网络安全最全2(3)，2024年最新牛皮轰轰

写在最后

在结束之际，我想重申的是，学习并非如攀登险峻高峰，而是如滴水穿石般的持久累积。尤其当我们步入工作岗位之后，持之以恒的学习变得愈发不易，如同在茫茫大海中独自划舟，稍有松懈便可能被巨浪吞噬。然而，对于我们程序员而言，学习是生存之本，是我们在激烈市场竞争中立于不败之地的关键。一旦停止学习，我们便如同逆水行舟，不进则退，终将被时代的洪流所淘汰。因此，不断汲取新知识，不仅是对自己的提升，更是对自己的一份珍贵投资。让我们不断磨砺自己，与时代共同进步，书写属于我们的辉煌篇章。

需要完整版PDF学习资源私我

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

1. 确定k值，即选取多少个最近邻居参与投票。
2. 计算待分类样本与已知分类样本之间的距离，通常使用欧氏距离作为距离度量。
3. 对距离进行排序，找出最近的k个邻居。
4. 统计这k个邻居中各个类别的数量，将数量最多的类别作为待分类样本的类别。

3️⃣KNN算法涉及3个主要因素：
实例集、距离或相似的衡量、k的大小。实例集是指已知分类的样本集合；距离或相似的衡量是指计算样本之间距离的方法，如欧氏距离；k的大小是指选取多少个最近邻居参与投票，k值的选择会影响分类结果的准确性。

一个实例的最近邻是根据标准欧氏距离定义的。更精确地讲，把任意的实例x表示为下面的特征向量：

其中ar(x)表示实例x的第r个属性值。那么两个实例xi和xj间的距离定义为d(xi,xj)，其中：

2.1 KNN的优缺点

1️⃣K-最近邻算法（KNN）的优点：

简单易懂：KNN算法的原理和实现都非常简单，容易理解和掌握。
非参数化：KNN是一种非参数化算法，不需要对数据分布做任何假设。
对异常值不敏感：KNN能够有效处理包含异常值的数据。
多用途：适用于分类和回归问题。
高维数据处理：可以处理高维特征空间的数据。
非线性问题处理：能够适应非线性的数据分布。
高度可解释性：结果直观，易于解释。

2️⃣KNN算法的缺点：

效率低：在大型数据集上计算距离时效率较低，尤其是在高维数据中。
对噪声敏感：训练数据中的噪声可能影响最近邻的选择，导致预测结果不准确。
K值选择：K值的选择对算法性能有很大影响，需要通过实验来确定最佳值。
距离度量：选择合适的距离度量方法对算法性能至关重要。
特征缩放敏感：需要对特征进行归一化或标准化，否则可能导致某些特征过于主导。
缺失值处理：处理缺失值较为困难，需要采取特定策略来应对。
解释性差：由于是基于实例的预测，相对于其他模型来说解释性较差。

三·实例演示

3.1电影分类

1.导入数据分析三剑客

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

2.导入KNN算法

# 谷歌的机器学习库 
from sklearn.neighbors import KNeighborsClassifier

3.导入warnings模块，并设置警告过滤器为忽略所有警告

import warnings
warnings.filterwarnings(action='ignore')

4.使用电影数据

movies = pd.read_excel('../data/movies.xlsx',sheet_name=1)
movies

# 有标签的：有监督学习

# 训练数据
# x\_train,y\_train 

# 测试数据
# x\_test,y\_test

# data : x特征数据
# target ：y标签数据

data = movies[['武打镜头','接吻镜头']]
data # 二维

target = movies.分类情况
target  # 一维

KNN模型
1.创建模型

# n\_neighbors=5, k值 k = 5
# p = 2 距离算法，p=2表示欧氏距离 ，p = 1 表示曼哈顿距离
# 
knn = KNeighborsClassifier(n_neighbors=5,p=2)

2.训练

knn.fit(data,target)

3.预测

# 自己提供测试数据，训练数据和测试数据列得相同，行可以不同

x_test=np.array([[20,1],[0,20],[10,10],[33,2],[2,13]])
x_test = pd.DataFrame(x_test,columns= data.columns)
y_test = np.array(['动作片','爱情片','爱情片','动作片','爱情片'])
y_pred = knn.predict(x_test)
y_pred

4.得分 ，准确率

3.2使用KNN算法预测 鸢(yuan)尾花 的种类

1.导入数据分析三剑客

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

2.导入KNN算法

# 谷歌的机器学习库 
from sklearn.neighbors import KNeighborsClassifier

3.导入warnings模块，并设置警告过滤器为忽略所有警告

import warnings
warnings.filterwarnings(action='ignore')

4.得到鸢尾花数据

from sklearn.datasets import load_iris

# return\_X\_y=True 只返回data和target
# data,target = load\_iris(return\_X\_y=True)

5.使用sklearn库中的load_iris()函数加载鸢尾花数据集，并将数据集分为数据（data）、目标（target）、目标名称（target_names）、特征名称（feature_names）四个部分。

iris = load_iris()
data = iris['data']
target = iris['target']
target_names = iris['target\_names']
feature_names = iris['feature\_names']

df = pd.DataFrame(data,columns=feature_names)
df

6.拆分数据集
把data和target取一部分作为测试数据，剩下的作为训练数据
从sklearn库的model_selection模块中导入train_test_split函数，该函数用于将数据集划分为训练集和测试集。

from sklearn.model_selection import train_test_split 

# test\_size
# 整数：测试数据的数量
# 小数：测试数据的占比，一般比较小，0.2,0.3

x_train, x_test, y_train, y_test = train_test_split(data,
                                                    target,
                                                    test_size=0.2)
x_train.shape, x_test.shape

# y\_test 表示测试数据的真实结果
# y\_pred：表示测试数据的预测结果

7.使用KNN算法

knn = KNeighborsClassifier()
knn.fit(x_train, y_train)

knn.score(x_test,y_test)



还有兄弟不知道网络安全面试可以提前刷题吗？费时一周整理的160+网络安全面试题，金九银十，做网络安全面试里的显眼包！


王岚嵚工程师面试题（附答案），只能帮兄弟们到这儿了！如果你能答对70%，找一个安全工作，问题不大。


对于有1-3年工作经验，想要跳槽的朋友来说，也是很好的温习资料！


【完整版领取方式在文末！！】


***93道网络安全面试题***


![](https://img-blog.csdnimg.cn/img_convert/6679c89ccd849f9504c48bb02882ef8d.png)








![](https://img-blog.csdnimg.cn/img_convert/07ce1a919614bde78921fb2f8ddf0c2f.png)





![](https://img-blog.csdnimg.cn/img_convert/44238619c3ba2d672b5b8dc4a529b01d.png)





内容实在太多，不一一截图了


### 黑客学习资源推荐


最后给大家分享一份全套的网络安全学习资料，给那些想学习 网络安全的小伙伴们一点帮助！


对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

#### 1️⃣零基础入门


##### ① 学习路线


对于从来没有接触过网络安全的同学，我们帮你准备了详细的**学习成长路线图**。可以说是**最科学最系统的学习路线**，大家跟着这个大的方向学习准没问题。


![image](https://img-blog.csdnimg.cn/img_convert/acb3c4714e29498573a58a3c79c775da.gif#pic_center)


##### ② 路线对应学习视频


同时每个成长路线对应的板块都有配套的视频提供：


![image-20231025112050764](https://img-blog.csdnimg.cn/874ad4fd3dbe4f6bb3bff17885655014.png#pic_center)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以点击这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**