大数据安全技术实验：数据动态脱敏与操作审计实践

实验概述

  • 动态脱敏：在数据使用（查询、导出）时，根据用户角色或访问场景，实时对敏感数据进行脱敏处理，原始数据不改变，仅向用户展示脱敏后的数据，实现“按需可见”；
  • 视图脱敏：通过创建数据库视图，在视图中定义脱敏规则，用户查询视图而非原始表，实现动态脱敏；
  • 操作审计：开启数据库审计日志，记录所有用户的操作行为（登录、查询、插入、更新、删除），包括操作时间、用户名、IP地址、执行的SQL语句等，用于追溯违规操作。

实验步骤，结果与问题解决过程

实验场景：模拟某银行客户信息查询系统，不同角色用户（普通柜员、客户经理、系统管理员）查询客户敏感数据（身份证号、银行卡号、余额）时，看到不同脱敏程度的结果，同时记录所有用户的操作行为，便于审计追溯。

模块一：准备实验环境与测试数据

步骤1：确认MySQL服务正常运行

  • 登录Xshell连接CentOS 7服务器，执行systemctl status mysqld，确保MySQL服务已启动。

步骤2：创建客户信息表并插入数据

登录MySQL（root用户），执行以下SQL语句：

    • 创建数据库
CREATE DATABASE IF NOT EXISTS bank_db CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; USE bank_db;

    • 创建客户信息表（含敏感字段）
CREATE TABLE IF NOT EXISTS customer ( id INT PRIMARY KEY AUTO_INCREMENT COMMENT '客户ID', name VARCHAR(20) NOT NULL COMMENT '客户姓名', id_card VARCHAR(18) NOT NULL COMMENT '身份证号（敏感）', bank_card VARCHAR(19) NOT NULL COMMENT '银行卡号（敏感）', balance DECIMAL(10,2) NOT NULL COMMENT '账户余额（敏感）', phone VARCHAR(11) NOT NULL COMMENT '手机号（敏感）', register_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '注册时间' ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='客户信息主表';

    • 插入测试数据
INSERT INTO customer (name, id_card, bank_card, balance, phone) VALUES ('张三', '110101199001011234', '6222020108123456789', 50000.00, '13800138000'), ('李四', '310101199505056789', '6222030108987654321', 80000.00, '13900139000'), ('王五', '440101199808085678', '6222040108112233445', 30000.00, '13700137000'), ('赵六', '420101200002028901', '6222050108556677889', 100000.00, '13600136000'); 验证 `SELECT * FROM customer;`

步骤3：创建不同角色用户

执行以下SQL语句创建3个不同角色的用户：

      1. 普通柜员（只能查看基础信息，敏感字段高度脱敏）CREATE USER IF NOT EXISTS 'teller'@'%' IDENTIFIED BY 'Teller@123';
      1. 客户经理（可查看部分敏感字段，轻度脱敏）CREATE USER IF NOT EXISTS 'manager'@'%' IDENTIFIED BY 'Manager@123';
      1. 系统管理员（可查看完整信息，无脱敏）CREATE USER IF NOT EXISTS 'admin'@'%' IDENTIFIED BY 'Admin@123';
    • 分配查询权限（仅允许查询customer表）

GRANT SELECT ON bank_db.customer TO 'teller'@'%';

GRANT SELECT ON bank_db.customer TO 'manager'@'%';

GRANT SELECT ON bank_db.customer TO 'admin'@'%';

刷新权限FLUSH PRIVILEGES;

验证

模块二：设计动态脱敏规则

步骤1：基于角色创建脱敏视图

登录MySQL（root用户），为不同角色创建对应的脱敏视图：

USE bank_db;

      1. 普通柜员视图（高度脱敏）

仅显示信息片段

DROP VIEW IF EXISTS customer_view_teller; CREATE VIEW customer_view_teller AS SELECT id, name, CONCAT(SUBSTRING(id_card, 1, 6), '**********', SUBSTRING(id_card, 17, 2)) AS id_card, CONCAT('**** **** **** ', SUBSTRING(bank_card, 13, 7)) AS bank_card, CONCAT('≥', FLOOR(balance/10000)*10000, '元') AS balance, CONCAT(SUBSTRING(phone, 1, 3), '****', SUBSTRING(phone, 8, 4)) AS phone, register_time FROM customer;

