深度学习加密
‘壹’ 信息安全安全前沿技术有哪些
信息安全基本上都是都是攻与防的对抗，正是这种对抗促使了信息安全的发展，因此攻也属于信息安全非常重要的一块。因而前沿的东西都在攻防这一块儿，这也是为什么各大安全公司都有攻防实验室的原因。由于种种原因，攻击技术远远超前于防护技术，最近几年流行的威胁情报也是为了解决如何更快的发现攻击并做情报共享，堵住同类型攻击。
把信息安全划分为北向和南向，北向偏理论，务虚；南向偏技术，务实。当然本人属于南向。
北向前沿：机器学习和深度学习在信息安全中的运用，威胁情报的识别，大数据和云技术在信息安全领域的运用等。
南向前沿：关注blackhat吧，目前都在研究智能硬件设备的安全，物联网安全，智能家居安全，车联网安全，工控安全等等。这些领域目前还都处于攻击技术领先的状态。
至于代表人物，没有，谁敢来代表一个方向的前沿，有也是吹牛瞎忽悠的人。
‘贰’ Python课程内容都学习什么啊
贺圣军Python轻松入门到项目实战（经典完整版）（超清视频）网络网盘
链接: https://pan..com/s/1C9k1o65FuQKNe68L3xEx3w
若资源有问题欢迎追问~
‘叁’ 华为算法工程师和AI工程师的区别
工作职责的区别。
一、算法工程师的岗位职责：大视频是华为未来很长一段时间的主航道，加入主航道，你将获得巨大的拓展空间。在这里，你将有机会接触到最顶尖的计算机视觉技术前沿，超级丰富的计算资源和数据，极具挑战的产品需求，以及一流的业界专家。在这里，你将负责：
1、计算机视觉算法研发与产品开发，包括但不限于人脸识别、人脸属性识别、目标检测、目标分类、目标属性识别、图像分割、图像解说、目标跟踪、视频分割、视频语义提取、文字检测、人体重识别、图像生成、图片审核等顶级技术领域；
2、深度学习算法的研发，特别是在计算机视觉领域的应用研究，以及模型加速、模型加密、模型量化等研发。二、AI工程师的岗位职责：
1、精通AI相关算法的原理，优缺点和相关使用场景，包括但不限于：深度学习，统计学习，树算法，GAN，RL，EA，CNN，RNN，最优化等等，在CV或NLP有相关实践经验更好；
2、擅长tensorflow或pytorch的使用，能写相关的分布式训练和预测的代码，熟悉分布式计算的原理，两个框架都熟悉或看过源码更好；
3、熟悉AI相关算法的性能调优，包括模型压缩。量化，GPU/CPU优化，分布式计算优化等等，有HPC实践经验更好。
‘肆’ 世界十大新科技！你了解几个
世界十大新 科技 ：
1、量子计算机
2、液体活检
3、人类细胞图谱计划
4、从阳光中收集液态燃料
5、基因疫苗
6、深度学习与机器视觉
7、从空气中收集净水
8、可持续型社区
9、精准农业
10、廉价的氢能 汽车 催化剂
1、量子计算机
详细介绍：量子计算机（quantum computer）是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息，运行的是量子算法时，它就是量子计算机。
量子计算机理论上具有模拟任意自然系统的能力，同时也是发展人工智能的关键。由于量子计算机在并行运算上的强大能力，使它有能力快速完成经典计算机无法完成的计算。这种优势在加密和破译等领域有着巨大的应用。
2、液体活检
详细介绍：液体活检是指通过检测、分析体液（例如血液、尿液和脑脊髓液）中的肿瘤细胞、核酸、蛋白质和代谢产物，对患者进行早期筛查、诊断并监测癌症发展演变。
液体活检的优势在于能解决精准医疗的痛点，通过非侵入性取样降低活检危害，而且有效延长患者生存期，具有高性价比。
3、人类细胞图谱计划
详细介绍：人类细胞图谱计划是一项与“人类基因组计划”相媲美的大型国际合作项目，致力于建立一个 健康 人体所包含的所有细胞的参考图谱，包括细胞类型、数目、位置、相互关联与分子组分等。
