安全见闻-1

认识自己的渺小，知识的渊博，保持虚心，好学

程序语言

编程语言

1. C语言：一种通用的，面向过程的编程语言，广泛应用于系统软件和嵌入式开发
2. C++：在C语言基础上发展而来，支持面向对象编程，常用于游戏开发，高性能计算等领域
3. Java：一种广泛使用的面向对象的编程语言，具有跨平台性，应用于企业级应用开发等
4. Python：简单易学，拥有丰富的库，适用于数据分析，人工智能，Web开发等
5. JavaScript：主要用于网页前端开发，也可用于服务器端开发（Node.js）
6. C#：由微软开发，主要用于Windows平台上的应用开发
7. Ruby：一种简洁富有表现力的编程语言，常用于Web开发
8. PHP：主要用于Web开发，尤其适合服务端脚本编程
9. Go：一种高效，简洁的编程语言，适用于网络编程和云计算等领域
10. Swift：苹果公司开发的编程语言，用IOS和macOS应用开发
11. Kotlin：可与Java互操作，主要用于Android开发

函数式编程语言

1. Haskell：纯函数式编程语言，以强大的类型系统和数学上的严谨性著称
2. Lisp（包括Common Lisp，Scheme等）：历史悠久的编程语言家族，以其高度灵活性和宏系统闻名
3. Clojure：运行在Java虚拟机中的Lisp方言，结合了函数式编程和Java平台的优势

数据科学和机器学习领域

1. R：在统计分析和数据可视化方面应用广泛
2. Julia：设计用于高性能科学计算和数学分析

Web全栈开发

1. TypeScript的超集，增加了静态类型检查等特性，提高了大型项目的开发效率

移动开发

1. Objective-C：曾经是IOS开发的主要语言，现在逐渐被Swift取代

嵌入式系统开发

1. Assembly Language（汇编语言）：不同的处理器架构有不同的汇编语言，用于对硬件进行的底层控制

其他

1. Pascal：曾经在教学和早期软件开发中有广泛应用
2. Delphi（基于Object Pascal）：用于快速应用开发
3. Scala：融合了面向对象编程和函数式编程，运行在Java虚拟机上
4. Elixir：基于Erlang虚拟机，具有高并发和容错性，适合构建分布式系统

操作系统

• ios
• mac
• linux
• windows
• android
• wince
• vxworks
• RT-Thread

windows ，mac，linux，ios这种是非实时操作系统，实时操作系统vxworks，RT-Thread，wince
Q：什么是实时与非实时？

A：我们在操作过程中，比如我们刷新，点一下立马弹出，但是电脑CPU在执行的时候并没有立马执行你的命令，它可能先执行其他的命令再执行你的命令，这就是非实时的

• 非实时操作系统主要致力于在各种情况下提供良好的整体性能，用户体验和多任务处理能力，但不保证在严格的时间限制内对事件作出响应
• 实时操作系统（RTOS）， 一种专门设计用于实时应用的操作系统，其关键特性是能够在严格的时间限制内响应外部事件。这类操作系统广泛应用于对时间要求极高的环境，例如嵌入式系统、工业控制、航空航天、医疗设备、汽车电子等

硬件设备

计算机硬件

中央处理器(CPU)：计算机的核心部件，负责执行指令和处理数据。它的性能决定了计算机的运行速度。

内存：用于存储正在运行的程序和数据，它的容量和速度对计算机的性能有很大影响。

硬盘：用于长期存储数据，包括操作系统、应用程序、文件等。硬盘的容量和读写速度也是影响计算机性能的重要因素。

显卡：用于处理图形和图像数据，它的性能决定了计算机的图形处理能力。对于游戏玩家和图形设计师来说，显卡的性能非常重要

主板：是计算机的核心电路板，连接着各种硬件设备，如CPU、内存、硬盘、显卡等。主板的质量和性能对计算机的稳定性和扩展性有很大影响。

网络硬件

网络服务器：提供网络服务，如文件存储、电子邮件、Web服务等。网络服务器通常具有较高的性能和可靠性，以满足大量用户的需求

网络存储设备：用于存储网络中的数据，如网络附加存储(NAS)和存储区域网络(SAN)。它们提供了大容量、高可靠性的数据存储解决方案。

网络打印机：可以通过网络连接被多台计算机共享，方便用户打印文件。

网络摄像头：用于视频监控和远程会议等应用。它可以通过网络将视频信号传输到其他设备上。

移动设备硬件

智能手机：集成了多种功能，如通信、拍照、娱乐、办公等。智能手机的硬件包括处理器、内存、存储、，屏幕、摄像头等

平板电脑：类似于智能手机，但屏幕更大，适合阅读、浏览网页、观看视频等。平板电脑的硬件也包括处理器、内存、存储、屏幕、摄像头等。

可穿戴设备：如智能手表、智能手环等，它们可以监测用户的健康数据、运动数据等，并与智能手机等设备进行连接和交互。可穿戴设备的硬件包括传感器，处理器，内存，存储，屏幕等