上个报错是因为MySQL的CREATE VIEW不支持IF NOT EXISTS语法。

      1. 客户经理视图（轻度脱敏）
      1. 管理员视图（无脱敏，显示完整信息）

验证试图SHOW FULL TABLES IN bank_db WHERE TABLE_TYPE LIKE 'VIEW';

步骤2：分配视图访问权限

执行以下SQL语句，限制不同用户只能访问对应的脱敏视图：

    • 收回直接查询原始表的权限

REVOKE SELECT ON bank_db.customer FROM 'teller'@'%';

REVOKE SELECT ON bank_db.customer FROM 'manager'@'%';

    • 管理员保留原始表访问权限
    • 分配视图访问权限

GRANT SELECT ON bank_db.customer_view_teller TO 'teller'@'%';

GRANT SELECT ON bank_db.customer_view_manager TO 'manager'@'%';

GRANT SELECT ON bank_db.customer_view_admin TO 'admin'@'%';

FLUSH PRIVILEGES;

步骤3：验证动态脱敏效果

用普通柜员teller用户登录Navicat：

  • 执行查询：SELECT * FROM bank_db.customer_view_teller;
  • 验证结果：身份证号、银行卡号、手机号高度脱敏，余额显示区间（如“≥50000元”）。

用客户经理manager用户登录Navicat：

  • 执行查询：SELECT * FROM bank_db.customer_view_manager;
  • 验证结果：身份证号、银行卡号轻度脱敏，余额和手机号完整显示。

用管理员admin用户登录Navicat：

  • 执行查询：SELECT * FROM bank_db.customer_view_admin;
  • 验证结果：所有字段完整显示，无脱敏。

尝试用teller用户查询原始表：SELECT * FROM bank_db.customer; → 提示“权限不足”（验证权限控制）。

模块三：配置MySQL操作审计

步骤1：开启MySQL通用审计日志

登录Xshell连接CentOS 7服务器，编辑MySQL配置文件：

vi /etc/my.cnf

添加以下配置（开启通用日志，记录所有操作）：

[mysqld]

general_log = ON # 开启通用日志

general_log_file = /var/log/mysql/bank_audit.log # 审计日志文件路径

log_output = FILE # 日志输出到文件（支持FILE/TABLE）

创建日志目录并授权：

mkdir -p /var/log/mysql

chown mysql:mysql /var/log/mysql # 赋予MySQL用户读写权限

重启MySQL服务：

systemctl restart mysqld

步骤2：模拟用户操作行为

用3个不同角色用户依次执行以下操作（模拟正常与异常操作）：

  • teller用户：查询脱敏视图2次，尝试查询原始表1次；
SELECT * FROM bank_db.customer_view_teller WHERE id = 1;

正常查询2

SELECT name, phone FROM bank_db.customer_view_teller;

异常操作

SELECT * FROM bank_db.customer;

  • manager用户：查询脱敏视图3次，导出1条数据；
    • 查询1 SELECT * FROM bank_db.customer_view_manager WHERE balance > 50000;
    • 查询2 SELECT id_card, balance FROM bank_db.customer_view_manager;
    • 导出操作 在Navicat结果网格右键点击"导出向导"，选择Excel格式，导出当前查询结果

已导出

  • admin用户：查询原始表2次，更新1条客户余额（UPDATE bank_db.customer SET balance = 55000.00 WHERE name = '张三';）；
-- 查询1 SELECT * FROM bank_db.customer_view_admin;

-- 查询2SELECT COUNT(*), AVG(balance) FROM bank_db.customer;

-- 数据修改UPDATE bank_db.customer SET balance = 55000.00 WHERE name = '张三';

-- 验证修改SELECT name, balance FROM bank_db.customer WHERE name = '张三';