4、从阳光中收集液态燃料
详细介绍：哈佛大学的科学家找出一款新型钴-磷催化剂，利用太阳能，将水分子分解成氢气和氧气，随后这些氢将二氧化碳转化成有机物。在这样一个封闭系统中，燃烧释放的二氧化碳将重新被转化成燃料，而不是被排放到大气中。这项技术可能会给太阳能和风能行业带来革命性的影响。
5、基因疫苗
详细介绍：基因疫苗是指是DNA疫苗，即将编码外源性抗原的基因插入到含真核表达系统的质粒上，然后将质粒直接导入人或动物体内，让其在宿主细胞中表达抗原蛋白，诱导机体产生免疫应答。抗原基因在一定时限内的持续表达，不断刺激机体免疫系统，使之达到防病的目的。
6、深度学习与机器视觉
详细介绍：深度学习是工业机器人的核心技术，能够推动机器人摆脱束缚，根据环境的变化，自主的进行工业操作，也能够像人类一样，通过不断的学习，充实自己，以适应不断变化的工业环境。
机器视觉是自动化生产装置转化为智能机器人的关键因素，最初主要是作为机器人生产的辅助工具，来提升智能机器人环境识别能力，以提高自身的自由性和对周边环境的反馈，大数据、云计算技术的不断发展，也使得机器视觉能够成为智能生产系统的主导，作出科学的判断和决策。
机器视觉和深度学习是智能机器人研究的重点领域，能够推动机器人摆脱束缚，根据环境的变化，自主的进行操作，也能够像人类一样，通过不断的学习，以适应不断变化的环境，两者的发展直接影响到工业机器人的发展水平。
7、从空气中收集净水
详细介绍：此前，科学家已经能够从空气中收集净水，但现有的技术需要耗费大量电力，并且只有在湿度较高时才能实现。
而现在，情况正在发生改变。来自MIT和加州大学伯克利分校的研究团队通过一类新型多孔晶体——金属有机骨架(metal-organic frameworks)，在空气湿度低至20%的环境下成功收集净水，且这一过程完全不需消耗能量。
8、可持续型社区
详细介绍：将绿色建筑理念一次性应用到大规模的建筑过程中，它将可能为能量、水资源的消耗带来一场革命。可持续型社区是一种现代高 科技 环保摄取，人类居住在这样的环境之中，可以更加合理的利用水资源和电力。
9、精准农业
详细介绍：精准农业是由信息技术支持的根据空间变异，定位、定时、定量地实施一整套现代化农事操作技术与管理的系统，包括信息采集－信息解码－投入优化－田间实践的良性循环，其中信息和数据是精准农业最核心部分，首先要采集作物相关信息， 以及影响作物生长的外界信息，再通过一系列软件应用技术，进行信息的统计分析解读，并以网站或手机App 的方式呈现给农业相关人员，包括种植者或农技服务人员等，来指导农业田间实践活动，达到精准种植、精准灌溉、精准喷施等目的，以获取最高产量和最大经济效益。
10、廉价的氢能 汽车 催化剂
详细介绍：此项目的目的是开发一种零排放的氢燃料电池技术。目前使用的催化剂含有金属铂，价格高昂，因此项目暂时陷入瓶颈。但是，现在很多研究正在致力于减少对这种稀有而昂贵的金属的依赖，目前最新的研究已经能够做到不利用铂，甚至是完全不使用金属。
‘伍’ 代码反平庸吗
代码反混淆（deobfuscation）和代码混淆（obfuscation）对应，是其逆过程。维基网络将代码混淆定义为故意生成人类难以理解的源代码或机器码的过程（"In software development, obfuscation is the deliberate act of creating source or machine code that is difficult for humans to understand."）。代码反混淆可以理解为将原本人类难以理解的代码转化为简单的、可理解的、直观的代码的过程。
这篇文章主要介绍一下
