深度學習加密
『壹』 信息安全安全前沿技術有哪些
信息安全基本上都是都是攻與防的對抗，正是這種對抗促使了信息安全的發展，因此攻也屬於信息安全非常重要的一塊。因而前沿的東西都在攻防這一塊兒，這也是為什麼各大安全公司都有攻防實驗室的原因。由於種種原因，攻擊技術遠遠超前於防護技術，最近幾年流行的威脅情報也是為了解決如何更快的發現攻擊並做情報共享，堵住同類型攻擊。
把信息安全劃分為北向和南向，北向偏理論，務虛；南向偏技術，務實。當然本人屬於南向。
北向前沿：機器學習和深度學習在信息安全中的運用，威脅情報的識別，大數據和雲技術在信息安全領域的運用等。
南向前沿：關注blackhat吧，目前都在研究智能硬體設備的安全，物聯網安全，智能家居安全，車聯網安全，工控安全等等。這些領域目前還都處於攻擊技術領先的狀態。
至於代表人物，沒有，誰敢來代表一個方向的前沿，有也是吹牛瞎忽悠的人。
『貳』 Python課程內容都學習什麼啊
賀聖軍Python輕松入門到項目實戰（經典完整版）（超清視頻）網路網盤
鏈接: https://pan..com/s/1C9k1o65FuQKNe68L3xEx3w
若資源有問題歡迎追問~
『叄』 華為演算法工程師和AI工程師的區別
工作職責的區別。
一、演算法工程師的崗位職責：大視頻是華為未來很長一段時間的主航道，加入主航道，你將獲得巨大的拓展空間。在這里，你將有機會接觸到最頂尖的計算機視覺技術前沿，超級豐富的計算資源和數據，極具挑戰的產品需求，以及一流的業界專家。在這里，你將負責：
1、計算機視覺演算法研發與產品開發，包括但不限於人臉識別、人臉屬性識別、目標檢測、目標分類、目標屬性識別、圖像分割、圖像解說、目標跟蹤、視頻分割、視頻語義提取、文字檢測、人體重識別、圖像生成、圖片審核等頂級技術領域；
2、深度學習演算法的研發，特別是在計算機視覺領域的應用研究，以及模型加速、模型加密、模型量化等研發。二、AI工程師的崗位職責：
1、精通AI相關演算法的原理，優缺點和相關使用場景，包括但不限於：深度學習，統計學習，樹演算法，GAN，RL，EA，CNN，RNN，最優化等等，在CV或NLP有相關實踐經驗更好；
2、擅長tensorflow或pytorch的使用，能寫相關的分布式訓練和預測的代碼，熟悉分布式計算的原理，兩個框架都熟悉或看過源碼更好；
3、熟悉AI相關演算法的性能調優，包括模型壓縮。量化，GPU/CPU優化，分布式計算優化等等，有HPC實踐經驗更好。
『肆』 世界十大新科技！你了解幾個
世界十大新 科技 ：
1、量子計算機
2、液體活檢
3、人類細胞圖譜計劃
4、從陽光中收集液態燃料
5、基因疫苗
6、深度學習與機器視覺
7、從空氣中收集凈水
8、可持續型社區
9、精準農業
10、廉價的氫能 汽車 催化劑
1、量子計算機
詳細介紹：量子計算機（quantum computer）是一類遵循量子力學規律進行高速數學和邏輯運算、存儲及處理量子信息的物理裝置。當某個裝置處理和計算的是量子信息，運行的是量子演算法時，它就是量子計算機。
量子計算機理論上具有模擬任意自然系統的能力，同時也是發展人工智慧的關鍵。由於量子計算機在並行運算上的強大能力，使它有能力快速完成經典計算機無法完成的計算。這種優勢在加密和破譯等領域有著巨大的應用。
2、液體活檢
詳細介紹：液體活檢是指通過檢測、分析體液（例如血液、尿液和腦脊髓液）中的腫瘤細胞、核酸、蛋白質和代謝產物，對患者進行早期篩查、診斷並監測癌症發展演變。
液體活檢的優勢在於能解決精準醫療的痛點，通過非侵入性取樣降低活檢危害，而且有效延長患者生存期，具有高性價比。
3、人類細胞圖譜計劃
詳細介紹：人類細胞圖譜計劃是一項與「人類基因組計劃」相媲美的大型國際合作項目，致力於建立一個 健康 人體所包含的所有細胞的參考圖譜，包括細胞類型、數目、位置、相互關聯與分子組分等。
