网络边界

Abstract 我们为YOLO提供一些更新!我们做了一些小的设计上的改变来使它更好。我们还训练了这个非常棒的新网络。它 比上次大了一点，但更准确。不过还是很快的 ，别担心。在320×320大小图片上， YOLOv3运行22毫秒，结果为28.2 mAP，和SSD一样准确，但比他快三倍。当我们以旧的 0.5 IOU mAP检测指标为标准的时候，YOLOv3的结果还是是相当不错的。与RetinaNet的57.5 AP 50 (198 ms)相比，它在Titan X上实现57.9 AP 50 (51 ms)，性能类似，但快了3.8倍。和往常一样，所有的代码都可见https://pjreddie.com/yolo/. 1. Introduction 有时候你会给它打一年电话，你知道吗?我今年没有做很多研究。花了很多时间在Twitter上。玩了一会儿GANs。去年[12][1]还剩下一点动力;我对YOLO做了一些改进。但是，说实话，没有什么超级有趣的，只是一些小的改变，使它更好。我也帮助别人做了一些研究。 事实上，这就是我们今天来到这里的原因。我们有一个准备好拍摄的最后期限[4]，我们需要引用一些 YOLO中的 随机更新，但我们没有一个来源。所以准备好技术报告吧! 技术报告的伟大之处在于他们不需要介绍，你们都知道我们为什么在这里。因此，这一介绍的结尾将为论文的其余部分指明方向

网络边界（Network Border） 网络边界是指内部安全网络与外部非安全网络的分界线。 　　由于 网络 中的泄密、攻击、病毒等侵害行为主要是透过 网络边界 实现，网络边界实际上就是网络安全的第一道防线。网络攻击入侵者通过互联网与内网的边界进入 内部网络 ，篡改存储的 数据 ，实施破坏，或者通过某种技术手段降低网络性能，造成网络的瘫痪。 　　 把不同安全级别的网络相连接，就产生了网络边界 。防止来自网络外界的入侵就要在网络边界上建立可靠的安全防御措施。非安全网络互联带来的安全问题与网络内部的安全问题是截然不同的，主要的原因是攻击者不可控，攻击是不可溯源的，也没有办法去“封杀”，一般来说 网络边界上的安全问题主要有下面几个方面： (信息泄密、入侵者的攻击、网络病毒、木马入侵) 1、 信息泄密 　　网络上的资源是可以共享的，但没有授权的人得到了他不该得到的资源，信息就泄露了。一般 信息泄密 有两种方式： 攻击者(非授权人员)进入了网络，获取了信息，这是从网络内部的泄密；合法使用者在进行正常业务往来时， 信息 被外人获得，这是从网络外部的泄密。 2、入侵者的攻击 　　互联网是世界级的大众网络，网络上有各种势力与团体。入侵就是有人通过互联网进入你的网络(或其他渠道)，篡改渠道，或实施破坏行为，造成你网络业务的瘫痪，这种攻击是主动的、有目的、甚至是有组织的行为。 3、网络病毒 　

第二章，网络虚拟化介绍 2.1 NSX网络虚拟化解决方案综述 NSX产品的部署形态，包括数据平面、管理平面和控制平面，如图4所示。 图4：NSX组成 NSX架构的原理是将数据、控制、管理层面分离。NSX的组件构成，每个组件的架构都在图4中给出了展示。分离的架构设计，可以让NSX整体架构不断扩大，并且规模不受负载的影响。每一个层面以及各自的整体描述，会在下边详细描述。 2.1.1数据层面 数据层面是通过NSX的vSwitch实现的。NSX提供给vSphere的vSwitch，是基于VDS实现的，这个VDS是通过增加额外组件实现的比之前更强大的虚拟分布式交换。NSX的可扩展组件包括内核模块，都是按照VMware软件的分布式部署方式扩展的。这些模块都运行在hypervisor层。能够提供的服务包扩：分布式路由、分布式防火墙以及vxlan到vlan的桥接。 NSX的VDS精简了物理网络，比方说在hypervisor层实现的接入层交换机。这对于虚拟化的网络能够在逻辑上不受物理网络架构限制是及其重要的。 NSX的vSwitch之所以能够实现现在的能力，是因为其使用vxlan协议的overlay技术，以及集中式的网络架构。基于overlay技术的NSX使一下部分成为可能： 在现有的物理网络架构下，通过IP网络overlay技术构建灵活的二层网络。

App 测试 web 测试的区别 单纯从功能测试的层面上来讲的话， APP 测试、web 测试 在流程和功能测试上是没有区别的 根据两者载体不一样，则区别如下： 1、系统结构方面 web项目，b/s架构，基于浏览器的；web测试只要更新了服务器端，客户端就会同步会更新 app项目，c/s结构的，必须要有客户端；app 修改了服务端，则客户端用户所有核心版本都需要进行回归测试一遍 2、性能方面 web项目 需监测 响应时间、CPU、Memory app项目 除了监测 响应时间、CPU、Memory外，还需监测流量、电量等 3、兼容方面 web项目： 1. 浏览器（火狐、谷歌、IE等） 2. 操作系统（Windows7、Windows10、OSX、Linux等） app项目： 1. 设备系统: iOS（ipad、iphone）、Android（三星、华为、联想等） 、Windows（Win7、Win8）、OSX（Mac） 2. 手机设备可根据 手机型号、分辨率不同 4、相对于 Wed 项目，APP有专项测试 1. 干扰测试：中断，来电，短信，关机，重启等 2. 弱网络测试（模拟2g、3g、4g，wifi网络状态以及丢包情况）；网络切换测试（网络断开后重连、3g切换到4g/wifi 等） 3. 安装、更新、卸载 安装：需考虑安装时的中断、弱网、安装后删除安装文件等情况 卸载：需考虑