"Big Code" 在代码反混淆领域的应用。更具体一点就是介绍一下提出 "JSNice" 和 "Deguard"
的两篇文章，这两篇文章虽然已经发表快五年了，但至今没有文章Follow这两份工作，因为文章已经将使用 "Big Code"
做代码命名反混淆做到了极致。后来的人无法在这个问题上推陈出新，脱颖而出。
"Big Code"： 代码托管网站如GitHub上的大量免费可用的高质量代码被称为 "Big Code" ，这些数据结合统计推理或深度学习为新兴的开发工具的出现提供了契机。
概率图模型：概率图模型是用图来表示变量概率依赖关系的理论，结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。
问题
为了项目的安全，开发者在打包发布项目时会对代码进行混淆加密，包括但不限于用无意义的短变量去重命名类、变量、方法，以免代码被轻易破解泄露。另外由于JS脚本主要用于Web开发，对其进行混淆还能压缩脚本的大小，使得浏览器下载、加载更加快速，提升用户的浏览体验。
这一类通过对类、变量、方法重命名的混淆方案确实能加大其他开发者对代码的理解难度。其他开发者不干了，为了能方便理解他人混淆后的代码，学习（抄袭）他人的经验，针对这一类混淆方法的反混淆方法也应运而生。
下面先展示一下安卓APP的代码混淆技术：
其他元素，比如类名，Feilds名称的不等约束比较简单，直接处理就行。
所有不等约束以集合 表示， ， 中任意两个节点的名称必须不一样。
注意这个约束只用与预测阶段，因为训练数据（未混淆）本身满足这些约束。很容易可以把这些约束结合到JSNice的算法1中。
Deguard的概率图优化算法和JSNice也不一样，采用的是pseudo likelihood estimation。具体阐述推荐阅读文章[3]。
值得注意的是，为什么JSNice就没有Deguard中提到的相等约束和不等约束，笔者个人认为还是由问题和语言特性共同决定，JSNice的名称预测其实只预测了局部变量，而JS的语言特性导致其本身不需要检测局部变量的名称冲突，只有执行结果报错才会说明程序出错。也就是说其实JS本身语言特性就没有这类约束，自然不需要建模。
‘陆’ 怎么修补avx指令集
要搞明白AVX指令集的作用，首先要讲明白它是什么。定义很简单，它就是x86处理器上面的一套SIMD指令集，是经典的SSE系列指令集的直接继承者。那么SIMD又是什么呢？
在计算机刚刚出现的早期阶段，冯·诺伊曼式计算机每次输入一个指令只能够操作一对数据，比如说"+,a,b"可以让ab进行相加，这就是单指令流单数据流（Single Instruction Stream, Single Data Stream)。显然，在面对大量数据的时候，这种操作数据的方法效率较低，程序员想要让一次操作就对多组数据生效，怎么办呢？单指令流多数据流操作（Single Instruction Stream, Multiple Data Stream）的思路就被引入了，它让输入一次指令就操作多组数据变成了可能。
打开网络APP看高清图片
更直观的区别可以看上面的示意图。
上世纪八九十年代，很多处理器开发商都意识到了SIMD的前景，他们开始往自家的处理器里加入SIMD支持。1996年，Intel发布了基于新版P55C架构（最早一版Pentium处理器为P5架构）的Pentium MMX系列处理器，其中引入了新的MMX指令集，开始支持SIMD。
从MMX到SSE，再到AVX
Pentium MMX系列处理器上新引入的MMX指令集开创了x86处理器支持SIMD操作的先河，该指令集定义了8个64-bit宽度的寄存器，每个寄存器的64-bit容量中可以放入八个8-bit长度的整数或四个16-bit长度整数或两个32-bit整数，CPU在识别到MMX指令集的新指令时会自动将寄存器中的数据进行分割计算，这样一来，单个指令就成功操作了多个数据，实现了SIMD。
