demi的博客

译：骄阳

随着各国政府寻求解决物联网安全问题，世界各地都出现了一系列的监管措施。这是一个积极行动，表明市场正在成熟，不过物联网监管并非没有挑战。这些监管措施不可避免地遭到了那些认为它可能会造成物联网废物堆积如山的人的抵制，而其他人则认为它可能会阻碍创新。

因此，每项立法都略有不同。Pen Test Partners的合伙人肯·芒罗( Ken Munro )表示：这些法规将决定监管的演变，因此我们必须考虑所采取的措施、它们的好处以及不足之处。

1、《2017年物联网网络安全改进法案》(美国)：旨在控制美国政府内部的物联网，物联网网络安全改进法案可能对物联网的发展产生深远影响。法规要求设备不得出现NIST漏洞库中已知的安全漏洞，而且必须支持更新，必须使用固定或硬编码凭据进行远程管理、更新和通信，并且必须披露和修复漏洞。然而，将漏洞局限于NIST，可能会出现一些没有被列出的常见问题，例如，客户应用程序中的SQL注入被忽略。此外，它也没有认识到许多RF协议被设计为根本不使用凭据，因此需要废弃或升级这些设备以支持更严格的无线协议。目前该法案尚未通过，其他法案包括智能物联网法案、数字法案、安全物联网法案、网络防护法案和物联网消费者提示法案。

任何公司企业都免不了数据泄露事件。但这些事件会以哪种形式出现？攻击者是怎么获得访问权的？他们会窃取或破坏什么？到底是什么驱使着他们尝试这些攻击？数据泄露的本质和后果在来年会有怎样的改变？在此，业界专家们就网络罪犯明年入侵网络盗取数据的目标、途径和原因作出了他们的预测。

五大攻击形式

1. 汽车网络攻击将可能致命

黑掉联网汽车并夺取其控制权已被证明是可行的。此类黑客行为不仅仅能关闭汽车的引擎，还可以禁用汽车的安全功能，比如防抱死系统或安全气囊。随着汽车联网程度的增加和无人驾驶汽车的发展，黑客也有了更多的机会造成真正的伤害。

2. 攻击者会劫持互联网

电影《速度与激情8》上出现的黑客远程操控汽车形成丧尸潮一般的情形，现实中会出现吗？12月18日，全球著名白帽黑客、顶级安全专家Charlie Miller与Chris Valasek 在一场主题演讲中标记，随着自动驾驶技术的普及，好莱坞大片中的情节分分钟都会成为现实。

“攻击者一般需要四步来攻击一辆自动驾驶汽车。” 在日前由腾讯汽车主办的2018全球汽车AI大会上，Charlie Miller与Chris Valasek就“如何保障自动驾驶汽车安全”这一话题发表了看法，他指出“随着自动车的自动驾驶程度越来越高，未来车控制的每一个部分都可以被黑，都可以被攻击。”

自动驾驶汽车已经成为全世界车企和人工智能领域重点开发的技术。2014年，国际汽车工程师学会发布了从L0至L5的自动驾驶六级分类体系，该体系已被美国国家公路交通安全管理局采用，并成为自动驾驶研究中的主流分类标准。目前，多家国内外车企均按该标准规划了自动驾驶产品上市时间表。

但随着部分自动驾驶产品展开测试，安全问题也开始有所显现。除了由今年3月Uber自动驾驶汽车在美国撞死行人而引发的对自动驾驶的交通安全质疑外，对自动驾驶汽车所存在的受到黑客攻击的担忧也一直贯穿着该技术的发展。

大家使用Unity的经验都有多长呢？Unity编辑器中还有这样的隐藏功能你知道吗？本系列文章为大家介绍Unity使用小技巧......

技巧一

如果编辑器意外崩溃了，但场景未保存，这时可以打开工程目录，找到/Temp/_Backupscenes/文件夹，可以看到有后缀名为.backup的文件，将该文件的后缀名改为.unity拖拽到项目视图，即可还原编辑器崩溃前的场景。

技巧二

所有数值类型的字段，都支持在检视面板中直接输入简单的数值表达式。

当前，人工智能正在席卷全球科技产业，越来越多的行业和市场都在人工智能领域进行深耕，作为当今辅助人类进行创新和变革的重要生产力工具和技术驱动力，人工智能技术当前已经发展到什么阶段了呢？未来人工智能产业又将会走向何方呢？

对于人工智能技术来说，我们日常经常看到的或许是机器算法的应用、又或是对于自然语言的处理等内容，对于人工智能来说，现在已经收集了海量的最优算法，其中涵盖了计算机视觉、游戏、自然语言处理、网络图、知识库等很多内容。

计算机视觉感知

其中值得一提的是计算机视觉，对于计算机视觉来说，3D技术是最受青睐的一类，2017年的CVPR，MIT、马萨诸塞大学阿默斯特分校和谷歌DeepMind的研究人员展示了一项成果，使用自动编码器（VAE），构建了一个名叫SingleVPNet的框架，能从多个视角的深度图或其相应的轮廓（silhouette）学习生成模型，并使用渲染函数从这些图像生成细节精致的3D形状。

对于计算机识别感知框架来说，通过一系列不同视角的2D深度图当中，研究人员就能够去生成新的3D形状和3D图片，其中的平均误差将会缩小到0.35左右，也就是说计算机视觉所带来的3D图片将会是非常逼真的一张图。

