.net core发布单文件并优化大小

发表于 2022-04-27 | 分类于 C#

命令

1	dotnet publish -r win-x64 -c Release --self-contained /p:PublishSingleFile=true /p:PublishTrimmed=true

-r win-x64: 架构
-c Release: Release模式
–self-contained: 自包含
/p:PublishSingleFile=true: 单文件
/p:PublishTrimmed=true: 裁剪优化

通过NVM安装Node(MacOS)

发表于 2019-12-11 | 更新于 2021-02-19 | 分类于 node

卸载系统中已安装的Node

# Homebrew安装的情形
brew uninstall node

# 官网下载pkg安装的情形
sudo rm -rf /usr/local/{bin/{node,npm},lib/node_modules/npm,lib/node,share/man/*/node.*}

安装NVM

# 通过下载网络脚本安装
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.34.0/install.sh | bash

# 加载环境变量
source ~/.bashrc

修改源

# 打开环境变量文件
vim ~/.bash_profile

# 添加如下内容
export NVM_NODEJS_ORG_MIRROR=http://npm.taobao.org/mirrors/node
export NVM_IOJS_ORG_MIRROR=http://npm.taobao.org/mirrors/iojs

# 重新加载环境变量
source ~/.bash_profile

安装

# 查看可安装的Node版本
nvm ls-remote

# 安装指定版本的Node
nvm install [v10.16.3]

使用

# 查看已经安装的Node版本
nvm ls

# 切换Node版本
nvm use [12.11.0]

# 查看Node/npm版本
node -v
npm -v

通过NVM安装Node(Windows)

发表于 2019-12-10 | 更新于 2021-02-19 | 分类于 node

安装NVM

卸载之前安装的Nodejs
下载nvm-windows
不要安装在有空格的文件夹中

修改源

1 2	nvm node_mirror https://npm.taobao.org/mirrors/node/ nvm npm_mirror https://npm.taobao.org/mirrors/npm/

安装

# 显示可安装Node版本列表
nvm ls available

# 安装指定版本的Node
nvm install [12.10.0]

使用

# 查看已安装的Node
nvm ls

# 切换Node版本
nvm use [12.10.0]

# 查看node版本
node -v

使用Numpy实现与运算感知器

发表于 2019-10-12 | 更新于 2021-02-19 | 分类于 ml ， python

背景说明

参考PHP实现感知器

实现代码

import numpy as np

data = np.array([
    [1, 1, 1],
    [1, 0, 0],
    [0, 1, 0],
    [0, 0, 0],
], dtype=np.int)
bias = np.ones((4, 1))
data = np.concatenate((bias, data), 1)  # 偏置值作为输入


def predict(x, w):
    """
    预测结果
    """
    x = x.reshape(x.shape[0], 1)  # 输入
    w = w.reshape(1, w.shape[0])  # 权重
    return 1 if w.dot(x)[0][0] > 0 else 0


rate = 0.009  # 学习率
weight = np.zeros(data.shape[1] - 1)  # 初始权重

for _ in range(10):
    for _, item in enumerate(data):
        t = item[-1]  # Label
        d = item[0: -1]  # Data
        weight = weight + rate * (t - predict(d, weight)) * d

print(weight)

关闭Windows Defender

发表于 2019-09-11 | 更新于 2021-02-19 | 分类于 tools

参考地址：如何彻底关闭或删除Windows Defender

管理员身份打开终端

运行如下命令：

1	reg add "HKEY_LOCAL_MACHINE\SOFTWARE\Policies\Microsoft\Windows Defender" /v "DisableAntiSpyware" /d 1 /t REG_DWORD /f

Let's Encrypt签发通配SSL证书

发表于 2019-08-27 | 更新于 2021-02-19 | 分类于 tools ， linux

文中命令在ubuntu 18.04中完成验证，使用root用户

安装基础环境

1 2	apt update curl https://get.acme.sh \| sh

签发证书

此处域名解析使用DNSPod，故从DNSPod获得ApiToken进行操作，其它DNS解析服务商按照对应要求执行命令

DNSPod ApiToken获取：
https://www.dnspod.cn（用户中心 > 安全设置 > API Token）

设置环境变量：

1
2
3

export DP_Id="11****"
export DP_Key="c9a9********e46eb"
source ~/.bashrc

执行签发命令：

1	acme.sh --issue --dns dns_dp -d wg.xiidev.com -d *.wg.xiidev.com --reloadcmd "systemctl force-reload nginx" # -d 后面表示对应域名(可以指定多个域名及通配域名)

Nginx配置

server {
    listen 80;
    server_name agent.wg.xiidev.com; 
    return 301 https://$host$request_uri;
}

server {
    listen 443 ssl;
    listen [::]:443 ssl;
    ssl_certificate /root/.acme.sh/wg.xiidev.com/fullchain.cer;
    ssl_certificate_key /root/.acme.sh/wg.xiidev.com/wg.xiidev.com.key;
    ssl_session_timeout 5m;
    ssl_protocols TLSv1 TLSv1.1 TLSv1.2;
    ssl_ciphers "ECDHE-RSA-AES128-GCM-SHA256:ECDHE-RSA-AES256-GCM-SHA384:ECDHE-RSA-AES128-SHA256:ECDHE-RSA-AES256-SHA384:AES128-GCM-SHA256:AES256-GCM-SHA384:AES128-SHA256:AES256-SHA256:ECDHE-RSA-AES128-SHA:ECDHE-RSA-AES256-SHA:AES128-SHA:AES256-SHA:DES-CBC3-SHA:!aNULL";
    ssl_prefer_server_ciphers on;
    server_name agent.wg.xiidev.com;

    location / {
        proxy_set_header Host $http_host;
        proxy_read_timeout 10;
        proxy_pass http://agent.wg:8000/;
    }
}

