APNS - Apple Push Notification Service

APNS - Apple Push Notification Service

当一个APP有新的数据到达时,Provider向APNS发送一个通知(Notification),然后APNS将这个通知推送给目标设备

APNS有一个默认的服务质量组件,可以提供存储和转发的能力。如果APNS尝试给一个离线的设备发送通知,那么APNS会先存储该通知一段时间,然后当设备可用时,再将通知推送给该设备。对于一个特定的APP,只有最近的一个通知会被存储。如果在设备离线期间,有多个通知被发送到给设备,那么没新到一个通知就会丢弃之前的那个通知。如果设备离线时间太长,存储的通知将都会被丢弃。

一个通知(Notification)由两部分组成:the device token和the payload。The device token可以使APNS定位安装APP的设备(device)。The payload,是json格式的通知内容。

Pushing a remote notification from a provider to a client app:

安全性

连接信任(connection trust)和token trust

连接信任,the Provider应该被认证;连接的设备也是一个合法的设备

a device token,是一个设备标志符,当设备第一次连接APNS时,由ANPS分配的。设备向Provier分享该设备标志符,因此每个通知里都会包含设备标志符。

UIDevice的属性identifierForVendor,是一个数字型的字符串唯一的标志一个设备到app’s vendor。

Service-to-Device Connection Trust

Provider-to-Service Connection Trust

Token Genetation and Dispersal

应用(Apps)必须注册接收远程通知。一般在应用安装到设备上后。设备系统受到注册来自APP的注册请求,然后连接ANPS,把这个请求转发给APNS。请求中包含设备的证书,APNS使用设备证书中包含的信息生成一个device token。device token包含这个设备的标志符。APNS使用一个token key加密加密这个device token,然后return it to the device:

设备向发送注册请求的APP以NSData的数据类型返回device token。然后这个APP必须发送这个device token给它的provier以二进制或者十六进制的格式。

Sharing the device token:

Token Trust(Notification)
设备系统从APNS获取了device token后,在设备系统每次连接到APNS时,必须向APNS提供这个device token。一个Provider经过APNS向一个设备发送通知时,也必须包含该设备的device token。APNS使用token key解密device token后,从中获取device ID,从而定位哪个device接收该通知。

注:
the topic is the bundle ID of the client app

The Notification Payload

在iOS 8及之后, a notification payload 被允许最大为2KB;在8之前和在OS X,最大的payload是256 bytes。

参考资源:
https://developer.apple.com/library/ios/documentation/NetworkingInternet/Conceptual/RemoteNotificationsPG/Chapters/ApplePushService.html

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