卷积神经网络（Convolution Neural Network，CNN）已经在许多计算机视觉（Computer Vision）任务上取得了成功。 对于可视化，CNN 可以怎么应用于图形感知任务？ 这篇文章 [1] 通过复制 Cleveland 和 McGill 的1984年的开创性实验 [2] 来研究这个问题，该实验测量了不同视觉编码的人类感知效率，并定义了可视化的基本感知任务。 我们在五种不同的可视化任务上测量了四种网络架构的图形感知功能，并与现有人的感知能力进行比较。 虽然在有限的情况下 CNN 能够达到或超越人工任务表现，但我们发现 CNN 目前还不是人类图形感知的良好模型。 我们提供这些实验的结果，以促进理解 CNN 在应用于数据可视化时的成功和失败。

这篇文章为了确定CNN模型来拟合人类对图形的感知能力，文章中主要用了四种模型来进行实验：多层感知机、LeNet、VGG19、Xception。

下面是具体的模型结构：

手机常用的定位方式有：

1、卫星定位：手机定位的核心。包括美国的GPS，中国的北斗(BDS)、欧洲的伽利略(Galileo)、俄罗斯的格洛纳斯(Glonass)。此外，还有日本的准天顶系统（QZSS）和印度的IRNSS。
2、移动基站定位：有手机信号就能定位！
3、WiFi辅助定位：“灵异”定位技术
4、A-GPS定位：给GPS派个助手
5、室内定位。包括蓝牙定位、红外定位、RFID射频定位、超声波定位、Zigbee定位、UMB定位等。Wi-Fi定位，其实也一样适用于室内。

3. WiFi辅助定位

除了基站定位之外，还有一个大家可能比较陌生的地面定位方式，就是Wi-Fi定位。

没错，Wi-Fi也可以定位哟！

也许你会认为，我所说的Wi-Fi定位，就是IP地位定位。其实并不是哦！

机器学习有望从根本上改变软件开发的本质，这也许是自FORTRAN和LISP被发明以来的第一次。 它对我们几十年来的编程范式提出了第一个真正的挑战。 这些变化对数百万正在实施软件开发的人而言，会意味着什么？ 我们是否会看到失业和裁员，或者会看到编程演变成不同的东西，也许会是一种更关注于满足用户的东西？

自20世纪70年代以来，我们已经或多或少地构建了软件。 我们有高级语言，低级语言，脚本语言以及用于构建和测试软件的工具，但这些工具需要我们做的事情没有发生太大变化。 我们的语言和工具比50年前要好得多，但它们本质上是一样的。我们仍然有着代码编辑器。这些编辑器变得更花哨了：他们有彩色的高亮，变量名补全，它们有时可以帮助我们完成重构等任务，但他们仍然是emacs和vi的后代。 面向对象代表了一种不同的编程风格，而不是某种本质上而言“全新”的东西 —— 当然，函数式编程可以一直追溯到50年代（除非我们不知道它曾经被叫作这个名字）。 我们可以做得更好吗？

数学在机器学习中非常重要，不论是在算法上理解模型代码，还是在工程上构建系统，数学都必不可少。通常离开学校后很难有机会静下心学习数学知识，因此我们最好能通过阅读小组或读书会等形式营造环境，并专注学习那些在实践中常常需要用到的数学知识。

数学达到什么水平才可以开始机器学习？人们并不清楚，尤其是那些在校期间没有研究过数学或统计学的人。

本文的写作目的是介绍构建机器学习产品或进行相关学术研究所必需的数学背景，以及数学在工程和研究中的重要性。这些建议是根据我和机器学习工程师、研究者和教育者交流而得到的，当然也有我自己在机器学习研究和业界工作中的个人经验。

为了构建必备的数学背景，我首先提出不同的思维模式和策略，帮助大家在学校之外也可以接受数学教育。然后，我会给出不同种类机器学习工作所需的数学背景，从高中水平的统计学和微积分到概率图模型（PGM）的最新进展。希望大家读完本文后，能够对自己在机器学习工作中所需要的数学教育有清楚的认知。

关于数学焦虑

很多人害怕数学，包括工程师。首先，我想解决「擅长数学」这一迷思。

一般精通数学的人有大量和数学有关的实践经验。因此，他们在研究数学时更容易保持专注。相比内在能力，学生的思维模式才是决定一个人学习数学能力的关键。

2019年将为数据中心和公共云和私有云提供什么？这是人们进行有根据的猜测。

在年底的时候，回顾和展望是不可避免的传统。在此将将重点放在数据中心和云计算，因为很多企业的开展业务正在云平台和本地部署实现之间找到平衡。

在此预测的大部分内容已经在研究或新兴趋势中被暗示过，所以不会超出更多范围。这只是根据过去的证据做出合理的假设和结论。希望这会提高准确率。以下就是对于数据中心和云计算的10个预测。

1. 边缘计算已经成熟，但是需要业务模型

这不难理解。每个人都喜欢边缘计算的想法。数据中心运营商认为这是减轻中央服务器负载的一个机会，认为这是一个提供不到10毫秒响应时间的机会。像VaporIO公司和施耐德电气公司这样的供应商正在推出不同的基站布局模型，5G也开始推出。

问题是谁为此支付费用。这还没有解决。它会落到手机供应商身上，还是属于那些想要连接汽车的汽车制造商呢?这个行业在以后梦想技术和思考商业模式方面有着悠久的历史记录，而边缘计算在寻找所有者方面是一个昂贵的想法。这需要在2019年解决。

2. 水冷技术得到发展