4、從陽光中收集液態燃料
詳細介紹：哈佛大學的科學家找出一款新型鈷-磷催化劑，利用太陽能，將水分子分解成氫氣和氧氣，隨後這些氫將二氧化碳轉化成有機物。在這樣一個封閉系統中，燃燒釋放的二氧化碳將重新被轉化成燃料，而不是被排放到大氣中。這項技術可能會給太陽能和風能行業帶來革命性的影響。
5、基因疫苗
詳細介紹：基因疫苗是指是DNA疫苗，即將編碼外源性抗原的基因插入到含真核表達系統的質粒上，然後將質粒直接導入人或動物體內，讓其在宿主細胞中表達抗原蛋白，誘導機體產生免疫應答。抗原基因在一定時限內的持續表達，不斷刺激機體免疫系統，使之達到防病的目的。
6、深度學習與機器視覺
詳細介紹：深度學習是工業機器人的核心技術，能夠推動機器人擺脫束縛，根據環境的變化，自主的進行工業操作，也能夠像人類一樣，通過不斷的學習，充實自己，以適應不斷變化的工業環境。
機器視覺是自動化生產裝置轉化為智能機器人的關鍵因素，最初主要是作為機器人生產的輔助工具，來提升智能機器人環境識別能力，以提高自身的自由性和對周邊環境的反饋，大數據、雲計算技術的不斷發展，也使得機器視覺能夠成為智能生產系統的主導，作出科學的判斷和決策。
機器視覺和深度學習是智能機器人研究的重點領域，能夠推動機器人擺脫束縛，根據環境的變化，自主的進行操作，也能夠像人類一樣，通過不斷的學習，以適應不斷變化的環境，兩者的發展直接影響到工業機器人的發展水平。
7、從空氣中收集凈水
詳細介紹：此前，科學家已經能夠從空氣中收集凈水，但現有的技術需要耗費大量電力，並且只有在濕度較高時才能實現。
而現在，情況正在發生改變。來自MIT和加州大學伯克利分校的研究團隊通過一類新型多孔晶體——金屬有機骨架(metal-organic frameworks)，在空氣濕度低至20%的環境下成功收集凈水，且這一過程完全不需消耗能量。
8、可持續型社區
詳細介紹：將綠色建築理念一次性應用到大規模的建築過程中，它將可能為能量、水資源的消耗帶來一場革命。可持續型社區是一種現代高 科技 環保攝取，人類居住在這樣的環境之中，可以更加合理的利用水資源和電力。
9、精準農業
詳細介紹：精準農業是由信息技術支持的根據空間變異，定位、定時、定量地實施一整套現代化農事操作技術與管理的系統，包括信息採集－信息解碼－投入優化－田間實踐的良性循環，其中信息和數據是精準農業最核心部分，首先要採集作物相關信息， 以及影響作物生長的外界信息，再通過一系列軟體應用技術，進行信息的統計分析解讀，並以網站或手機App 的方式呈現給農業相關人員，包括種植者或農技服務人員等，來指導農業田間實踐活動，達到精準種植、精準灌溉、精準噴施等目的，以獲取最高產量和最大經濟效益。
10、廉價的氫能 汽車 催化劑
詳細介紹：此項目的目的是開發一種零排放的氫燃料電池技術。目前使用的催化劑含有金屬鉑，價格高昂，因此項目暫時陷入瓶頸。但是，現在很多研究正在致力於減少對這種稀有而昂貴的金屬的依賴，目前最新的研究已經能夠做到不利用鉑，甚至是完全不使用金屬。
『伍』 代碼反平庸嗎
代碼反混淆（deobfuscation）和代碼混淆（obfuscation）對應，是其逆過程。維基網路將代碼混淆定義為故意生成人類難以理解的源代碼或機器碼的過程（"In software development, obfuscation is the deliberate act of creating source or machine code that is difficult for humans to understand."）。代碼反混淆可以理解為將原本人類難以理解的代碼轉化為簡單的、可理解的、直觀的代碼的過程。
