Snort在工控系统入侵检测的应用
近年来，国内外的工控安全事件频出，越来越多国家级APT组织的攻击目标开始转向工控领域，检测工控系统中的入侵行为具有重大意义。本文从实战出发，研究对施耐德的启停攻击过程，搭建开源Snort框架来完成对施耐德M580的攻击检测。
相关分享
1
喜欢
te
tech.meituan.com
/
2025-01-12 11:53
鸿蒙应用签名实操及机制探究
本文深入探讨了 HarmonyOS NEXT 的应用签名机制，详细解析了签名过程的每个步骤及其背后的实现原理，并通过源码分析了签名的校验机制。文章旨在揭示鸿蒙系统的安全设计思路，为从事鸿蒙研发的开发者提供参考。适合对鸿蒙系统安全机制感兴趣的开发者和安全研究人员阅读。
无图
1
喜欢
cr
crossoverjie.top
/
2025-01-06 23:39
k8s 云原生应用如何接入监控
这篇文章介绍了如何在 Kubernetes 中监控 Pod 的运行状态，详细讲解了使用 Prometheus 和 Grafana 配置监控、收集指标、设置报警等步骤。通过具体示例，帮助开发者理解如何提升 Kubernetes 集群的可观察性，确保应用的高可用性。内容适合 Kubernetes 用户、DevOps 工程师以及对容器化应用监控感兴趣的技术人员，提供了实用的操作指南和最佳实践。
无图
1
喜欢
te
tech.meituan.com
/
2025-01-02 23:44
AutoConsis：UI内容一致性智能检测
深入分享了美团在 UI 自动化一致性检测上的技术方案，从设计思路到实际应用，全面展示了如何提升产品质量和用户体验！想了解大厂如何用技术解决复杂问题？快来阅读并转发！
无图
1
喜欢
in
innei.in
/
2024-11-23 21:56
Vercel 部署的单页应用（SPA）动态 Meta 标签实践
在 Vercel 部署的单页应用（SPA）中，配置动态 Meta Tags 可改善 SEO 和分享体验。通过中间层实现 SSR 或利用 Edge Functions 渲染动态标签，可让每个页面呈现独立内容，兼顾性能与优化效果！
无图
1
喜欢
cr
crossoverjie.top
/
2024-11-02 16:35
OpenTelemetry在企业内部应用所需要的技术栈
本文详细解析了 OpenTelemetry 在企业中的技术栈应用，涵盖日志、指标和链路追踪的整合方案，帮助实现系统全方位的可观测性。介绍了 OpenTelemetry 的架构和关键组件如 Collector、eBPF，以及 SigNoz 和 OpenObserve 等开源工具，以实现统一的数据存储和可视化，适合需要高效、灵活监控的企业部署。
无图
1
喜欢
zg
zgq.me
/
2024-09-09 23:37
浅谈 GUI 应用开发
本文深入探讨了 GUI 应用开发中的关键问题，从状态管理、生命周期到交互模式等多个角度分享了开发经验。无论你是前端开发者还是产品设计师，这篇文章都能为你在 GUI 开发中提供实用的见解和技巧。赶紧阅读，提升你的应用开发水平吧！
无图
1
喜欢
bl
blog.yuanpei.me
/
2024-09-08 23:23
浅议 CancellationToken 在前后端协同取消场景中的应用
前后端协同取消机制是现代 Web 开发中提升效率的重要工具，特别是在异步任务中，如何有效感知并处理取消请求是关键。本文详细讲解了 .NET 的 CancellationToken 和 ASP.NET Core 的 RequestAborted 属性如何协同工作，并附上了实战代码示例。想优化你的取消机制，提升应用响应速度吗？赶快阅读这篇深度分析！
无图
1
喜欢
te
tech.meituan.com
/
2024-08-06 07:50
DDD在大众点评交易系统演进中的应用
本文整理自美团技术沙龙第73期《基于领域驱动设计（DDD）的架构演进和实践》，主要介绍了DDD的核心概念、常见的设计思路，并结合DDD介绍大众点评交易系统的演进过程，最后做了一些总结和思考。希望这些内容能够对大家有所帮助或启发。
无图
1
喜欢
te
tech.meituan.com
/
2024-03-31 21:17
百亿大规模图在广告场景的应用
本文通过搜索推荐项目进行外卖搜索广告弱供给填充，提高流量变现效率。我们提出外卖多场景异构大图、异构大图在线建模技术演进路线，解决外卖搜索推荐业务多渠道、即时化的挑战。相关成果发表CIKM2023会议一篇。联合机器学习平台搭建大规模图训练、在线推理引擎GraphET，满足近百亿边规模、复杂图结构的多个业务落地。
无图
1
喜欢
ix
ixyzero.com
/
2024-03-31 21:10
异常检测是什么？
简单整理一下在和AI对话时产生的一些对「异常检测」的理解，方便后面有需要的时候参考。
异常检测是识别与预期行为不同的事件或模式的过程（因此想要识别“异常”，就需要先明确“正常”是什么样的。一种逻辑是完全按照规范来，非白即黑，但在实际情况下这种的告警量太多导致基本不可用；另一种逻辑是按照统计指标进行从大到小排序，每次只处理当前的top5，要么正常要么异常，正常的话就去优化统计策略——加白，异常的话就加大统计指标权重，进一步发现更多异常。总之就是需要在准确率和召回率之间找到平衡）。
异常检测的准确性高度依赖于数据的质量，包括数据的完整性、一致性和准确性。
对于某些领域，需要深入了解数据的业务背景和特点，以便更好地识别异常。
无图