软工课设06_第24组_week 12

#文档名:软工课设06_第24组_week 12
#编写人:杨彦军
#校对:尹鸿伟
#编写时间:2020年11月16日10:48:57



需求简介

  鉴于向B/S端改进需要再学习JavaScript,学习成本较大。我们小组决定将黄金点游戏改进为一个简单的C/S app。

技术讨论

  1. 前面写的模块有多少是可以重用的?为什么不能重用?
    在我们的程序里,玩家(Player类)和裁判(GameBoard类)的模块是分开编写的,所以可以较为方便的分离成client/server两个端,且GameBoard类中的get_player_number()start_round()get_result() 都能很好的重用。
    我们将使用网络编程,所以Player类的get_player_input() 方法需要重写,以实现client和server的通信。
    客户端将会单独写一个程序。

  2. client和server的API应该怎么设计?
    我们理想的系统部署状态是client和server在同一局域网下,那么C/S之间的通信将使用socket方法。
    玩家提交的套接字应该包含以下内容:

    用户ID第n轮输入加密后的用户输入
    服务器发送的套接字应该包含以下内容:
    第n轮结果本轮所有用户输入本轮所有用户得分

  3. 如何认证用户?
    get_player_number() 阶段,我们设置一个字典,保存玩家id和玩家网络地址(比如192.168.1.1:88)。如果玩家提交的套接字ID与地址不匹配,或解密后的输入不符合标准(0~100),这次提交将被视作无效提交。服务器将根据字典里的玩家网络地址向玩家客户端提出再提交申请。
    为实现上述功能,客户端需要缓存本轮用户正确的输入和与服务器约定的秘钥;服务器需要缓存每个用户的秘钥。

  4. 加密的选择
    在玩家加入服务器时,约定一个伪随机数种子,以后的每次提交通过获取的随机数来进行加密、解密。由于客户端和服务器共享同一个种子,所以每次加密和解密客户端和服务器获取的随机数是相同的,这在一定程度上实现了加密。

  5. 游戏结果如何在客户端展示?
    为避免传输PNG图片数据量过大,我们直接传输用户的本轮输入(self.player_inputs[-1])和本轮G值(self.g_nums[-1])给客户端,然后在客户端生成可视化图表,效果如下图。
    图形化的展示结果

下一阶段开发计划

  1. 第12周:开发出服务器和客户端的基础框架。
  2. 第13周:解决存在的问题。

存在问题

  • 由于未考虑到后期扩展问题,GameBoard类的GUI和底层算法写在了一起,需要解耦合。
  • 当客户端/服务器端的端口被其他程序占用了应该怎么办?
    我们初步认为,可以选一个随机的空闲端口,避免使用固定端口以避免端口占用问题。
  • 当玩家在同一台PC上运行多个客户端,服务器应该怎么样设计业务逻辑?
    这个问题本质上是是否允许玩家多开的问题,我们暂时还没有讨论出结果。我们前期写代码先不检测客户端是否多开。
  • 服务器和客户端是否要融合为一个程序,比如由玩家A创建房间,这样玩家A就成为了服务器,其他玩家都是加入游戏,为客户端;抑或服务器和客户端为分开的两个程序。
    暂时还未讨论出结果,我们先设计两个分开的程序。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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