這篇文章主要介紹一下
"Big Code" 在代碼反混淆領域的應用。更具體一點就是介紹一下提出 "JSNice" 和 "Deguard"
的兩篇文章，這兩篇文章雖然已經發錶快五年了，但至今沒有文章Follow這兩份工作，因為文章已經將使用 "Big Code"
做代碼命名反混淆做到了極致。後來的人無法在這個問題上推陳出新，脫穎而出。
"Big Code"： 代碼託管網站如GitHub上的大量免費可用的高質量代碼被稱為 "Big Code" ，這些數據結合統計推理或深度學習為新興的開發工具的出現提供了契機。
概率圖模型：概率圖模型是用圖來表示變數概率依賴關系的理論，結合概率論與圖論的知識，利用圖來表示與模型有關的變數的聯合概率分布。
問題
為了項目的安全，開發者在打包發布項目時會對代碼進行混淆加密，包括但不限於用無意義的短變數去重命名類、變數、方法，以免代碼被輕易破解泄露。另外由於JS腳本主要用於Web開發，對其進行混淆還能壓縮腳本的大小，使得瀏覽器下載、載入更加快速，提升用戶的瀏覽體驗。
這一類通過對類、變數、方法重命名的混淆方案確實能加大其他開發者對代碼的理解難度。其他開發者不幹了，為了能方便理解他人混淆後的代碼，學習（抄襲）他人的經驗，針對這一類混淆方法的反混淆方法也應運而生。
下面先展示一下安卓APP的代碼混淆技術：
其他元素，比如類名，Feilds名稱的不等約束比較簡單，直接處理就行。
所有不等約束以集合 表示， ， 中任意兩個節點的名稱必須不一樣。
注意這個約束只用與預測階段，因為訓練數據（未混淆）本身滿足這些約束。很容易可以把這些約束結合到JSNice的演算法1中。
Deguard的概率圖優化演算法和JSNice也不一樣，採用的是pseudo likelihood estimation。具體闡述推薦閱讀文章[3]。
值得注意的是，為什麼JSNice就沒有Deguard中提到的相等約束和不等約束，筆者個人認為還是由問題和語言特性共同決定，JSNice的名稱預測其實只預測了局部變數，而JS的語言特性導致其本身不需要檢測局部變數的名稱沖突，只有執行結果報錯才會說明程序出錯。也就是說其實JS本身語言特性就沒有這類約束，自然不需要建模。
『陸』 怎麼修補avx指令集
要搞明白AVX指令集的作用，首先要講明白它是什麼。定義很簡單，它就是x86處理器上面的一套SIMD指令集，是經典的SSE系列指令集的直接繼承者。那麼SIMD又是什麼呢？
在計算機剛剛出現的早期階段，馮·諾伊曼式計算機每次輸入一個指令只能夠操作一對數據，比如說"+,a,b"可以讓ab進行相加，這就是單指令流單數據流（Single Instruction Stream, Single Data Stream)。顯然，在面對大量數據的時候，這種操作數據的方法效率較低，程序員想要讓一次操作就對多組數據生效，怎麼辦呢？單指令流多數據流操作（Single Instruction Stream, Multiple Data Stream）的思路就被引入了，它讓輸入一次指令就操作多組數據變成了可能。
打開網路APP看高清圖片
更直觀的區別可以看上面的示意圖。
上世紀八九十年代，很多處理器開發商都意識到了SIMD的前景，他們開始往自家的處理器里加入SIMD支持。1996年，Intel發布了基於新版P55C架構（最早一版Pentium處理器為P5架構）的Pentium MMX系列處理器，其中引入了新的MMX指令集，開始支持SIMD。
從MMX到SSE，再到AVX
Pentium MMX系列處理器上新引入的MMX指令集開創了x86處理器支持SIMD操作的先河，該指令集定義了8個64-bit寬度的寄存器，每個寄存器的64-bit容量中可以放入八個8-bit長度的整數或四個16-bit長度整數或兩個32-bit整數，CPU在識別到MMX指令集的新指令時會自動將寄存器中的數據進行分割計算，這樣一來，單個指令就成功操作了多個數據，實現了SIMD。