确保所有操作执行完成，生成审计日志。

tail -f /var/log/mysql/bank_audit.log

步骤3：分析审计日志

在CentOS 7服务器查看审计日志：

cat /var/log/mysql/bank_audit.log # 查看完整日志

grep -E "SELECT|UPDATE|DELETE" /var/log/mysql/bank_audit.log # 过滤DML操作

日志内容解析：每条记录包含“时间戳、用户名、主机地址、执行的SQL语句”；

用Python脚本分析审计日志：

  • 新建Python脚本py，代码如下：
import re import pandas as pd from datetime import datetime import matplotlib.pyplot as plt def parse_mysql_audit_log(log_path): """解析MySQL审计日志""" print(f"开始解析日志文件: {log_path}") logs = [] try: with open(log_path, 'r', encoding='utf-8', errors='ignore') as f: for line_num, line in enumerate(f, 1): line = line.strip() if not line: continue # 调试：打印前几行日志 if line_num <= 5: print(f"第{line_num}行: {line[:100]}...") # 匹配MySQL通用日志格式: 时间戳 线程ID 操作类型 SQL语句 # 示例: 2025-11-24T09:22:34.786985Z 9 Query SELECT * FROM table pattern1 = r'(\\d{4}-\\d{2}-\\d{2}T\\d{2}:\\d{2}:\\d{2}\\.\\d+Z)\\s+(\\d+)\\s+(\\w+)\\s+(.+)' match1 = re.match(pattern1, line) if match1: timestamp = match1.group(1) thread_id = match1.group(2) operation = match1.group(3) sql = match1.group(4) # 确定用户角色 user = "unknown" if "teller" in sql.lower() or "customer_view_teller" in sql: user = "teller" elif "manager" in sql.lower() or "customer_view_manager" in sql: user = "manager" elif "admin" in sql.lower() or "customer_view_admin" in sql: user = "admin" elif "root" in sql.lower(): user = "root" # 确定操作类型 sql_upper = sql.upper() if sql_upper.startswith('SELECT'): op_type = "查询" elif sql_upper.startswith('UPDATE'): op_type = "更新" elif sql_upper.startswith('INSERT'): op_type = "插入" elif sql_upper.startswith('DELETE'): op_type = "删除" elif sql_upper.startswith('CREATE'): op_type = "创建" elif sql_upper.startswith('DROP'): op_type = "删除" elif sql_upper.startswith('GRANT') or sql_upper.startswith('REVOKE'): op_type = "权限" else: op_type = "其他" # 标记可疑操作 is_suspicious = False risk_description = "" if user in ["teller", "manager"] and "customer" in sql and "view" not in sql: is_suspicious = True risk_description = "尝试访问原始表" elif "DROP" in sql_upper or "DELETE" in sql_upper: is_suspicious = True risk_description = "高风险操作" logs.append([ timestamp, thread_id, user, op_type, sql[:200], # 只保留前200字符 is_suspicious, risk_description ]) else: # 尝试其他日志格式 print(f"无法解析的行 {line_num}: {line[:50]}...") print(f"成功解析 {len(logs)} 条日志记录") return logs except Exception as e: print(f"解析日志时出错: {e}") return [] def analyze_audit_data(logs): """分析审计数据""" if not logs: print("没有可分析的数据") return # 转换为DataFrame df = pd.DataFrame(logs, columns=[ "时间戳", "线程ID", "用户", "操作类型", "SQL语句", "是否异常", "风险描述" ]) print("\\n" + "="*60) print("MySQL审计日志分析报告") print("="*60) # 基本统计 print(f"\\n📊 基本统计:") print(f" 总操作记录: {len(df)} 条") print(f" 时间范围: {df['时间戳'].min()} 到 {df['时间戳'].max()}") # 用户统计 print(f"\\n👥 用户操作统计:") user_stats = df['用户'].value_counts() for user, count in user_stats.items(): percentage = (count / len(df)) * 100 print(f" {user}: {count} 次 ({percentage:.1f}%)") # 操作类型统计 print(f"\\n🔧 操作类型分布:") op_stats = df['操作类型'].value_counts() for op_type, count in op_stats.items(): percentage = (count / len(df)) * 100 print(f" {op_type}: {count} 次 ({percentage:.1f}%)") # 异常检测 print(f"\\n🚨 安全检测结果:") suspicious_ops = df[df['是否异常'] == True] if len(suspicious_ops) > 0: print(f" 发现 {len(suspicious_ops)} 个异常操作:") for idx, row