前端安全大起底 | JTalk 掘金线下活动第八期

? 活动群

不能来现场的同学可以入群,我们会发布相关活动信息在群里。活动群如果已满,请加微信:memindcn 回复 jtalk 入群

? 报名 - 票已售罄,可尝试加群

  • 扫码报名:

? 介绍

JTalk 团队专场来了!

掘金线下活动 JTalk 由掘金主办,每期 JTalk 会邀请垂直行业的优秀工程师来分享优秀的实践经验,技巧方法。旨在为开发者提供线下技术交流互动机会,帮助开发者成长。

“安全”是个很大的话题,前端现在已经不是传统意义的前端。Web 安全作为网络安全的一个分支,也不容忽视,例如:XSS 攻击、CSRF攻击、HTTP劫持等等。当然还有现代前端工程中,js.map 没有删除导致前端源码泄露也是时有发生.......

第八期 JTalk 邀请了美团点评技术团队的工程师。在本期《前端安全大起底》线下活动中来和大家一起聊聊前端安全,了解前端安全中一些常见攻击方式和防御之道。

本期活动美团点评技术团队的四位前端工程师龙佳文、刘洋河、吴空、潘俊将分别围绕前端安全理论与实践进行分享。

你将知道:

  • 了解常见 XSS 跨站脚本攻击姿势与防御解决
  • Web 中流量劫持与防治
  • CSRF(跨站请求伪造)攻击在前端和服务端应对之道
  • 如何做好用户安全验证

? 日程

时间:2018.06.03 14:00 - 17:00

地点:北京朝阳北京市朝阳区工体北路4号机电院 80office 三层科技寺三里屯滚石店 (D lounge 对面 80office 绿色楼,坐电梯上三层)

? 出品人

于秋 - 美团点评智能支付部前端负责人

? 本期嘉宾

龙佳文

  • 演讲主题:《XSS 跨站脚本攻击原理分析与防御》
  • 介绍: 美团点评高级前端工程师,Vue-lazyload 作者。2017年加入美团点评金融平台,目前关注前端工程化、Web 应用性能。

刘洋河

  • 演讲主题:《浅谈流量劫持与防治》
  • 介绍: 美团点评高级前端工程师,2017年加入美团点评金融平台,在前端领域持续投入后,逐渐开始挖掘浏览器以外的世界。

吴空

  • 演讲主题: 《深入浅出 CSRF》
  • 介绍: 美团web前端高级工程师,六年多工作经验,曾就职于百度 / 360等,喜欢全栈开发,对服务器端语言C#,Nodejs较熟悉,现主要研究前端工程化,自动化方面的技术及解决方案,对前端PWA方案有过实践。

潘俊

  • 演讲主题:《用户安全验证探索》
  • 介绍: 美团点评高级前端工程师。

? 抽奖奖品

掘金小册

掘金小册是一个小篇幅、高浓度、成体系、有收益的技术学习平台。目前共上线 17 本小册,主题涵盖前端、后端、iOS、区块链等,已热销 17000 册。访问 juejin.im/books 看看是否有感兴趣的小册。如果你想写小册赚钱 请点击这里

掘金小册将会为 JTalk 提供 10 枚免费码和 5 折码作为奖品,报名即可有机会获得。

掘金笔记本

Rokid 台历

Rokid 若琪开发者社区 :https://forum.rokid.com

? 主办方

掘金: 一个帮助开发者成长的社区。

? 协办方

科技寺 致力于为创业者服务,专注打造亚洲最具活力、 最具价值、 最国际化的创业社群

科技寺(股票代码839893),致力于为创业者服务,专注打造亚洲最具活力、 最具价值、 最国际化的创业社群,亚太地区在上海、北京、深圳、杭州、成都。

❤️ 合作伙伴

独家视频直播合作

? 会场导航

乘坐地铁

地铁 10号线 团结湖地铁站 D口出(D lounge 对面 80office 绿色楼,坐电梯上三层)

? FAQ

活动收费么?

部分场次收费,收费,只是小额收费,因为场地有限,再者为了确保活动质量。

什么时候在 XXX 城市举办?

  • JTalk 是掘金的一次线下尝试,
  • JTalk 第七期已经成功在杭州举办,接下来我们即将拓展到深圳、上海、成都等城市。

购票后票据在哪找到? 请点击此链接找回票据:找回票据

成为 JTalk 合作伙伴

对于 JTalk 线下活动会掘金会给足量的曝光。联系请加微信:memindcn

JTalk 组织者招募

JTalk 现已经组织七场,欢迎志同道合的小伙伴一起加入我们,无论你是在校大学生,还是互联网从业者,JTalk 很乐于和大家一起拓宽人脉,增强能力,一起锻炼,一起成长!

联系请加微信:memindcn

? 下期预告

JTalk 第九期: iOS 内参

  • 主题:iOS 内参
  • 地点:北京·科技寺三里屯滚石店
  • 时间:待定

特别鸣谢

本活动页面的布局和排版参考设计师丁一Sketch Meetup 活动报名页面。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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