但MMX畢竟太嫩，它實際上是通過復用CPU內部x87浮點單元的寄存器來實現SIMD的，所以與運行浮點運算的x87指令集有沖突，兩者不能交叉使用，必須先進行切換。另外，由於上述的沖突，它只支持整數操作，在即將要到來的3D時代中顯得有些不夠用。
Intel當然很清楚MMX指令集的局限之處，而競爭對手新搗鼓出來的3DNow!指令集（1998年，AMD K6-2）已經支持了浮點SIMD運算，於是他們趕緊在經典的奔3處理器上面引入了新的SSE（Streaming SIMD Extensions）指令集，時間點為1999年2月份。
SSE指令集解決了MMX指令集身上存在的兩大問題，通過引入新的獨立寄存器解決了與浮點運算間的沖突問題，同時也就支持了浮點SIMD運算。當然它相對於MMX有很大加強，表現在它的寄存器寬度隨著處理器架構的進步而達到了128-bit，這樣一來一次SIMD指令能夠操作更多的數據，效率上有大幅度的提高。不過初代SSE指令集的單個寄存器只支持32-bit長度的浮點數，還是有很大的局限性，這個問題在Pentium 4（Willamette，2000年）上面引入的SSE2中被解決了，SIMD操作的靈活度高了很多。
隨後在約莫8年的時間里，Intel一直在更新SSE指令集，從SSE出到SSE4，AMD方面則是一直在跟進，到了SSE4.2，AMD開始想要在指令集上面尋找自己的翻身點，於是推出了只有自家支持的SSE4a子集，隨後更是提前於Intel提出了SSE5。
但Intel不幹，我是x86的老大，我不能跟著你來。他們另起爐灶，准備在未來的Sandy Bridge架構中引入一套新的SIMD指令集，這套新指令集在2008年公布，被命名為高級向量擴展（Advanced Vector Extensions）。
革新的AVX，越來越寬的寄存器
相比起迭代了多年的SSE系列指令集，AVX指令集帶來了巨大的革新，其中最為主要的是，它在兼容SSE指令集性的同時，將SSE時代最大寬度為128-bit的寄存器拓寬到了256-bit。
不過初代AVX指令集還是比較保守的，它沒有將所有指令寬度拓寬到256-bit，而是選擇停留在128-bit上面。全面進入256-bit時代這個任務，還是交給了隨後的Haswell架構來完成（2013年6月份）。
同處理器用不同指令集的能效對比
但如果以為Intel會就此停下腳步的話，那就大錯特錯了，他們很快搗鼓出了更寬的AVX-512指令集，顧名思義，其寄存器寬度再次加倍，來到512-bit。
首個支持AVX-512指令集的處理器其實是Intel的Xeon Phi加速卡，首次跑到CPU上已經是Skylake-X系列了。而AVX-512也並不再是一個單一的指令集，它實際上指代的是多個指令集的集合，目前這個數字是17，之後可能還會增多。所有支持AVX-512的處理器都必須支持AVX-512 Foundation子集，從命名上也可以看出，它其實是AVX-512指令集的基礎。
長長的AVX-512子集列表
目前只有基於Skylake-Server和Ice Lake這兩個架構的處理器可以支持AVX-512（Cannon Lake死了，不然也算），使用門檻較高，一般新一點的應用也只是針對AVX2進行優化。
寬度越大，處理器的計算能力也就越強，尤其是在浮點運算方面，理論上提升有一倍之多，而實際應用中，如果優化得當，其提升幅度還要大一些。但是，新指令集在帶來性能增長的同時也帶來了另一個讓人感到頭痛的問題——功耗。
性能強了，峰值功耗也高了