硬件发展趋势

小型化：硬件设备越来越小型化，便于携带和使用。例如，智能手机、平板电脑等移动设备的体积越来越小，性能却越来越强

高性能：随技术的不断进步，硬件设备的性能不断提高。例如，CPU的处理速度越来越快，内存和存储的容量越来越大，显卡的图形处理能力越来越强

智能化：硬件设备越来越智能化能够自动适应不同的环境和用户需求。例如，智能手机可以根据用户的使用习惯自动调整屏幕亮度、音量等设置

互联互通：硬件设备之间的互联互通越来越紧密，形成了一个庞大的物联网。例如，智能家居设备可以通过网络连接实现自动化控制，智能汽车可以与其他车辆和交通设施进行通信

网络类型

1. 局域网（LAN）：覆盖范围较小，通常局限在几公里以内，通常用于构建企业内部网络。
2. 城域网（MAN）：覆盖范围比局域网大，通常在一个城市范围内，用于连接城市中的多个局域网。
3. 广域网（WAN）：覆盖范围最广，通常跨越城市、国家或地区，用于连接远程的计算机和局域网。

网络协议

1. TCP/IP协议： - 定义：传输控制协议/互联网协议，是互联网通信的基础协议。- 功能：将数据分割成小的数据包进行传输，并通过IP地址定位目标设备。TCP负责数据的可靠传输，IP负责数据的路由和寻址。- 应用：广泛应用于互联网通信、网页浏览、电子邮件等。
2. HTTP协议： - 定义：超文本传输协议，用于在网络中传输超文本的应用层协议。- 功能：在Web浏览器和Web服务器之间传输HTML页面。- 应用：Web应用开发、网页浏览等。
3. FTP协议： - 定义：文件传输协议，用于在网络中传输文件的协议。- 功能：允许用户在客户端和服务器之间进行文件的上传和下载。- 应用：文件共享、文件备份等。
4. SMTP协议： - 定义：简单邮件传输协议，用于在网络中传输电子邮件的协议。- 功能：定义了如何发送和接收电子邮件。- 应用：电子邮件服务、邮件客户端等。
5. DHCP协议： - 定义：动态主机配置协议，用于在一个网络中自动分配IP地址的协议。- 功能：允许设备动态获取IP地址、子网掩码、网关等网络配置信息。- 应用：企业内部网络、家庭网络等。
6. DNS协议： - 定义：域名系统协议，用于将域名解析为IP地址的协议。- 功能：通过将用户输入的域名转换为IP地址，使计算机能够找到目标服务器。- 应用：互联网通信、网页浏览等。

网络设备

1. 路由器：连接不同的网络，实现网络之间的数据转发，它根据ip地址和路由表来确定数据的传输路径
2. 交换机：在局域网中连接多台计算机，实现数据的快速交换。它根据MAC地址来转发数据帧
3. 网卡：安装在计算机上，用于连接网络。它将计算机的数据转换为网络信号进行传输，并接收网络信号转换为计算机可识别的数据
4. 无线接入点（AP）：提供无线网络连接，使无线设备能接入局域网或广域网

网络安全

1. 防火墙：（软/硬）防火墙，它能够有效地保护内部网络资源免受外部网络的攻击和威胁
2. 加密技术：对数据进行加密，防止数据被窃取或篡改
3. 身份认证：确保只有授权用户能够访问网络资源，常见的身份认证方式有用户名和密码，数字证书，生物识别等

