Flink 1.10 新特性研究
Flink 1.10 release 文档描述了一些比较重要的点，比如配置、操作、依赖、1.9 版本和 1.10 版本之间的区别，如果你准备将 Flink 升级到 1.10 版本，建议仔细看完下面的内容。
相关分享
1
喜欢
ix
ixyzero.com
/
2025-01-12 12:07
和舞弊有关的理论及研究
本文介绍了舞弊的定义及其对企业的危害，重点阐述了舞弊的主要理论，包括冰山理论、三角理论、GONE理论和舞弊风险因子理论。此外，文章讨论了我国舞弊案件中出现的“29岁现象”，即舞弊者年龄集中在29岁左右的趋势，并分析了其成因，提出了综合治理的建议。该内容适合企业管理者、审计人员、风险控制专家以及对企业舞弊防范感兴趣的研究人员阅读。
无图
1
喜欢
zh
www.zhangxinxu.com
/
2024-08-06 07:49
聊聊Top Layer顶层特性的隐患与实践
文章探讨了Web开发中使用<dialog>元素和其他顶层特性的方法和潜在问题。作者介绍了如何通过showModal()方法使<dialog>元素成为顶层，从而覆盖页面其他元素，并详细讨论了顶层元素带来的显示问题及其解决方案，如使用showPopover()方法显示自定义提示信息。此外，文章还分享了对未来技术兼容性和实用性的见解。
无图
1
喜欢
di
www.diguage.com
/
2023-07-04 23:10
关于 MySQL 新版连接驱动时区对齐问题的研究
在一个项目开量验证过程中，发现 createDate 字段不正确，比正确时间晚了十四个小时。调研发现，这是一个非常典型的问题。现在把定位问题的思路和解决办法给大家做个分享。
无图
1
喜欢
bl
blog.nsfocus.net
/
2022-09-13 23:33
TLS指纹分析研究（上）
TLS协议已经成为互联网上最流行的协议，以确保网络通信免受干扰和窃听。TLS被用于加载Firefox浏览器中超过70%的网页，随着越来越多的网站、服务和应用程序切换到TLS，其应用将继续增长。
由于网络管理人员可以识别和阻止自定义协议，很多恶意工具已经转向使用现有协议，TLS的流行为这些恶意工具提供了一个很好的选择，使用TLS协议的恶意工具可以将其流量隐藏在大量web浏览器和其他TLS的合法覆盖流量中以逃避检测。
本文分享一篇指纹数据分析的论文，通过收集和分析9个月内超过110亿个真实的TLS连接流量，从白流量的角度给出一些结论，希望给研究人员带来一些思考。
无图
1
喜欢
aw
www.awaimai.com
/
2022-08-19 00:16
图解 Flink 滚动窗口、会话窗口和滑动窗口
Flink 作业中的窗口是指一种对无限数据流设置有限数据集，从而实现了处理无线数据流的机制。
窗口本身只是个划分数据集的依据，它并不存储数据。
当我们需要在时间窗口维度上对数据进行聚合时，窗口是流处理应用中经常需要解决的问题。Flink的窗口算子为我们提供了方便易用的API，我们可以将数据流切分成一个个窗口，对窗口内的数据进行处理。
窗口主要有两种，一种基于时间的时间窗口（TimeWindow），一种基于数量的计数窗口（CountWindow），计数窗口与时间无关，本文主要讨论时间窗口。
无图
1
喜欢
se
www.sec-un.org
/
2022-08-18 23:38
商用密码应用安全建设市场研究与思考
众所周知，密码作为网络安全的核心技术和基础支撑，是构建网络信任体系的重要基石。文章简要介绍了等保建设发展、商密管理发展，重点阐述了密评工作必要性、密评建设关键点，并从用户需求、政策标准、监督监管、供应供给等四个方面对密评建设市场不同阶段进行了评估预测。
无图
1
喜欢
bl
blog.nsfocus.net
/
2022-05-06 23:16
基于机器学习的反欺诈研究
互联网应用在给用户带来便利的同时，也引入了新的风险。屡见报端的网络欺诈事件，已经给许多互联网用户带来了严重危害。本文将介绍几种基于机器学习的能够有效监管和防御网络欺诈的技术手段。
无图
1
喜欢
mp
mp.weixin.qq.com
/
2022-03-24 09:20
Java9到16新特性总结大全！
JAVA 这几年的更新实在是太太太……快了，JAVA 8 都还没用多久，16 都已经发布了。自从 JAVA 8 发布了 Lambda 和 Stream 之后，JAVA 就像打了鸡血一样，半年一个版本的发布，生产队的驴也没这么勤快。
无图
1
喜欢
mp
mp.weixin.qq.com
/
2021-08-29 13:27
Swift5.4新特性
Swift 5.4 带来了一些巨大的编译改进，包括表达式中具有错误的更好的代码完成和增量编译的大幅度提高。但是，它也增加了一些重要的新功能和改进，因此让我们在这里进行深入研究...
无图
1
喜欢
52
www.52nlp.cn
/
2021-06-13 23:04
带噪学习研究及其在内容审核业务下的工业级应用
从人脸识别，机器翻译到智能推荐，人工智能已经深入到现代社会的方方面面。现在工业上最常见的人工智能系统，往往依赖于大量有标签的数据。通常，优质的有标签数据需要耗费大量的人力、物力。而且人工打的标签的准确度，往往随着标注任务复杂度的提高而降低。
一般的人工智能算法，都是在干净的数据集上做学习和优化。在现实中的工业应用场景中存在大量弱监督的情况，即标签缺失（无监督、半监督）、标签错误（错监督）的情况。我们在第一个章节，简单介绍一下我们vivo ai lab两篇AAAI2021关于弱监督带噪学习的工作；并在第二章介绍一下我们的工作在内容审核业务下的工业级应用。
无图