IEEE TIFS: Dynamically Generate Password Policy via Zipf Distribution
口令组合策略有助于增强密码对猜测攻击的抵抗力。本文提出了一种新的自适应口令策略生成框架HTPG，基于口令的ZipF分布，HTPG将口令按频率分成头部口令和尾部口令。 同时，本文提出了一种基于信息增益比的策略排序方法，帮助用户选择更有效的策略增强头部口令。HTPG可以提高整个数据集的安全性，使口令分布更加统一。 实验表明，通过HTPG生成的策略，与原始头部口令相比，破解的数量减少了69%。可用性调查显示80.23%的增强口令不会被记住原始口令的用户忘记。
一年级上的课程选了网络系统安全，小组汇报的内容便做过这个课题。拿到数据集也发现和当时做的差不多。
于是最开始的思路便是按照之前的做法尝试，因为当时汇报要求五分钟内，所以其实做的很浅，这次也算又重新回顾了一遍。
前置技能：
最近也是折腾了一台存储服务器，实际上它不仅仅作NAS（网络附接存储）使用，也跑着一些计算，但是为了方便起见就叫它NAS了。
本文既算是一个记录也可以算是一个教程，包含材料选配、硬件组装、系统安装以及网络设置。如果你也准备建一台NAS的话，本文末也有一些QA帮助你分析是否真的需要、需要何种配置。
全部配置单如下
| 硬件 | 类型 | 参考价格 | 来源 |
|---|---|---|---|
| 准系统 | Dell R730XD准系统(带单电双散+背板扩展) | TB | |
| 阵列卡 | H730 | 准系统带 | TB |
| 网卡 | 双千双万电口 | 准系统带 | TB |
| CPU | TB | ||
| GPU | 丽台K600 | XY | |
| 内存 | XY | ||
| 数据盘 | 平均 | TB | |
| 系统盘 | TB |
此外准系统不带盘架，还花了买了14个盘架以及其他物品搭建环境
| 硬件 | 类型 | 参考价格 | 来源 |
|---|---|---|---|
| UPS | XY | ||
| 电池 | TB | ||
| 路由器 | TL-R3473G | 45 | XY |
实际上如果只是组件一台NAS的话，有很多地方可以减配，不过由于自身的一些需求所以最终配置是这样。
例如，家用买R730 8盘就够用了，用不上XD以及背板扩展，网口也不需要万兆，阵列卡走直通用ZFS软RAID的话H330就够了，这样大概650就能拿下准系统。
以及内存的考量是由于ZFS依赖ECC纠错+大内存做缓存，不过自用实际上两条64G也绰绰有余了，这样内存500预算就够了（如果组硬阵列可以更低）。
包括CPU，不需要计算只常规NAS使用两个E5-2640V4就够了。
数据盘方面也是同样，这里我购买两条SSD的作用是做SLOG+缓存，自用实际上可以不用考虑，全部机械就够了。
系统盘方面，实际上R730系列主板都是支持SD模块的，买两张闪存卡做Mirror搭建系统也是一样的。
综上，这套配置花了7245+900=8145元，如果只是考虑NAS（4T*8）使用的话3500就足够了。
后续更新
全波形反演（FWI）是一种强大的工具，能够基于波传播获得的稀疏测量数据来重建物质场。对于特定问题，使用神经网络（NN）对物质场进行离散化可以提高相应优化问题的鲁棒性和重建质量。本文将这种方法称为基于神经网络的FWI。从初始预测开始，迭代更新神经网络的权重，以使模拟的波形信号与稀疏测量数据集相拟合。对于基于梯度的优化，选择合适的初始预测（即合适的神经网络权重初始化）对于实现快速且稳健的收敛至关重要。
本文提出了一种新颖的迁移学习方法，以进一步改进基于神经网络的FWI。该方法利用监督预训练来提供更好的神经网络权重初始化，从而加快后续优化问题的收敛速度。此外，反演结果还能得到物理上更有意义的局部最小值。网络被预训练以使用传统FWI第一次迭代中的梯度信息来预测未知的物质场。在二维域计算实验中，训练数据集由具有任意位置、不同形状和方向的椭圆形空洞的参考模拟组成。
本文将所提出的迁移学习基于神经网络的FWI与另外三种方法进行了性能比较：传统FWI、未进行预训练的基于神经网络的FWI，以及使用预训练神经网络预测的初始猜测的传统FWI。结果表明，迁移学习基于神经网络的FWI在收敛速度和重建质量方面均优于其他方法。
Venture是一个适用于「Screeps」的自动化机器人。
项目代码：github.com/X3NNY/Venture，欢迎提交issue和PR。
这里的布局可以参考hoho建筑布局教程中的内容，不同的布局方式将应用不同的工作流程，例如，你也可以规划出一种多级布局，即上一级化工厂使用下一级化工厂作为底物化工厂进行合成。
在Venture中，我选择使用常规的中心布局以及固定底物化工厂的模式，将中间两个化工厂作为底物化工厂，其他化工厂处理合成和BOOST工作，优点是设计简单，流程清晰。
当游戏渡过新手期后（房间等级>=3），此时大量的工地待修建，更多的扩展需要能量运输，控制器升级能量需求。单靠房间中的两个能源点不足以覆盖上述能量需求，此时便可以考虑像其他房间扩展。
一次完整的外矿采集可以分为以下四个阶段：
当然，由于游戏中还有中央房间和高速通道的存在，在这两种特殊房间上的外矿开采会稍有不同。
当指定了外矿采集房间之后，如果没有目标房间的视野，将首先生成一个外房斥候爬爬到目标房间获取视野。
同时应中立房间的能源矿只有1500储藏，所以还要孵化一个外房预订爬爬对目标房间控制器进行预订。
房间孵化任务主要负责整个房间运维，这里的房间运维主要指在没有敌人的情况下，如何快速利用房间内的资源进行建造。我们整个设计思路为建筑任务驱动+爬爬角色角色驱动，对于房间运维来说，主要便是母巢何时发布合适的孵化任务。
我们按照房间等级，将游戏进程分为不同阶段。注意：我们这里只考虑理想情况下的运维，在真实世界中还需要配合其他模块保证整个计划稳步进行。
定义：room.level <= 2
此时的主要任务为收集足够的能量用于建造，此时会发布更多的采集爬爬获取更多的矿工，同时通用爬爬作为基础爬爬负责最开始的能量流通。
同时开始着手生成建造爬爬完成容器建造工作。
这个阶段主要是构建房间布局、设置工地等其他工作，完成之后便可以得到容器和一些扩展。