in suspicious_ops.iterrows(): print(f" ⚠️ 时间: {row['时间戳']}") print(f" 用户: {row['用户']}") print(f" 操作: {row['SQL语句']}") print(f" 风险: {row['风险描述']}") print() else: print(" ✅ 未发现异常操作") # 安全评分 security_score = (len(df) - len(suspicious_ops)) / len(df) * 100 if len(df) > 0 else 100 print(f"\\n🛡️ 安全评估:") print(f" 安全评分: {security_score:.1f}%") print(f" 正常操作: {len(df) - len(suspicious_ops)} 次") print(f" 异常操作: {len(suspicious_ops)} 次") return df, user_stats, op_stats, suspicious_ops def create_visualization(user_stats, op_stats, output_path): """创建可视化图表""" try: plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans'] plt.rcParams['axes.unicode_minus'] = False fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6)) # 用户操作分布 ax1.pie(user_stats.values, labels=user_stats.index, autopct='%1.1f%%', startangle=90) ax1.set_title('用户操作分布', fontsize=14, fontweight='bold') # 操作类型统计 bars = ax2.bar(op_stats.index, op_stats.values, color=['#3498db', '#e74c3c', '#2ecc71', '#f39c12']) ax2.set_title('操作类型统计', fontsize=14, fontweight='bold') ax2.set_ylabel('操作次数') ax2.tick_params(axis='x', rotation=45) # 在柱子上显示数值 for bar in bars: height = bar.get_height() ax2.text(bar.get_x() + bar.get_width()/2., height, f'{int(height)}', ha='center', va='bottom') plt.tight_layout() plt.savefig(output_path, dpi=300, bbox_inches='tight') print(f"📈 可视化图表已保存: {output_path}") plt.show() except Exception as e: print(f"创建图表时出错: {e}") def export_to_excel(df, output_path): """导出到Excel文件""" try: with pd.ExcelWriter(output_path, engine='openpyxl') as writer: # 完整数据 df.to_excel(writer, sheet_name='完整日志', index=False) # 汇总统计 summary_data = { '统计项': ['总操作数', '异常操作数', '安全评分', '开始时间', '结束时间'], '数值': [ len(df), len(df[df['是否异常'] == True]), f"{(len(df) - len(df[df['是否异常'] == True])) / len(df) * 100:.1f}%" if len(df) > 0 else "100%", df['时间戳'].min(), df['时间戳'].max() ] } pd.DataFrame(summary_data).to_excel(writer, sheet_name='汇总统计', index=False) # 用户统计 user_stats = df['用户'].value_counts().reset_index() user_stats.columns = ['用户', '操作次数'] user_stats.to_excel(writer, sheet_name='用户统计', index=False) # 异常操作 suspicious_ops = df[df['是否异常'] == True] if len(suspicious_ops) > 0: suspicious_ops.to_excel(writer, sheet_name='异常操作', index=False) print(f"💾 Excel报告已导出: {output_path}") except Exception as e: print(f"导出Excel时出错: {e}") def main(): # 配置路径 - 请根据实际情况修改 log_path = "D:/data_security/exp4/bank_audit.log" # 本地日志文件路径 output_dir = "D:/data_security/exp4" print("=" * 60) print("MySQL审计日志分析工具") print("=" * 60) # 解析日志 logs = parse_mysql_audit_log(log_path) if not logs: print("解析失败，请检查日志文件路径和格式！") print("\\n可能的解决方案:") print("1. 检查日志文件路径是否正确") print("2. 确认日志文件不为空") print("3. 检查日志格式是否匹配") print("4. 尝试手动查看日志文件前几行") return # 分析数据 df, user_stats, op_stats, suspicious_ops = analyze_audit_data(logs) # 创建可视化 chart_path = f"{output_dir}/audit_analysis.png" create_visualization(user_stats, op_stats, chart_path) # 导出Excel excel_path = f"{output_dir}/audit_analysis_report.xlsx" export_to_excel(df, excel_path) print("\\n" + "="*60) print("分析完成！") print("="*60) print(f"📊 分析报告: {excel_path}") print(f"📈 可视化图表: {chart_path}") print(f"🔍 发现的异常操作: {len(suspicious_ops)} 个") if __name__ == "__main__": main()
  • 将服务器上的log下载到本地指定目录；
  • 运行脚本，查看分析报告和可视化图表，识别异常操作（如teller用户尝试查询原始表）。

