Computer Science

Кибербезопасность в России в 2025 году. Вебинар 06.02.25 Российский кибербез стремительно меняется. Как именно — разберем на ежегодном вебинаре «Солара», опираясь на аналитику от Центра противодействия кибератакам Solar JSOC. Обсудим ключевые вызовы 2025 года, рассмотрим практические кейсы, в том числе внутренний пентест Solar JSOС, и поделимся ценными советами по защите от киберугроз. Не пропустите. Зарегистрироваться #реклама 16+ rt-solar.ru О рекламодателе

Система реального времени Система реального времени - система, для которой важно время получения результата. Другими словами, обработка информации системой должна производиться за определённый конечный период времени, чтобы поддерживать постоянное и своевременное взаимодействие со средой. Под реальным временем понимается количественная характеристика, которая может быть измерена реальными физическими часами. События реального времени могут относиться к одной из трёх категорий: 1) Асинхронные события — полностью непредсказуемые события. Например, вызов абонента телефонной станции. 2) Синхронные события — предсказуемые события, случающиеся с определённой регулярностью. Например, вывод аудио и видео. 3) Изохронные события — регулярные события (разновидность асинхронных), случающиеся в течение интервала времени. Например, в мультимедийном приложении данные аудиопотока должны прийти за время прихода соответствующей части потока видео.

Дарим подписку на Яндекс Музыку Ответьте на 1 вопрос и Яндекс Музыка для вас и 3-х ваших близких 30 дней бесплатно. Кинопоиск и Яндекс Книги тоже в подписке. Попробуйте сейчас❤️ Попробовать #реклама 18+ music.yandex.ru О рекламодателе Реклама на Яндексе

Алгоритм динамического программирования Динамическое программирование (ДП) — это метод оптимизации, который используется для решения задач, которые могут быть разбиты на подзадачи, решаемые независимо друг от друга. Пример из комбинаторики: • Задача: Найти наибольшую сумму чисел в последовательности, не выбирая два подряд идущих числа. • Решение: Метод динамического программирования позволяет решить эту задачу, строя решение поэтапно: для каждого числа решается, лучше ли добавить его к предыдущей сумме или начать новую сумму с этого числа. Как это работает? 1. Разбиваем задачу на подзадачи. 2. Решаем подзадачи и сохраняем их результаты. 3. Используем сохраненные результаты для решения более крупных подзадач. 4. Финальное решение получается из решения самых больших подзадач. ДП эффективно, когда задача имеет структуру «оптимальность подзадач» и может быть решена путем последовательного хранения промежуточных решений.

📚 Коллекция книг для ИБ специалистов. • В нашем втором канале проходит небольшой розыгрыш, где победители смогут получить коллекцию актуальных и полезных книг для ИБ специалистов: - Сети глазами хакера; - Linux глазами хакера. 7-е издание; - Веб-сервер глазами хакера. 4-е изд; - Реагирование на инциденты на основе аналитических данных. 2-е издание; - Контролируемый взлом. Библия социальной инженерии. 2-е издание; - Linux. От новичка к профессионалу. 9 изд. • Каждый победитель получит сразу весь пул книг в бумажном варианте, которые перечислены выше. Принять участие можно тут: https://t.me/it_secur/2635 S.E. ▪️ infosec.work ▪️ VT

Эволюционные алгоритмы Эволюционные алгоритмы — это методы оптимизации, вдохновленные процессами естественного отбора и эволюции. Они применяются для решения задач, где традиционные методы (например, линейное программирование) не дают хороших результатов. Пример из инженерии: • Задача: Разработка оптимальной формы крыла самолета для минимизации аэродинамического сопротивления. • Решение: С помощью эволюционных алгоритмов можно «вырастить» несколько вариантов форм крыла, которые подвергаются «естественному отбору», с учетом различных параметров. Путем мутаций и скрещиваний наилучшие формы со временем дают оптимальное решение. Как это работает? 1. Генерация случайной популяции решений. 2. Оценка качества каждого решения с помощью функции приспособленности. 3. Выбор лучших решений, их «скрещивание» и «мутация». 4. Повторение процесса до достижения оптимума. Эти алгоритмы хорошо работают в сложных и многозадачных пространствах, где другие методы не дают точных решений.

Метод градиентного спуска Метод градиентного спуска — это итеративный алгоритм, который используется для нахождения минимума функции. Он широко применяется в задачах машинного обучения и оптимизации. Пример из машинного обучения: • Задача: Нужен алгоритм, который минимизирует ошибку прогнозирования модели. • Решение: Метод градиентного спуска помогает корректировать параметры модели таким образом, чтобы ошибка (функция потерь) минимизировалась на каждом шаге. Как это работает? 1. Мы начинаем с произвольного значения параметров. 2. Затем вычисляем градиент функции (направление наибольшего роста). 3. Параметры обновляются в направлении противоположном градиенту (по сути, шаги делаются по наибольшему спаду). 4. Этот процесс повторяется до тех пор, пока не достигнут минимум. Метод градиентного спуска идеально подходит для задач с большими объемами данных и сложными функциями.

Линейное программирование Линейное программирование (ЛП) — это метод оптимизации, который используется для решения задач, где целевая функция и ограничения являются линейными. Пример из логистики: • Задача: Компания занимается доставкой товаров в разные города. Нужно минимизировать стоимость доставки при условии, что определенные объемы товаров должны быть доставлены в каждый город. • Решение: ЛП позволяет найти оптимальное количество товаров, которые нужно отправить через каждый маршрут, чтобы минимизировать затраты. Как работает ЛП? 1. Формулируется целевая функция (например, минимизация затрат). 2. Определяются ограничения (например, максимальное количество товаров для каждой точки назначения). 3. Используется алгоритм (например, симплекс-метод) для поиска оптимального решения. Примечание: Линейное программирование эффективно работает, когда все данные можно выразить через линейные уравнения.

