demi的博客

新年伊始，安全企业都会对过去一年发生的重要事件进行梳理，并基于自身在过去一年对安全态势的理解和积累，形成独特视角，发布新一年的安全趋势预测。

作为全球最大的安全企业，赛门铁克（Symantec）如何看待2019年全球网络安全的发展态势？

趋势1. 围绕AI的竞争和对抗

赛门铁克认为，技术逐年成熟甚至已经到达商用标准的人工智能（AI），无论是从“攻击者”还是“防御着”视角，其强大的自动化、增强决策能力，是攻防双方对人工智能及相关技术的竞争和对抗，2019年会演变的更加激烈。

先从攻击者角度来看。

人工智能系统尤其自我的脆弱性，已有安全研究人员发现，通过恶意训练数据可以影响系统逻辑，并导致运行失常。随着人工智能应用的不断广泛与深入，无疑，关键性的人工智能系统有大概率成为攻击者在2019年的重点关注目标。

除了将其作为攻击目标外，攻击者还可以利用人工智能实施犯罪活动。

人工智能可以帮助攻击者更快速探测网络和系统，并寻找可利用的安全漏洞；人工智能还可以被利用来仿造视频、音频、电子邮件，并针对个人目标发起社会工程攻击。可以预见的是，由人工智能驱动的攻击工具，可以以更低的成本，发动更为复杂的针对性攻击。

各种类型的无线技术和网络允许设备在没有电缆的情况下彼此和网络（TCP / IP网络）说话（发送数据）。有许多不同的无线技术可以在用于物联网（IoT）和机器到机器（M2M）通信的硬件产品中实现。电气和电子工程师协会（IEEE）为802.15技术设立了七个任务组。这些小组为用于个人区域网络的常见无线技术设定了标准。

深度学习对社会和个人的生活将产生深远的影响，其影响方式也是难以想象的。未来若干年，它又将如何影响我们所处的世界？如何让深度学习为个人和生产赋能，发挥作用呢？神经网络的先驱、全球AI专业会议NIPS基金会主席特伦斯·谢诺夫斯基在其新书《深度学习：智能时代的核心驱动力量》中，首次以亲历者视角，前瞻性的提出了未来人工智能发展的8大重要预判。

当前游戏漏洞方面还没有权威的定义和分类方法，不同的人可能会有不同的分类方式，比如有些人喜欢按游戏玩法模块来划分漏洞，把漏洞分为任务系统漏洞、战队系统漏洞、对战系统漏洞等等。这里所说的分类方法主要是从技术角度来分析漏洞形成的原因，进行归纳总结出来的分类方法，仅供大家参考。

时间序列数据是在不同时间点上统计同一指标，并按照时间先后排列成的一个集合。时间序列的主要作用是了解一个指标的长期趋势和预测未来。循环神经网络（Recurrent Neural Network或RNN )就是一类用于处理序列数据的神经网络。RNN的状态，不仅受输入影响，还受前一时刻状态的影响。

机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”形式存在，因此机器学习研究的主要内容，是关于在计算机上从数据中产生模型(model)的算法，即学习算法(learning algoritmn)，有了学习算法，我们把经验数据提供给它，它就能基于这些数据产生模型。在面对新的情况的时候，模型会给我们新的判断。

当你做纹理映射的时候，是否经常会注意到屏幕上显示出的那些明显锯齿，而且你用的纹理像素化得太明显了？现在，我们将谈论如何来解决这个问题，而我们使用的方法就是对你的纹理进行滤波。下面我们将介绍几种常用的滤波方法，最后再详细介绍双线性插值滤波的具体实现。

之前上课的时候其实就没搞懂什么是维纳滤波和卡尔曼滤波，老师完全讲不清楚来龙去脉，滤波、预测都说不清楚。后来刷知乎看到大神的解释，当时倒是茅塞顿开，但是前几天做笔试遇到关于维纳滤波的题目，发现功课没做够。要学习一个东西，我认为第一步不应该是讲它的定义，而是先搞清楚它是在上面背景下提出的，伟大的数学家提出一个概念肯定不是为了考我们的，而是为了解决实际问题的。

之前在《移动和无线网络的深度学习综述（一）》的文章了分享了论文的摘要和Itroduction的内容。 在本文，你可以了解到： 论文的第二节，相关的论文和这篇综述的范围；论文的第三节，深度学习101。