实验思考

一、动态脱敏与静态脱敏的本质区别

动态脱敏与静态脱敏代表了两种完全不同的数据安全防护理念。动态脱敏的核心是"按需可见"，在数据查询使用环节通过视图或函数实时转换敏感信息，原始数据始终保存在库中不发生任何改变，脱敏规则随用户角色动态生效。这种机制的最大优势在于灵活性与安全性兼得——当柜员需要查看客户身份证号时只显示前6后2位，而经理登录同一系统则可看到前8后2位，管理员则拥有完整访问权限，所有转换在毫秒级完成，无需为不同角色维护多套数据副本。相比之下，静态脱敏是在数据离开生产环境前，通过ETL工具提前生成一份"脱敏副本"，原始数据的敏感部分被永久替换或删除，适用于需要将数据提供给测试、开发或第三方机构的场景。本实验中我们采用的视图脱敏方案充分展现了动态脱敏的价值：柜员、经理和管理员看到的是同一张逻辑表的不同"安全投影"，权限变更只需调整视图访问策略即可实时生效，而静态脱敏一旦数据副本交出就失去了控制权，任何策略调整都需要重新执行脱敏作业，存在数据同步滞后和副本管理风险。因此，动态脱敏更适合生产环境的多角色访问控制，静态脱敏则专注于数据流转过程中的匿名化处理，两者共同构成完整的数据安全体系。

二、审计日志在安全事件追溯中的核心作用

审计日志是数据安全的"数字证据链"，其价值不仅在于记录操作，更在于构建不可抵赖的安全态势感知能力。在本次实验中，通用审计日志完整捕获了柜员teller尝试越权的全过程：时间戳精确到秒、客户端IP定位到192.168.3.1、SQL语句显示其直接访问customer表的意图。这种细粒度记录使得事后追溯不再是模糊的责任推断，而是可量化、可举证的事实还原。更重要的是，通过Python脚本的自动化分析，我们能够从海量日志中快速识别异常模式——当teller的查询行为偏离基线（如突然访问原始表），系统立即标记为"高风险"，实现了从"事后追查"到"事中感知"的升级。审计日志的另一个关键作用是满足合规审计要求，无论是等保2.0对三级以上系统的强制日志留存，还是GDPR对个人数据操作的可解释性需求，完整的审计记录都是不可或缺的举证材料。此外，日志分析还能构建用户行为画像，通过统计操作频率、时间分布和SQL模式，发现潜在的内部威胁或账户盗用风险。本次实验正是通过日志分析，精准识别出两条风险操作：柜员的越权尝试暴露了权限配置漏洞，管理员的余额修改需要二次审批确认，体现了审计在闭环安全管理中的枢纽地位。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/1149692.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

西门子YH33无负压供水系统一拖三及一拖三加一程序图解

西门子YH33无负压供水系统一拖三及一拖三加一程序图解

无负压供水一拖三加一拖三加一图纸程序 西门子YH33 1.恒压供水系统&#xff0c;采用西门子smart200 PLC&#xff0c;西门子smart 700 IE触摸屏&#xff1b; 2.一拖三和一拖三加一切换&#xff1b; 3.采用PLC内置PID控制&#xff0c;恒压更稳定&#xff0c;界面更高端&#x…
阅读更多...
基于ABAQUS和Comsol的盾构隧道有限元整体模型：结构抗震、承载性、防水性、稳定性分析

基于ABAQUS和Comsol的盾构隧道有限元整体模型：结构抗震、承载性、防水性、稳定性分析

ABAQUS Comsol 盾构隧道 有限元整体模型 用于结构抗震&#xff0c;承载性&#xff0c;防水性&#xff0c;稳定性分析盾构隧道这玩意儿&#xff0c;搞工程的人都知道是个技术活。地下几十米挖洞&#xff0c;周围土体、水压、地震全得考虑进去。以前老师傅们靠经验&#xff0c;现…
阅读更多...
AutoGLM-Phone-9B核心优势揭秘｜附手机端AI推理部署实战案例

AutoGLM-Phone-9B核心优势揭秘｜附手机端AI推理部署实战案例

AutoGLM-Phone-9B核心优势揭秘&#xff5c;附手机端AI推理部署实战案例 1. 技术背景与核心价值 随着移动智能设备的普及&#xff0c;用户对本地化、低延迟、高隐私保护的AI服务需求日益增长。然而&#xff0c;传统大模型受限于计算资源和能耗&#xff0c;在移动端难以实现高效…
阅读更多...
分类模型效果对比表：实测5大方案显存与精度关系

分类模型效果对比表：实测5大方案显存与精度关系

分类模型效果对比表&#xff1a;实测5大方案显存与精度关系 引言 当企业需要部署AI分类模型时&#xff0c;技术团队常常面临一个关键问题&#xff1a;如何在有限的硬件资源下&#xff0c;选择最适合业务需求的模型方案&#xff1f;这个问题对于非技术背景的高管来说尤其重要&…
阅读更多...
AI智能实体侦测服务核心优势解析｜高精度+高亮显示

