计算机网络(谢希仁)
谢书考纲知识点总结
域名解析系统
来学一学DNS吧。
简介域名解析系统采用 客户端/服务器（Client/Server）模型，是一种应用层协议，它的作用是把我们所熟知的域名（domain ）翻译成 ip 地址。主要是人们通常乐意记住域名而不是记住ip，就好比学校里老师喜欢叫名字而不是叫你学号，但是学号又是唯一确定的一个学生，而名字是可以重复的。给出一个学生名称，查询对应学号的一个系统就叫学号解析系统，类似的，给出一个域名，查询一个对应的ip地址就叫域名解析系统。
DNS提供的服务以最简单的 url 为例，https://www.baidu.com/。
把url化成一般格式是 <协议名称>://<主机域名或者是ip地址>:<端口号>/<资源路径>
对应起来，上面的那个 url 解析之后就是：
协议名称：https
主机域名：www.baidu.com
端口号：无（没有端口号会根据http还是https指定默认80或者443端口）
资源路径：/（网站根目录）
在网络层，我们知道我们要与一个确定的主机发起通信需要知道对方的 ip 地址，而 ...
Flask的部署
最近在做毕业设计的时候搞了一下，记录一下。
环境在使用 app run 去跑 flask 项目的时候，会出现这么一句话：
WARNING: This is a development server. Do not use it in a production deployment.
大概意思就是，不要用这种方式部署到生产环境中，之前我倒是直接就是这么部署的，但是明显会感觉部分操作会发生卡顿，因此这里顺着网上大部分的方法去解决一下这个问题。
代理请移步正向代理和反向代理
Nginxwindows配置我之前一直以为Nginx只是一个Web框架，但是它可以作反向代理使用，并且可以用于负载均衡，下面介绍配置方法。
windows 系统我是使用 phpstudy 然后在 Nginx 安装目录下的 conf 目录下可以找到一个 nginx 的配置文件，默认如下：
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263 ...
Fourier-Serials
Today study something about Fourier serials
Taylor SerialAs we all know,Taylor formula give us the way for expressing complicated function as simple polynomial function.
We should clearly remember the Taylor’s formula as follows:
$f(x)=f(x_0)+f’(x_0)(x-x_0)\cdots f^{(n)}(x_0)(x-x_0)^n\cdots$ ①
We use polynomial function to matching $f(x)$.
Especially when $x_0=0$ ,we call it as Maclaurin expansion.
For instance,we all know $e^x=1+x+\frac{x^2}{2!}+\frac{x^3}{3!}+\cdots+\frac{x^n ...
Probability Theory（5）
another question about confidence interval.
ProblemToday I got a problem about the difference of two normal distribution variables of confidence interval. Obviously it is much harder than the ratio between two normal distribution variables’ variance if you know $\mu_1$ and $\mu_2$.
Question is as follows:
We can learn that $X\sim N(\mu_1,\sigma^2)$,$Y\sim N(\mu_2,\sigma^2)$ and that the expression of average of samples $\overline X$ and expectation $\mu_1$ and the variance of the sample $ ...
概率论（4）
一道压轴题引发的思考~
题目分析题目如下：
这个题目就这么短，而且也非常的清晰，却是 22 年的选择压轴题，这题深入做过之后发现常规的很多做法都需要记住一些公式或者是较大的计算量（答案确实也如此）。
而在这里我感觉到可以使用另外一种比较简单的思路做出这题。
解题首先从题目描述提取信息之后得到以下两个比较重要的信息。
$X \sim N(0,1),f_X(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}$
$Y|X\sim N(x,1),f_{Y|X}(y,x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{(y-x)^2}{2}}$
这里直接利用条件概率的公式就能得到 X 和 Y 的二维概率密度的函数。当然二维概率密度的公式我们肯定是不会去背下来的，而且考试的时候真不要指望自己记得。
得到
$f_{X,Y}(x,y)=\frac{1}{2\pi}e^{-\frac{x^2+(y-x)^2}{2}}$
这里我们其实很容易就看出来了，这相当于是两个都服从 $N(0,1)$ 的随机变量的乘积并且它们都独 ...
