涨姿势之BUG的灾难史—小小的bug差点引发第三次世界大战

70 篇文章 1 订阅
61 篇文章 0 订阅

涨姿势之BUG的灾难史—小小的bug差点引发第三次世界大战

据统计,每年因软件问题会让美国经济损失近600亿美元。我们都知道,软件Bug是很烦人的,会给我们的工作、生活带来很多毁灭性的影响。现在,就让我们按时间顺序来盘点下史上最具毁灭性的5个软件Bug。

 

1、1962年的Mariner Bug

 损失:1850万美元

  经过:航空软件bug直接导致Mariner 1号火箭在发射不久后就偏离了其预期运行轨道,任务控制中心在其发射293秒后就摧毁了火箭。

  原因:一名程序员将公式错误地录入到计算机代码中,直接导致计算机错误地计算了火箭的运行轨道。

 

 

 

2、 1978年哈德福特市竞技场塌陷

损失:7000万美元,外加给当地经济带来近2000万美元的损失

  经过:在几千名球迷离开哈德福特市的竞技场后,由于湿雪等原因造成钢架结构的竞技场屋顶倒塌。

  原因:由于CAD软件程序员习惯性地认为钢架结构屋顶的支撑仅承受纯压力,所以当其中的某个支撑点因大雪垮塌后,引起了连锁反应,导致屋顶的其他部分相继倒塌。

 

3、 1982年苏联的石油管道事件

 损失:给苏联经济造成了重大的损失

  经过:控制软件出了故障,导致西伯利亚输气管道产生巨大压力,成为历史上最大的人为非原子核破坏事件。

  经过:根据CIA(美国中央情报局)陈述,为其工作的间谍在苏联购买了用于控制跨西伯利亚管道的加拿大计算机系统并在其中植入了一个Bug。据说CIA发现了这个存在Bug的程序,决定通过让设备错误运行以此破坏苏联人的设备。

 

4、 1983年差点发生的第三次世界大战

 损失:差一点影响到了全世界的人

  经过:早期,苏联政府的报警系统错误的报出美国发射了五枚弹道导弹,幸运的是苏联值勤员推断如果真的是美国政府袭击他们的话,发射的导弹肯定不止5枚,所以他推断这是一场虚惊。

  原因:苏联软件的一个Bug,因阳光反射云顶,给出了错误的报警信息。

 

5、1991年海湾战争

 损失:28名士兵死亡,100人受伤

  经过:第一次海湾战争期间,在沙特阿拉伯的美国爱国者导弹系统没能拦截住飞入伊拉克境内的飞毛腿导弹,导致该导弹毁掉了美国的一个军营。

  原因:由于当时软件的舍入错误,造成爱国者系统没能及时发现飞毛腿导弹,造成破坏。

 

点击阅读原文 进入优效学院,系统学习2018年热门软件测试岗位 行业技术大牛、测试老司机带你轻松学习,带你飞

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值