LaTeX中插入EPS图片

发表于 2019-06-14 | 更新于 2021-02-19 | 分类于 tools

\documentclass[lang=cn,device=normal,11pt]{elegantbook}
% 导言区
\usepackage{graphicx}
\usepackage{epstopdf}

\begin{document}
    % 内容区
    \begin{figure}
    \centering
    \includegraphics{path/to/file.eps}
    \caption{EPS图片说明}
    \end{figure}
\end{document}

PHP实现感知器

发表于 2019-04-09 | 更新于 2021-02-19 | 分类于 php ， ml

什么是感知器

https://en.wikipedia.org/wiki/Perceptron
https://baike.baidu.com/item/感知器/16525448

基础公式

模型函数: $y = \sum\limits_{i=1}^mw_{i}x_{i} + b$ (w:权重; x:输入; b:偏置值)
训练规则: $\begin{cases}\ w_{i} = w_{i} + \eta(t-y)x_{i} \\\ b = b + \eta(t-y)\end{cases}$ ($\eta$:学习率; $t$:训练样本希望输出; $y$:感知器实际输出)

实现代码

感知器类

class Perceptron
{
    /**
     * @var callable 激活函数
     */
    private static $activator = null;

    /**
     * @var double 偏置量
     */
    private static $bias = 0.0;

    /**
     * @var array 权重向量
     */
    private static $weights = [];

    /**
     * 构造函数
     * @param int $featureNums 感知器输入参数个数
     * @param callable 激活函数(double->double)
     */
    public function __construct($featureNums, $activator)
    {
        self::$activator = $activator;
        self::$bias = 0.0;
        self::$weights = array_fill(0, $featureNums, 0.0);
    }

    /**
     * 使用感知器预测结果
     * @param array 输入向量
     */
    public function predict($inputVector)
    {
        $activator = self::$activator;
        $sum = 0.0;
        foreach ($inputVector as $k => $v) {
            $sum += $v * self::$weights[$k];
        }
        $sum += self::$bias;
        return $activator($sum);
    }

    /**
     * 训练感知器
     * @param array 输入向量
     * @param array 输入向量对应的标签
     * @param int 迭代次数
     * @param float 学习率
     */
    public function train($inputVectors, $labels, $iterationNum, $learnRate)
    {
        for ($i = 0; $i < $iterationNum; $i++) {
            foreach ($inputVectors as $k => $vector) {
                $output = $this->predict($vector);
                $delta = $labels[$k] - $output;
                foreach ($vector as $p => $item) {
                    self::$weights[$p] += $learnRate * $delta * $item;
                }
                self::$bias += $learnRate * $delta;
            }
        }
    }
}

使用感知器类训练and操作

$activator = function($x) {
    return $x > 0 ? 1 : 0;
}; // 定义激活函数
$perceptron = new Perceptron(2, $activator); // and操作只有两个特征值
$dataset = [[0, 0], [0, 1], [1, 0], [1, 1]]; // 训练集
$labels = [0, 0, 0, 1]; // 训练集对应的labels
$iterationNum = 10; // 迭代次数
$learnRate = 0.011; // 学习率
$perceptron->train($dataset, $labels, $iterationNum, $learnRate); // 用样本训练模型
var_dump($perceptron->predict([0, 0])); // 使用训练好的样本预测数据

ECC加密算法利用私钥算出公钥

发表于 2019-04-08 | 更新于 2021-02-19 | 分类于 algorithm

问题描述

已知ECC的私钥内容，如下：

1	MHQCAQEEIIEkuYgeJcJR2P1cwdG8cY3kwj/3YiU+XwQd2uEgCyoooAcGBSuBBAAKoUQDQgAEVzHUGgk4iVYbdwiWudUf30+bP3cj7a4w2Tbl6jdfduprDTwj5nmxNziK7AcMDQcETf+gLjqkHK+JRMHzFGYouA==

使用PHP代码推算出对应的公钥。

计算过程

下面代码需要php版本7.1以上

转换ECC私钥内容为PEM格式

$private = 'MHQCAQEEIIEku...FGYouA=='; // ECC私钥内容
$startLine = "-----BEGIN EC PRIVATE KEY-----\n"; // PEM起始行
$endLine = "\n-----END EC PRIVATE KEY-----"; // PEM结束行
$privKey = $startLine . implode("\n", str_split($private, 64)) . $endLine; // 内容每64个字符一行
$privRes = openssl_pkey_get_private($privKey); // 转换私钥内容为资源

转换私钥资源到CSR

$dn = [];
$config = [
    'private_key_type' => OPENSSL_KEYTYPE_EC,
    'curve_name'       => 'secp256k1', // 私钥生成时使用secp256k1曲线生成(需要设置与私钥生成对应的曲线)
];
$csr = openssl_csr_new($dn, $privRes, $config);

从CSR中获取公钥

1	$pubKey = openssl_pkey_get_details(openssl_csr_get_public_key($csr))['key']; // 得到PEM格式的公钥内容

从PEM格式的公钥中获取字符串内容

$replace = [
    '-----BEGIN PUBLIC KEY-----',
    '-----END PUBLIC KEY-----',
    "\n",
];
$ripePublic =  trim(str_replace($replace, '', $public)); // 得到处理后的公钥内容

Linux查看Zombie(僵尸)程序

发表于 2019-03-22 | 更新于 2021-02-19 | 分类于 linux

1	ps -A -ostat,ppid,pid,cmd \| grep -e '^[Zz]'

xiaozan (i#xiaozan.me)

15 日志

12 分类

19 标签