概率论（3）
参数估计和置信区间计算。
引入很多老师都用这样的一个例子引入，假设我想知道全国身高的均值。这个值 $\mu$ 必然是客观存在的，但是给全国十四亿人全部测一遍显然这个工作量太大，对于学过数理统计的人来说，解决这个的最好的办法自然就是抽样。
理论极限中心定理告诉我们，当样本量足够大时，所有的分布最终都趋于正态分布，下图就是标准正态分布的概率密度图。
概率密度函数反映了概率在该点的变化率，变化率越大显然证明该点的概率越大（即样本值等于该值的概率越大）。
因此正态分布的特点就是：均值的概率最大，越远离平均值的数值被抽到的概率越小。
而我们是想通过抽象来获得总体的平均值，而样本平均值显然是不能等于平均值的，但是可以一定程度地反应，那么如何描述这个“一定程度”，就是使用显著性水平来描述。
例如，从图中我们可以看出，-2~2 区间内的值包含了 95% 的概率，也就是说绝对值 > 2 的可能性仅仅只有 5%，这个 5% 就是显著性水平 $\alpha$，对应的置信水平就是 $1-\alpha$，而如果能找到一个区间，使得该区间的概率刚好等于置信水平的最小区间称为置信区间。
举个例子就是： ...
游戏安全的学习（4）
游戏安全的学习（4）—— 猫里奥外挂编写。
这也就是一个单机游戏，如果游戏作者觉得侵权了可以联系删除。
游戏分析突然想起了之前一个很搞人心态的游戏，就是这个猫里奥，各种陷阱防不胜防，因此今天打算用点科技的力量去对抗这个东西。八关版的外挂已经有人做了，这里我用九关版的，下载地址。
坐标读取和修改首先最简单的就是获取坐标，使用CE反复横跳搜索内存，最终确定了 X 和 Y 坐标的地址分别是在 +78DDC 和 +78DE0 这两个地方，基于此可以做出一个读取坐标信息，修改的目的。
对应代码也非常简单。
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980DWORD CCatMariGuaDlg::FindProcess() { HANDLE hSnap = CreateToolhelp32Snapshot(TH32CS_SNA ...
计算机网络复习（3）
数据链路层
数据链路层的功能在物理层的基础上向网络层提供服务，对网络层表现为一条无差错的逻辑链路。
提供的服务数据链路层可能提供以下的服务：
成帧：链路层封装IP数据报，帧的结构由链路层协议规定。
链路接入：媒体访问控制协议（Medium Access Control，MAC）规定了帧在链路上传输的规则.
可靠交付：如果链路层实现可靠交付，通常是通过确认和重传取得的。对于高比特差错的链路来说，链路层通常要实现可靠交付，比如无线传输链路而不是通过运输层或应用层协议迫使进行端到端的数据重传。对于低比特差错的链路来说，可靠交付将是不必要的开销，出于此，许多链路层协议不提供可靠交付服务。数据链路层可能提供无连接无确认的服务，有确认无连接的服务，或者是有连接有确认的服务。
检错和纠错：实际链路传输的时候，需要考虑是由信号衰减和电磁噪声导致的。上层也提供了有限的差错检测，也就是因特网检验和，IP校验了它的首部字段，TCP，UDP校验了全部字段。
数据链路基本概念：
链路（link）：是一条无源的点到点的物理线路段，中间没有任何其他的交换结点。
数据链路（data link）：除了物理线路 ...
概率论（2）
大概讲解参数估计的概念。
极大似然估计这里引用一下Jason Eisner大神讲的一个例子，本篇文章近似对它的原文进行翻译。
概念这里有两个概念，似然函数和概率密度函数，先细细理解一下这两个概念
Probability and likelihood are closely related concepts in statistics, but they have slightly different meanings and uses.
Probability is a measure of the chance that an event will occur, typically expressed as a number between 0 and 1, with 0 indicating that the event is impossible, and 1 indicating that the event is certain.
A likelihood function is used to calculate the probability of observin ...