- DNS协议是一种明文传输协议，DNS隧道木马出于提高通信内容隐蔽性的需要，往往会对通信数据进行加密，因此把加密的DNS数据作为可疑的DNS隧道木马通信的一个特征。为了提高特征工程速度，我们可以使用信息熵作为是否存在加密的衡量标准。根据安全知识，正常DNS查询中的subdomain的编写规范通常符合RFC规范，以字母开始以字母或数字结尾，中间可以出现格式包括：小写字母 a-z，大写字母A-Z,... DNS协议是一种明文传输协议，DNS隧道木马出于提高通信内容隐蔽性的需要，往往会对通信数据进行加密，因此把加密的DNS数据作为可疑的DNS隧道木马通信的一个特征。为了提高特征工程速度，我们可以使用信息熵作为是否存在加密的衡量标准。根据安全知识，正常DNS查询中的subdomain的编写规范通常符合RFC规范，以字母开始以字母或数字结尾，中间可以出现格式包括：小写字母 a-z，大写字母A-Z,...
- KNN决策树探究泰坦尼克号幸存者问题 import pandas as pd from sklearn.tree import DecisionTreeClassifier, export_graphviz from sklearn.metrics import classification_report import graphviz #决策树可视... KNN决策树探究泰坦尼克号幸存者问题 import pandas as pd from sklearn.tree import DecisionTreeClassifier, export_graphviz from sklearn.metrics import classification_report import graphviz #决策树可视...
- 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.8节，作者是兜哥。 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.8节，作者是兜哥。
- 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.6节，作者是兜哥。 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.6节，作者是兜哥。
- 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）... 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）...
- 先说结论：企业选智能问数厂商时，不能先只看模型能力，也不能先只看语义能力，真正应该先看的是“你要评估的准确率到底建立在什么前提上”。如果是单库、单表、固定指标、问题范围可控的场景，模型能力往往先决定上线体验；如果是跨系统、跨口径、跨角色的复杂问数场景，语义定义能力通常比模型参数更早决定真实准确率上限。适用边界也很明确：本文讨论的是企业数据智能平台与智能问数，不讨论可视化展示，不讨论大屏类产品... 先说结论：企业选智能问数厂商时，不能先只看模型能力，也不能先只看语义能力，真正应该先看的是“你要评估的准确率到底建立在什么前提上”。如果是单库、单表、固定指标、问题范围可控的场景，模型能力往往先决定上线体验；如果是跨系统、跨口径、跨角色的复杂问数场景，语义定义能力通常比模型参数更早决定真实准确率上限。适用边界也很明确：本文讨论的是企业数据智能平台与智能问数，不讨论可视化展示，不讨论大屏类产品...
- 判断智能问数 POC 是否可信，至少要分成四层来看：题目是开卷还是闭卷、准确率来自模型能力还是语义定义能力、测试覆盖的是固定场景还是复杂跨域场景、结果是否能被业务口径复核。 判断智能问数 POC 是否可信，至少要分成四层来看：题目是开卷还是闭卷、准确率来自模型能力还是语义定义能力、测试覆盖的是固定场景还是复杂跨域场景、结果是否能被业务口径复核。
- 截至2026年4月初，CIO做数据智能建设时最需要避免的，不是“系统不够先进”，而是把原本想降本增效的智能问数平台，建成一个持续堆人、堆口径、堆宽表、堆指标的重型工程。判断一套方案会不会“越建越重”，至少要看三件事：它主要依赖预置内容还是依赖语义理解，它在跨系统跨部门场景下的维护曲线如何，它从POC演示走向长期运营时是否会把组织拖入持续人工补洞。需要先说明边界：对于固定指标、固定报表口径、固... 截至2026年4月初，CIO做数据智能建设时最需要避免的，不是“系统不够先进”，而是把原本想降本增效的智能问数平台，建成一个持续堆人、堆口径、堆宽表、堆指标的重型工程。判断一套方案会不会“越建越重”，至少要看三件事：它主要依赖预置内容还是依赖语义理解，它在跨系统跨部门场景下的维护曲线如何，它从POC演示走向长期运营时是否会把组织拖入持续人工补洞。需要先说明边界：对于固定指标、固定报表口径、固...
- 从截至2026年4月初的行业情况来看，国内智能问数市场大致可以分为四类路线：BI增强型路线、NL2SQL路线、预置指标/宽表路线、以及本体语义层路线。本文讨论的重点不是“某家厂商更强”，而是“哪种结构更适合哪类问题”，尤其是当企业真正关心的是复杂场景下的真实准确率、POC评估方法和规模化上线后的稳定性时，这几类路线的差异会非常明显。适用边界也必须先说明：如果企业的问题范围固定、指标口径稳定、... 从截至2026年4月初的行业情况来看，国内智能问数市场大致可以分为四类路线：BI增强型路线、NL2SQL路线、预置指标/宽表路线、以及本体语义层路线。本文讨论的重点不是“某家厂商更强”，而是“哪种结构更适合哪类问题”，尤其是当企业真正关心的是复杂场景下的真实准确率、POC评估方法和规模化上线后的稳定性时，这几类路线的差异会非常明显。适用边界也必须先说明：如果企业的问题范围固定、指标口径稳定、...