AVX指令集在帶來更高性能的同時讓CPU的峰值功耗也變高了，可以通過下面的例子進行理解：
飛機發動機是按照最大起飛重量設計的，如果實際的載重沒有到最大起飛重量的話，飛行員就可以減推力起飛來降低油耗。CPU也是一樣的，最吃功耗的執行單元是根據最大寬度來設計的，平時用不到最大寬度的時候它的功耗就小了，而一旦用到極限，它也就會全開，此時CPU的功耗就上去了。
現如今CPU的功耗是根據負載大小來的，在同頻下面，AVX2的負載明顯高於SSE負載，因此它的功耗也會大上去。為了讓CPU的功耗保持在TDP范圍之內，Intel特地設計了一個AVX偏移頻率，讓工作在AVX狀態下面的處理器降低一點頻率以減小發熱量和功耗，保證使用安全。Intel官方也在2014年的一份AVX指令集優化白皮書中明確說明使用AVX指令集需要額外的電壓和電流。
只在跑分上看到？其實不然
對於我們這些要做跑分評測的編輯來說，最常接觸到的AVX應用其實就是AIDA64了，那麼可能有讀者就要問了，這個指令集都已經推出十年了難道只能用來跑分烤機嗎？當然不是，在Intel的推廣之下，現如今已經有大量的生產力應用支持它了，主要在渲染、視頻編碼、加解密和數學計算等方面有應用，新的AVX-512還針對深度學習推出了AVX-512 VNNI子集，另外，普通玩家最為關心的游戲方面也是有越來越多的應用了，下面舉幾個例子。
渲染、視頻編碼
渲染方面最常見的有Blender，它不僅僅在我們的測試中被用的多，是真的有很多人都會用它做動畫或者CG圖，它的渲染引擎可以調用AVX2指令集進行加速計算，吃滿你的CPU。
跟渲染方面有點搭邊的就是視頻編碼了，x264和x265這兩個知名開源視頻編碼器想必已經不用再多介紹了，它們都在前幾年中紛紛加入了對於AVX指令集的支持，後者甚至加入了針對AVX-512的支持，不過還需要繼續優化。另外，Intel方面自己也開源了一套名為SVT的視頻編碼器，配合不同後端可以實現不同的編碼，對AVX和多核的優化相當好。
深度學習
深度學習方面，Google著名的開源深度學習框架Tensorflow在1.6版本之後就已經需要一顆支持AVX指令集的CPU了，換言之，它應用了AVX指令集。
另外，AVX-512的大寬度讓它很適合用來跑深度學習，所以Intel也針對深度學習設計了一套子指令集——AVX-512 VNNI，用來加速深度學習相關的計算，在測試中，它表現出了相當的實力。
加解密
加解密計算場景中對CPU的計算吞吐量有較大的要求，此時AVX指令集就可以發揮作用，常見的軟體支持就有OpenSSL這個堪稱是互聯網基石的加密庫，另外像很多程序會使用的libsodium加密庫也提供了從AVX到AVX-512的優化，而Linux內核也支持使用AVX和AVX2指令集進行加解密計算，還會配合AES-NI這個專用的指令集。實際上目前還有很多數字貨幣的計算過程支持使用AVX指令集，不過這個應該是真的沒有人會用了……
游戲
近兩三年的大作基本都開始啟用AVX指令集來進行計算了，一般在游戲中CPU負責除了圖形以外的雜活，比如說計算各種NPC的運動路徑，計算各種動體的軌跡這樣的雜活。不過近兩年也有廠商想讓Intel參與進游戲圖形計算，甚至是當下熱門的光線追蹤運算，比如Intel的光線追蹤計算庫Embree就可以被整合進游戲中，目前已經有《坦克世界》等游戲使用了它，Embree庫高度依賴AVX指令集，也對CPU的游戲性能提出了新的闡述方式：直接參與圖形渲染。
總結：未來是AVX的
總的來說，AVX目前還沒有完全展露出它的價值，這也是軟體優化缺位導致的。不過隨著各路編譯器的跟進、處理器迭代使得支持AVX指令集的處理器普及，相信我們的常用軟體也會加入AVX優化，比如說在圖片處理時調用它。配合上已經展開應用的各種生產力應用，AVX的前景非常廣闊。