但MMX毕竟太嫩，它实际上是通过复用CPU内部x87浮点单元的寄存器来实现SIMD的，所以与运行浮点运算的x87指令集有冲突，两者不能交叉使用，必须先进行切换。另外，由于上述的冲突，它只支持整数操作，在即将要到来的3D时代中显得有些不够用。
Intel当然很清楚MMX指令集的局限之处，而竞争对手新捣鼓出来的3DNow!指令集（1998年，AMD K6-2）已经支持了浮点SIMD运算，于是他们赶紧在经典的奔3处理器上面引入了新的SSE（Streaming SIMD Extensions）指令集，时间点为1999年2月份。
SSE指令集解决了MMX指令集身上存在的两大问题，通过引入新的独立寄存器解决了与浮点运算间的冲突问题，同时也就支持了浮点SIMD运算。当然它相对于MMX有很大加强，表现在它的寄存器宽度随着处理器架构的进步而达到了128-bit，这样一来一次SIMD指令能够操作更多的数据，效率上有大幅度的提高。不过初代SSE指令集的单个寄存器只支持32-bit长度的浮点数，还是有很大的局限性，这个问题在Pentium 4（Willamette，2000年）上面引入的SSE2中被解决了，SIMD操作的灵活度高了很多。
随后在约莫8年的时间里，Intel一直在更新SSE指令集，从SSE出到SSE4，AMD方面则是一直在跟进，到了SSE4.2，AMD开始想要在指令集上面寻找自己的翻身点，于是推出了只有自家支持的SSE4a子集，随后更是提前于Intel提出了SSE5。
但Intel不干，我是x86的老大，我不能跟着你来。他们另起炉灶，准备在未来的Sandy Bridge架构中引入一套新的SIMD指令集，这套新指令集在2008年公布，被命名为高级向量扩展（Advanced Vector Extensions）。
革新的AVX，越来越宽的寄存器
相比起迭代了多年的SSE系列指令集，AVX指令集带来了巨大的革新，其中最为主要的是，它在兼容SSE指令集性的同时，将SSE时代最大宽度为128-bit的寄存器拓宽到了256-bit。
不过初代AVX指令集还是比较保守的，它没有将所有指令宽度拓宽到256-bit，而是选择停留在128-bit上面。全面进入256-bit时代这个任务，还是交给了随后的Haswell架构来完成（2013年6月份）。
同处理器用不同指令集的能效对比
但如果以为Intel会就此停下脚步的话，那就大错特错了，他们很快捣鼓出了更宽的AVX-512指令集，顾名思义，其寄存器宽度再次加倍，来到512-bit。
首个支持AVX-512指令集的处理器其实是Intel的Xeon Phi加速卡，首次跑到CPU上已经是Skylake-X系列了。而AVX-512也并不再是一个单一的指令集，它实际上指代的是多个指令集的集合，目前这个数字是17，之后可能还会增多。所有支持AVX-512的处理器都必须支持AVX-512 Foundation子集，从命名上也可以看出，它其实是AVX-512指令集的基础。
长长的AVX-512子集列表
目前只有基于Skylake-Server和Ice Lake这两个架构的处理器可以支持AVX-512（Cannon Lake死了，不然也算），使用门槛较高，一般新一点的应用也只是针对AVX2进行优化。
宽度越大，处理器的计算能力也就越强，尤其是在浮点运算方面，理论上提升有一倍之多，而实际应用中，如果优化得当，其提升幅度还要大一些。但是，新指令集在带来性能增长的同时也带来了另一个让人感到头痛的问题——功耗。
性能强了，峰值功耗也高了