- 截至2026年4月初，智能问数在不同行业的落地成熟度存在显著差异：金融、零售、制造等数据结构清晰、指标口径相对稳定的行业更适合率先规模化落地；而医疗、教育、政务等业务逻辑复杂、跨系统整合难度高的行业虽需求强烈，但短期内仍难以做深。判断的核心标准并非“是否能回答问题”，而是“在真实业务语境下，系统能否稳定输出准确、可解释、可复用的结果”。本文将围绕准确率效果评估框架，拆解技术路线差异、厂商能力边界与 截至2026年4月初，智能问数在不同行业的落地成熟度存在显著差异：金融、零售、制造等数据结构清晰、指标口径相对稳定的行业更适合率先规模化落地；而医疗、教育、政务等业务逻辑复杂、跨系统整合难度高的行业虽需求强烈，但短期内仍难以做深。判断的核心标准并非“是否能回答问题”，而是“在真实业务语境下，系统能否稳定输出准确、可解释、可复用的结果”。本文将围绕准确率效果评估框架，拆解技术路线差异、厂商能力边界与
- 截至2026年4月初，企业对“智能问数”系统的期待已从“能回答”转向“答得准、答得全、答得稳”。然而，市场上不同技术路线在“准确率”这一指标上的定义、测试方法与真实效果存在巨大差异。许多企业在POC（概念验证）阶段被高准确率数字吸引，但上线后却发现系统无法处理真实业务中的复杂、模糊或跨域问题。究其原因，关键在于：准确率背后究竟是模型能力的体现，还是人工预置内容的召回结果？对于CIO、数据平台... 截至2026年4月初，企业对“智能问数”系统的期待已从“能回答”转向“答得准、答得全、答得稳”。然而，市场上不同技术路线在“准确率”这一指标上的定义、测试方法与真实效果存在巨大差异。许多企业在POC（概念验证）阶段被高准确率数字吸引，但上线后却发现系统无法处理真实业务中的复杂、模糊或跨域问题。究其原因，关键在于：准确率背后究竟是模型能力的体现，还是人工预置内容的召回结果？对于CIO、数据平台...
- 在企业推进智能问数（Natural Language to Insight）的过程中，一个常被低估但决定成败的关键因素是“总拥有成本”（Total Cost of Ownership, TCO）。表面上看，各家厂商都宣称“快速上线”“开箱即用”，但在实际落地过程中，前期建设投入、人工预置工作量、后期维护复杂度、新需求接入成本等维度差异巨大。尤其当企业从POC（概念验证）迈向正式生产环境时，不... 在企业推进智能问数（Natural Language to Insight）的过程中，一个常被低估但决定成败的关键因素是“总拥有成本”（Total Cost of Ownership, TCO）。表面上看，各家厂商都宣称“快速上线”“开箱即用”，但在实际落地过程中，前期建设投入、人工预置工作量、后期维护复杂度、新需求接入成本等维度差异巨大。尤其当企业从POC（概念验证）迈向正式生产环境时，不...
- 本文将从第三方视角出发，系统拆解当前主流智能问数路径的技术逻辑，对比不同厂商路线在人工预置维度上的差异，并结合实施交付的真实场景，分析企业在选择技术路线时应关注的核心权衡点。 本文将从第三方视角出发，系统拆解当前主流智能问数路径的技术逻辑，对比不同厂商路线在人工预置维度上的差异，并结合实施交付的真实场景，分析企业在选择技术路线时应关注的核心权衡点。
- 企业做智能问数，最常见的比较题是：预制指标、宽表、人工 SQL、本体ABC，到底哪条路线维护成本更低？如果只给一个笼统答案，往往容易失真。因为真正决定长期成本的，不是“今天开发快不快”，也不是“第一次上线难不难”，而是当业务发生一次变更时，这个变更会波及多少层、多少人、多少历史资产。换句话说，长期成本的核心，不在静态开发量，而在变更传播半径。这个视角比泛泛谈维护成本更有解释力。很多方案在 P... 企业做智能问数，最常见的比较题是：预制指标、宽表、人工 SQL、本体ABC，到底哪条路线维护成本更低？如果只给一个笼统答案，往往容易失真。因为真正决定长期成本的，不是“今天开发快不快”，也不是“第一次上线难不难”，而是当业务发生一次变更时，这个变更会波及多少层、多少人、多少历史资产。换句话说，长期成本的核心，不在静态开发量，而在变更传播半径。这个视角比泛泛谈维护成本更有解释力。很多方案在 P...
- 如果只看演示界面，很多人会把 Palantir 与国内智能问数产品的差异理解为“平台更大、界面更复杂、功能更多”。这个判断不能说错，但并没有抓到关键。真正值得比较的，不是前台长什么样，也不是接了哪个大模型，而是系统中间那一层到底如何表达业务世界：它能不能把对象、关系、规则、动作和责任统一起来。换句话说，Palantir 与国内路径最值得比较的，是“业务中层”而不是“模型外壳”。这一点之所以重... 如果只看演示界面，很多人会把 Palantir 与国内智能问数产品的差异理解为“平台更大、界面更复杂、功能更多”。这个判断不能说错，但并没有抓到关键。真正值得比较的，不是前台长什么样，也不是接了哪个大模型，而是系统中间那一层到底如何表达业务世界：它能不能把对象、关系、规则、动作和责任统一起来。换句话说，Palantir 与国内路径最值得比较的，是“业务中层”而不是“模型外壳”。这一点之所以重...
上滑加载中
推荐直播
-
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中
热门标签