You Only Look Once: Unified, Real-Time Object Detection 您只看一次：统一的实时对象检测 前言 近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN),他们是two-stage的，需要先使用启发式方法（selective search)或者CNN网络（RPN）产生Region Proposal,然后再在Region proposal上做分类与回归。而另一类是Yolo,SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确率高一些，但是速度慢，但是第二类算法是速度快，但是准确率要低一些。这里我们谈的是Yolo-v1版本算法，其性能是差于后来的SSD算法的，但是Yolo后来也继续进行改进，产生了Yolo9000算法。本文主要讲述Yolo-v1算法的原理，特别是算法的训练与预测中详细细节，最后将给出如何使用TensorFlow实现Yolo算法。 滑动窗口与CNN 在介绍Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题

在这篇文章中，作者首先在YOLOv1的基础上提出了改进的YOLOv2，然后提出了一种检测与分类联合训练方法，使用这种联合训练方法在COCO检测数据集(用于检测)和ImageNet分类数据集（用于分类）上训练出了YOLO9000模型，其可以检测超过9000多类物体。 所以，这篇文章其实包含两个模型：YOLOv2和YOLO9000，不过后者是在前者基础上提出的，两者模型主体结构是一致的。 YOLOv2相比YOLOv1做了很多方面的改进，这也使得YOLOv2的mAP有显著的提升，并且YOLOv2的速度依然很快，保持着自己作为one-stage方法的优势，YOLOv2和Faster R-CNN, SSD等模型的对比如图1所示。 可以看到在速度比Faster RCNN快的情况下，YOLOV2的精度可以比Faster RCNN高。 1 YOLOv2的改进策略 YOLOv1虽然检测速度很快，但是在检测精度上却不如R-CNN系检测方法，YOLOv1在物体定位方面（localization）不够准确，并且召回率（recall）较低。YOLOv2共提出了几种改进策略来提升YOLO模型的定位准确度和召回率，从而提高mAP，YOLOv2在改进中遵循一个原则：保持检测速度，这也是YOLO模型的一大优势。YOLOv2的改进策略如图2所示，可以看出，大部分的改进方法都可以比较显著提升模型的mAP

1 引言 深度学习目前已经应用到了各个领域，应用场景大体分为三类：物体识别，目标检测，自然语言处理。本文着重与分析目标检测领域的深度学习方法，对其中的经典模型框架进行深入分析。 目标检测可以理解为是物体识别和物体定位的综合，不仅仅要识别出物体属于哪个分类，更重要的是得到物体在图片中的具体位置。 为了完成这两个任务，目标检测模型分为两类。一类是two-stage，将物体识别和物体定位分为两个步骤，分别完成，这一类的典型代表是R-CNN, fast R-CNN, faster-RCNN家族。他们识别错误率低，漏识别率也较低，但速度较慢，不能满足实时检测场景。为了解决这一问题，另一类方式出现了，称为one-stage, 典型代表是Yolo, SSD, YoloV2, YoloV3等。他们识别速度很快，可以达到实时性要求，而且准确率也基本能达到faster R-CNN的水平。下面针对这几种模型进行详细的分析。 2 R-CNN 2014年R-CNN算法被提出，基本奠定了two-stage方式在目标检测领域的应用。它的算法结构如下图 算法步骤如下 获取输入的原始图片 使用选择性搜索算法（selective search）评估相邻图像之间的相似度，把相似度高的进行合并，并对合并后的区块打分，选出感兴趣区域的候选框，也就是子图。这一步大约需要选出2000个子图。 分别对子图使用卷积神经网络

App 测试 web 测试的区别 单纯从功能测试的层面上来讲的话， APP 测试、web 测试 在流程和功能测试上是没有区别的 根据两者载体不一样，则区别如下： 1、系统结构方面 web项目，b/s架构，基于浏览器的；web测试只要更新了服务器端，客户端就会同步会更新 app项目，c/s结构的，必须要有客户端；app 修改了服务端，则客户端用户所有核心版本都需要进行回归测试一遍 2、性能方面 web项目 需监测 响应时间、CPU、Memory app项目 除了监测 响应时间、CPU、Memory外，还需监测流量、电量等 3、兼容方面 web项目： 1. 浏览器（火狐、谷歌、IE等） 2. 操作系统（Windows7、Windows10、OSX、Linux等） app项目： 1. 设备系统: iOS（ipad、iphone）、Android（三星、华为、联想等） 、Windows（Win7、Win8）、OSX（Mac） 2. 手机设备可根据 手机型号、分辨率不同 4、相对于 Wed 项目，APP有专项测试 1. 干扰测试：中断，来电，短信，关机，重启等 2. 弱网络测试（模拟2g、3g、4g，wifi网络状态以及丢包情况）；网络切换测试（网络断开后重连、3g切换到4g/wifi 等） 3. 安装、更新、卸载 安装：需考虑安装时的中断、弱网、安装后删除安装文件等情况 卸载：需考虑

8.1 基本概念 8.1.1 什么是目标检测？ ​目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。 ​计算机视觉中关于图像识别有四大类任务： 分类-Classification ：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。 定位-Location ：解决“在哪里？”的问题，即定位出这个目标的的位置。 检测-Detection ：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。 分割-Segmentation ：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。 8.1.2 目标检测要解决的核心问题？ 除了图像分类之外，目标检测要解决的核心问题是： 1.目标可能出现在图像的任何位置。 2.目标有各种不同的大小。 3.目标可能有各种不同的形状。 8.1.3 目标检测算法分类？ 基于深度学习的目标检测算法主要分为两类： 1.Two stage目标检测算法 ​ 先进行区域生成（region proposal，RP）