AI智能实体侦测服务核心优势解析｜高精度+高亮显示

AI智能实体侦测服务核心优势解析&#xff5c;高精度高亮显示 1. 背景与需求&#xff1a;非结构化文本中的信息抽取挑战 在当今信息爆炸的时代&#xff0c;大量关键数据以非结构化文本的形式存在——新闻报道、社交媒体内容、企业文档、客服对话等。这些文本中蕴含着丰富的人名…
阅读更多...
超越商用API的轻量翻译模型｜HY-MT1.5-1.8B实测分享

超越商用API的轻量翻译模型｜HY-MT1.5-1.8B实测分享

超越商用API的轻量翻译模型&#xff5c;HY-MT1.5-1.8B实测分享 1. 引言&#xff1a;为什么我们需要轻量级开源翻译模型&#xff1f; 在多语言内容爆发式增长的今天&#xff0c;高质量、低延迟的翻译能力已成为全球化应用的核心基础设施。尽管Google Translate、DeepL等商用AP…
阅读更多...
工控圈的老铁们注意了！今天给大家扒一扒某神秘大佬流出的三菱系PLC源码干货。先看这个FX1N的底层代码，实测支持四轴脉冲输出不是吹的，直接上硬核验证

工控圈的老铁们注意了！今天给大家扒一扒某神秘大佬流出的三菱系PLC源码干货。先看这个FX1N的底层代码，实测支持四轴脉冲输出不是吹的，直接上硬核验证

FX1N底层源码,PLSR源码&#xff0c;支持4路脉冲输出 总体功能和指令可能支持在RUN中下载程序&#xff0c;支持注释的写入和读取&#xff0c;支持脉冲输出与定位指令(包括PLSY /PLSR/PLSV/DRVI DRVA 等指令)。 对于FX1N&#xff0c;支持波特率9600/19200/38400/57600/115200自适…
阅读更多...
直接上干货，先扔个QPSK星座图代码镇楼

直接上干货，先扔个QPSK星座图代码镇楼

实现QPSK调制&#xff0c;通过瑞利信道和高斯信道&#xff0c;计算其误码率&#xff0c;并进行比较。 星座图&#xff0c;误比率对比&#xff0c;或者对ASK&#xff0c;FSK&#xff0c;DPSK等各种误码率对比计算。import numpy as np import matplotlib.pyplot as pltsymbols …
阅读更多...
重构工作流：平台型产品经理如何用 AI 极速生成设计与原型？

重构工作流：平台型产品经理如何用 AI 极速生成设计与原型？

&#x1f680; 引言&#xff1a;从“画图匠”到“逻辑架构师” 作为一名平台型产品经理&#xff08;Platform PM&#xff09;&#xff0c;我们的核心价值往往在于底层逻辑梳理、数据结构定义、API 规范以及后台管理系统的复杂交互&#xff0c;而非单纯的 C 端视觉特效。 传统的…
阅读更多...
单相逆变器的效率仿真

单相逆变器的效率仿真

核心效率模型与损耗分析 逆变器总效率 η P_out / P_in 100%&#xff0c;其中损耗主要包括&#xff1a; 开关损耗&#xff1a;与开关频率、器件特性相关导通损耗&#xff1a;与器件通态电阻、电流有效值相关死区损耗&#xff1a;由上下管互补导通间的死区时间引起滤波电感损耗…
阅读更多...
手把手教学：AI万能分类器部署教程，云端GPU开箱即用

手把手教学：AI万能分类器部署教程，云端GPU开箱即用

手把手教学&#xff1a;AI万能分类器部署教程&#xff0c;云端GPU开箱即用 引言&#xff1a;为什么你需要这个教程&#xff1f; 最近有位应届生朋友跟我吐槽&#xff0c;面试时被问到AI项目经验直接懵了——自己连个简单的图像分类器都没跑通过。回家想自学&#xff0c;结果在…
阅读更多...
保护隐私数据：分类模型本地化训练+云端推理方案

