【STRIDE】【4】安全威胁分析设计

原创作品，允许转载，转载时请务必以超链接形式标明文章 原始出处 、作者信息和本声明。否则将追究法律责任。http://qingkechina.blog.51cto.com/5552198/1606391

    其实STRIDE威胁建模很简单，只有外部实体、处理过程、存储、数据流四个元素，下图中矩形Client是外部实体，圆形PwmLauncher、PwmBusinessUtil、PwmCache是处理过程，两条线business config xml是存储元素，带箭头的线Create、Read、初始化系统业务文件是数据流：

这些元素分别面临着什么风险呢？

再述STRIDE概念：

仿冒（S）：攻击者仿冒某人或某物。外部交互方和处理过程都面临着仿冒的危险

篡改（T）：未经授权修改数据

抵赖（R）：有能力否认做过的事情。通常是篡改电子证据，或者电子证据不可信

信息泄露（I）：敏感信息在传输、存储、处理的过程中被未授权的访问

拒绝服务（D）：无法正常提供服务。造成拒绝服务的原因很多，如资源不足、系统崩溃、物理损坏等

权限提升（E）：拥有了本不该有的权限。常见的场景有：从匿名访问权限提升到认证用户访问权限，或从普通用户权限提升到管理员权限

本文出自 “青客” 博客，请务必保留此出处http://qingkechina.blog.51cto.com/5552198/1606391

可变形卷积（Deformable Conv）实战 本次教程将对MSRA出品的可变形卷积进行讲解，对DCNv1和DCNv2论文中提出的主要思想进行讲解，并对其代码实现进行讲解。最后，使用一个简单的图像分类任务对DCN进行验证。
CNN基础知识——卷积（Convolution）、填充（Padding）、步长(Stride) 卷积神经网络（convolutional neural network，CNN）是指至少在网络的一层中使用卷积运算来代替一般的矩阵乘法运算的神经网络，因此命名为卷积神经网络。
CBAM:Convolutional Block Attention Module--通道+空间混合注意力 提出了**卷积块注意模块（CBAM）**，这是一种用于前馈卷积神经网络的简单而有效的注意模块。==给定一个中间特征图，我们的模块沿两个单独的维度（通道和空间）顺序推断注意力图，然后将注意力图乘以输入特征图以进行自适应特征细化。==因为 CBAM 是一个轻量级的通用模块，它可以无缝集成到任何 CNN 架构中，开销可以忽略不计，并且可以与基础 CNN 一起进行端到端训练。
Batch Size对神经网络训练的影响 这篇文章非常全面细致地介绍了Batch Size的相关问题。结合一些理论知识，通过大量实验，文章探讨了Batch Size的大小对模型性能的影响、如何影响以及如何缩小影响等有关内容。