分类的ResNet模型有7 ExaFLOPs/6千万个参数,17年谷歌的神经网络机器翻译模型有100 ExaFLOPS/87亿个参数。 在大部分场景下,模型可以在一台GPU服务器上,使用一个或者多个GPU进行训练。但随着数据集的增大,训练时间也相应增长,有些时候训练需要一周甚至更长时间。因此,如何能够快速迭代优化深度学习模型,成为我们算法开发者亟须解决的问题。