人工智能

机器学习（python）

1. 数据收集： - 从各种来源（如数据库、文件、网络爬虫等）收集与任务相关的数据。- 确保数据的多样性和代表性，以覆盖各种可能的场景和情况。
2. 数据预处理： - 清洗数据，去除重复、缺失、异常或噪声数据。- 进行特征提取和选择，从原始数据中提取有用的特征，并去除不相关或冗余的特征。- 对数据进行归一化或标准化处理，以确保不同特征在相同尺度上。
3. 算法选择： - 根据任务类型（如分类、回归、聚类等）和数据特点（如线性、非线性、高维等）选择合适的机器学习算法。- 常见的算法包括线性回归、逻辑回归、决策树、支持向量机、神经网络等。
4. 模型选择： - 在选定的算法框架内，选择具体的模型结构和参数。- 考虑模型的复杂度、泛化能力和计算效率等因素。
5. 模型训练： - 使用训练数据集对模型进行训练，通过迭代更新模型参数来最小化损失函数。- 训练过程可能需要多次迭代，直到模型的性能达到一定的要求或收敛为止。
6. 模型优化： - 采用正则化、早停法、批量标准化等技术防止模型过拟合。- 调整学习率、批量大小、迭代次数等超参数以优化模型性能。- 使用交叉验证等技术来更好地利用数据集，并评估模型的性能。
7. 模型评估： - 使用测试数据集对训练好的模型进行评估，计算模型的预测准确率、召回率、F1值等指标。- 根据评估结果对模型进行调优，调整模型的参数和结构以达到更好的性能。
8. 模型测试： - 在实际应用场景中测试模型的性能，确保模型能够稳定、准确地完成预测任务。- 收集用户的反馈和数据，以便对模型进行持续改进和优化。
9. 模型保存： - 将训练好的模型保存到磁盘或数据库中，以便后续使用或部署。- 确保模型文件的完整性和可读性。
10. 模型部署： - 将模型部署到实际应用场景中，如Web服务、移动应用、嵌入式设备等。- 确保模型能够实时、高效地处理新的数据并输出预测结果。

深度学习

深度学习是一种机器学习形式，它试图模拟人脑中的神经网络结构，通过构建多层非线性处理单元（即神经元）的网络结构，从大量数据中学习和提取特征，以实现复杂任务的自动化处理和决策。深度学习的核心是神经网络，它由若干个层次构成，每个层次包含若干个神经元。这些网络可以从原始数据中自动提取特征并进行学习。

神经网络的结构与功能

1. 层级结构：神经网络由多个层次组成，包括输入层、隐藏层和输出层。输入层负责接收原始数据，隐藏层位于输入层和输出层之间，负责学习和提取特征，输出层则给出最终预测或分类结果。
2. 神经元与连接：神经元是神经网络的基本处理单元，它接收上一层次神经元的输出作为输入，通过加权和转换后输出到下一层次神经元。神经元之间的连接通过权重和偏置来实现，这些参数决定了输入值和输出值之间的关系。

深度学习的训练与优化

1. 前向传播与反向传播：在神经网络中，前向传播是指输入数据从输入层开始通过网络，经过各层的计算和激活函数处理，最终得到输出结果的过程。反向传播则是用于更新神经网络的权重和偏置的关键步骤，它通过计算预测值与实际值之间的误差，然后将误差从输出层向前传播，根据链式法则更新每个神经元的权重和偏置。
2. 损失函数与优化算法：损失函数用于衡量模型预测结果与实际值之间的差异，是深度学习中优化的目标。常见的损失函数包括均方误差（MSE）、交叉熵损失函数等。为了最小化损失函数，深度学习使用优化算法来更新神经网络的权重和偏置。常见的优化算法包括随机梯度下降（SGD）、Adam、Adagrad等。

深度学习的常见网络类型与应用

1. 卷积神经网络（CNN）：CNN是一种特殊的神经网络，主要用于处理图像和视觉数据。它通过卷积层和池化层来提取图像中的局部特征，并通过全连接层进行分类或回归任务。CNN在图像识别、目标检测等领域取得了重大突破。
2. 循环神经网络（RNN）：RNN主要用于处理序列数据，如文本、语音等。它通过循环连接实现对序列数据的建模，能够捕捉序列中的时序信息。RNN在自然语言处理、语音识别等领域有着广泛的应用。
3. 其他网络类型：除了CNN和RNN外，还有深度神经网络（DNN）、长短期记忆网络（LSTM）、生成对抗网络（GAN）等多种深度学习网络类型。它们在各自的领域内发挥着重要的作用。

声明
B站全栈渗透测试教学学习视频（免费）：
https://space.bilibili.com/350329294
学习视频来自B站UP主 泷羽sec,如涉及侵权马上删除文章
笔记的只是方便各位师傅学习知识,以下网站只涉及学习内容,其他的都与本人无关,切莫逾越法律红线,否则后果自负