AVX指令集在带来更高性能的同时让CPU的峰值功耗也变高了，可以通过下面的例子进行理解：
飞机发动机是按照最大起飞重量设计的，如果实际的载重没有到最大起飞重量的话，飞行员就可以减推力起飞来降低油耗。CPU也是一样的，最吃功耗的执行单元是根据最大宽度来设计的，平时用不到最大宽度的时候它的功耗就小了，而一旦用到极限，它也就会全开，此时CPU的功耗就上去了。
现如今CPU的功耗是根据负载大小来的，在同频下面，AVX2的负载明显高于SSE负载，因此它的功耗也会大上去。为了让CPU的功耗保持在TDP范围之内，Intel特地设计了一个AVX偏移频率，让工作在AVX状态下面的处理器降低一点频率以减小发热量和功耗，保证使用安全。Intel官方也在2014年的一份AVX指令集优化白皮书中明确说明使用AVX指令集需要额外的电压和电流。
只在跑分上看到？其实不然
对于我们这些要做跑分评测的编辑来说，最常接触到的AVX应用其实就是AIDA64了，那么可能有读者就要问了，这个指令集都已经推出十年了难道只能用来跑分烤机吗？当然不是，在Intel的推广之下，现如今已经有大量的生产力应用支持它了，主要在渲染、视频编码、加解密和数学计算等方面有应用，新的AVX-512还针对深度学习推出了AVX-512 VNNI子集，另外，普通玩家最为关心的游戏方面也是有越来越多的应用了，下面举几个例子。
渲染、视频编码
渲染方面最常见的有Blender，它不仅仅在我们的测试中被用的多，是真的有很多人都会用它做动画或者CG图，它的渲染引擎可以调用AVX2指令集进行加速计算，吃满你的CPU。
跟渲染方面有点搭边的就是视频编码了，x264和x265这两个知名开源视频编码器想必已经不用再多介绍了，它们都在前几年中纷纷加入了对于AVX指令集的支持，后者甚至加入了针对AVX-512的支持，不过还需要继续优化。另外，Intel方面自己也开源了一套名为SVT的视频编码器，配合不同后端可以实现不同的编码，对AVX和多核的优化相当好。
深度学习
深度学习方面，Google着名的开源深度学习框架Tensorflow在1.6版本之后就已经需要一颗支持AVX指令集的CPU了，换言之，它应用了AVX指令集。
另外，AVX-512的大宽度让它很适合用来跑深度学习，所以Intel也针对深度学习设计了一套子指令集——AVX-512 VNNI，用来加速深度学习相关的计算，在测试中，它表现出了相当的实力。
加解密
加解密计算场景中对CPU的计算吞吐量有较大的要求，此时AVX指令集就可以发挥作用，常见的软件支持就有OpenSSL这个堪称是互联网基石的加密库，另外像很多程序会使用的libsodium加密库也提供了从AVX到AVX-512的优化，而Linux内核也支持使用AVX和AVX2指令集进行加解密计算，还会配合AES-NI这个专用的指令集。实际上目前还有很多数字货币的计算过程支持使用AVX指令集，不过这个应该是真的没有人会用了……
游戏
近两三年的大作基本都开始启用AVX指令集来进行计算了，一般在游戏中CPU负责除了图形以外的杂活，比如说计算各种NPC的运动路径，计算各种动体的轨迹这样的杂活。不过近两年也有厂商想让Intel参与进游戏图形计算，甚至是当下热门的光线追踪运算，比如Intel的光线追踪计算库Embree就可以被整合进游戏中，目前已经有《坦克世界》等游戏使用了它，Embree库高度依赖AVX指令集，也对CPU的游戏性能提出了新的阐述方式：直接参与图形渲染。
总结：未来是AVX的
总的来说，AVX目前还没有完全展露出它的价值，这也是软件优化缺位导致的。不过随着各路编译器的跟进、处理器迭代使得支持AVX指令集的处理器普及，相信我们的常用软件也会加入AVX优化，比如说在图片处理时调用它。配合上已经展开应用的各种生产力应用，AVX的前景非常广阔。