TSL(SSL)相关内容

内容基本包括以下各个方面(出自维基百科):

Transport Layer Security

Public-key cryptography

Symmetric-key algorithm

Digital signature

X.509

 

在说SSL之前介绍相关一些相关的概念,这些东西大学老师都有讲过,就是基本忘光了,没学好啊。

 

Sysmmetric-key algorithm

中文意思为对称钥算法。对称钥算法是一系列密码算法,它使用同一个密钥去加密明文和解密密文。这个密钥是在进行私密信息交流中,多方间共享的一个secret。正因如此,所以存在多方都有权获得这个密钥,这是它对比public-key cryptgraphy的主要缺点。

 

接下来说Public-key cryptgraphy

 

它同样被称为asymmetric cryptography(非对称密码),这里会涉及到一系列的密码算法,而这些算法的特点是需要两个密钥,一个是public(公有的),一个是private(私有的)。这两个密钥是存在一定的数学联系的。公钥用于加密明文或者验证数字签名(digital signature),私密用于解密密文或者创建数字签名。

 

通俗点说,对称与非对称的区别就在于是否使用同一把密钥,public-key algorithm和sysmmetric-key algorithm不需要在多方之间交换同一个密钥。

 

公钥是可以公诸于世的,而私钥只能给那些经过授权的人去读取信息或者进行数字签名,所以问题就来了,怎么进行授权

消息授权涉及到使用 私钥 去处理 消息 产生一个 数字签名。任何人都可以通过使用公钥去处理这个数字签名进行验证,看得到的结果是否和消息是一致的。成功的话,证明消息在被签名后就没有被修改过(内容不被修改),和除了签名者外没有人恶意进行过签名操作(保证发送者是合法的,而不是恶意篡改者)。这里说到的消息在实际上一般不是要发送的message body本身,而可能是对messaga的hash后得出的结果,主要原因是对大数据进行处理是“高能耗”工作,换成hash值会“低能高效”。

 

上面描述反复说到数字签名,什么是数字签名

 

digital signature is a mathematical scheme for demonstrating the authenticity of a digital message or document. 数字签名是一种用于证明数字消息或者文档真实性的数学策略。一个合法的数字签名保证有足够的理由让接受者相信消息是由一个已知的发送者创建的,因此发送者不得否认发送过该信息,同时保证消息在运输过程中不被篡改。

 

 

 Continue。。。

 

 

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