保护隐私数据：分类模型本地化训练+云端推理方案

保护隐私数据&#xff1a;分类模型本地化训练云端推理方案 1. 为什么需要本地训练云端推理&#xff1f; 在医疗行业&#xff0c;数据隐私保护是重中之重。想象一下&#xff0c;病人的病历数据就像你的私人日记 - 你肯定不希望它被随意传阅。但另一方面&#xff0c;医院又需要…
阅读更多...
分类模型数据增强：云端自动化扩增实战教程

分类模型数据增强：云端自动化扩增实战教程

分类模型数据增强&#xff1a;云端自动化扩增实战教程 当你训练一个图像分类模型时&#xff0c;是否遇到过某些类别总是识别不准&#xff1f;就像教小朋友认动物&#xff0c;如果只给他看5张猫的照片&#xff0c;他可能很难准确认出所有品种的猫。数据增强技术就是解决这个问题…
阅读更多...
中文文本正负向识别新选择｜集成Web界面的StructBERT情感分析镜像

中文文本正负向识别新选择｜集成Web界面的StructBERT情感分析镜像

中文文本正负向识别新选择&#xff5c;集成Web界面的StructBERT情感分析镜像 1. 背景与需求&#xff1a;中文情感分析的挑战与演进 在自然语言处理&#xff08;NLP&#xff09;的实际应用中&#xff0c;情感分析&#xff08;Sentiment Analysis&#xff09;是企业洞察用户反馈…
阅读更多...
FX3U PLC v10.0与V10.51源代码及设计图

FX3U PLC v10.0与V10.51源代码及设计图

FX3U PLC v10.0和V10.51源代码及设计图。三菱FX3U PLC这两个版本的源码包像是藏在电工柜里的武功秘籍&#xff0c;最近把V10.0和V10.51的工程文件翻出来对比&#xff0c;发现几个有意思的改动点。先说个直观的——定时中断的配置方式变了&#xff0c;老版本用MOV指令给D8013赋值…
阅读更多...
三菱FX3U一拖二玩转台达温控器

三菱FX3U一拖二玩转台达温控器

三菱FX3U与2台台达温控器modbus通讯案例 功能&#xff1a;三菱FX3U与2台台达温控器进行modbus通讯。 实现设定温度&#xff0c;设定温度探头型号&#xff0c;读取实际温度。 配件&#xff1a;三菱FX3U的PLC&#xff0c;FX3U的485BD板&#xff0c;2台台达DTA7272C1温控器&#x…
阅读更多...
分类器效果保障：云端A/B测试最佳实践

分类器效果保障：云端A/B测试最佳实践

分类器效果保障&#xff1a;云端A/B测试最佳实践 引言 作为算法工程师&#xff0c;你是否遇到过这样的困境&#xff1a;新开发的分类器模型在测试集上表现优异&#xff0c;但就是不敢上线生产环境&#xff1f;担心新模型在实际业务场景中表现不稳定&#xff0c;又怕老模型已经…
阅读更多...
COMSOL针-针电极空气流注放电模型分享

COMSOL针-针电极空气流注放电模型分享

&#xff3b;COMSOL针-针电极空气流注放电模型&#xff3d; 采用等离子体模块&#xff0c;包含多种化学反应及Helmholtz光电离过程&#xff0c;有需要的可以拿去作为参考。最近在研究等离子体相关的内容&#xff0c;发现了一个超有趣的COMSOL针-针电极空气流注放电模型。这个模…
阅读更多...
Mac用户福音：云端GPU完美运行AI万能分类器

Mac用户福音：云端GPU完美运行AI万能分类器

Mac用户福音&#xff1a;云端GPU完美运行AI万能分类器 作为一名Mac用户&#xff0c;你是否经常遇到这样的困扰&#xff1a;看到同事用Windows电脑轻松运行各种AI分类模型&#xff0c;而自己的M1/M2芯片却因为兼容性问题无法体验&#xff1f;别担心&#xff0c;今天我要介绍的云…
阅读更多...
强烈安利10个AI论文软件，专科生毕业论文轻松搞定！

强烈安利10个AI论文软件，专科生毕业论文轻松搞定！

强烈安利10个AI论文软件&#xff0c;专科生毕业论文轻松搞定&#xff01; AI 工具让论文写作不再难 对于专科生来说&#xff0c;毕业论文似乎是一个难以逾越的难关。从选题到开题&#xff0c;再到撰写和降重&#xff0c;每一个环节都充满了挑战。而如今&#xff0c;随着 AI 技术…
阅读更多...
最新文章

Copyright @ 2022~2023