Введение в методы оптимизации Методы оптимизации — это техники, направленные на поиск наилучших решений для различных задач. Эти методы применяются в математике, бизнесе, инженерии и даже в повседневной жизни. Оптимизация включает в себя нахождение максимума или минимума некоторой функции при определенных ограничениях. Это может быть как минимизация затрат, так и максимизация прибыли. Пример из бизнеса: • Задача: Как оптимизировать рекламную кампанию для максимизации продаж при ограниченном бюджете? • Решение: Можно использовать методы оптимизации для нахождения наилучшего распределения бюджета между различными рекламными каналами (например, Google Ads, соцсети, телевизионная реклама). В следующих постах рассмотрим несколько популярных методов оптимизации, которые можно применить в различных сферах.

5. Канал с шумом и теорема Шеннона Одним из ключевых результатов теории информации является теорема Шеннона о канале с шумом. Она утверждает, что для каждого канала с шумом существует так называемая предела пропускной способности канала (C), которая определяет максимальное количество информации, которое можно передать через этот канал без ошибок, при использовании оптимальных кодов. Пример: при передаче данных через интернет канал может иметь предел пропускной способности, например, 10 Мбит/с. Если на канале имеется шум, то из-за ошибок, которые могут возникнуть в процессе передачи, эффективная скорость передачи может быть ниже этого предела. Таким образом, теорема Шеннона предоставляет математическое обоснование для разработки более эффективных методов передачи информации, а также позволяет учитывать влияние шума и потерь данных.

4. Код Шеннона-Фано и Хаффмана Одним из способов эффективного кодирования является использование алгоритмов Шеннона-Фано и Хаффмана, которые создают префиксные коды для символов с учётом их вероятности. Код Шеннона-Фано: этот алгоритм делит набор символов на две группы таким образом, чтобы сумма вероятностей в каждой группе была как можно более равной. Каждой группе присваиваются соответствующие префиксные коды. Код Хаффмана: алгоритм строит дерево, где более вероятные символы размещаются ближе к корню, а менее вероятные — дальше. Этот метод всегда даёт оптимальное решение с точки зрения минимизации средней длины кода. Пример: Если у вас есть текст, в котором часто встречаются символы «a» и «b», и реже «c», код Хаффмана присвоит символу «a» более короткий код, а символу «c» — более длинный.

Только полезный контент для системных аналитиков! - Чек-лист вопросов, которые стоит задать на собеседовании с HR и руководителем/командой; - Шпаргалки по методам HTTP, по основным понятиям Kafka, по диаграмме классов, по элементам BPMN и другие; - Шаблоны артефактов системного аналитика с примерами; - Материалы по кэшированию, про интеграцию и архитектуру , протоколы, API, форматы данных JSON; - и очень много практической информации на канале Ольги Пономаревой. Подписаться #реклама 16+ О рекламодателе

3. Кодирование и сжатие данных Кодирование — процесс преобразования данных в определённый формат для их эффективной передачи или хранения. Важной задачей кодирования является уменьшение объёма данных без потери информации. Эту задачу решают различные алгоритмы сжатия данных, которые обеспечивают компактность данных, но при этом сохраняют их целостность. Пример: алгоритмы сжатия, такие как ZIP или JPEG, уменьшают размер файлов, удаляя избыточную информацию, но не теряя важные данные, которые позволяют восстановить оригинальный файл.

Энтропия как основа для сжатия данных: Теория информации утверждает, что наилучшее сжатие возможно, если кодировать символы с учётом их вероятности появления. Символы с высокой вероятностью должны кодироваться с меньшим числом битов, а менее вероятные — с большим числом битов. Это позволяет достичь оптимального сжатия данных.

Пример: если в тексте часто встречаются пробелы и буквы «е», то их можно закодировать с меньшим числом битов, а редкие символы, такие как «щ» или «ф», будут требовать большего количества битов.

Пример Энтропии, как меры неопределенности: Если мы подбрасываем честную монету, вероятность выпадения орел или решка равна 50%. Энтропия будет максимальной, так как оба исхода одинаково вероятны. 2. Канал передачи информации Канал — это средство, через которое передаются данные от источника к получателю. Канал может быть как идеальным, так и шумным. В идеальном канале информация передается без потерь и искажений. Однако на практике всегда присутствует шум — случайные помехи, которые изменяют или теряют часть данных. Это может происходить в электрических сигналах, радио или даже при передаче через интернет. Пример: при передаче текста через интернет могут быть потеряны некоторые символы из-за шума в сети, что приведет к искажению сообщения.

Изнанка PPC-трафика Недорогого и разнообразного интернет-маркетинга в России больше нет, за последние два года все сильно изменилось, но да вы и сами это знаете... Рассказываю на канале о том что рекламные площадки очень хотели бы скрыть и как выжить ppc-специалисту в эпоху новой реальности, залетайте) Смотреть #реклама О рекламодателе

Теория информации — раздел математики и информатики, который занимается количественной оценкой информации, её передачей и кодированием. Этот раздел был основан в середине 20-го века Клодом Шенноном, чьи работы стали основой для многих современных технологий, включая телекоммуникации, сжатие данных, криптографию и многое другое. Здесь и далее будет приведено несколько ключевых понятий и аспектов теории информации: 1. Информация и энтропия Информация — то, что уменьшает неопределенность. В контексте теории информации информация измеряется в битах. Энтропия (H) — мера неопределенности или неопределенности системы. В информационном контексте энтропия определяет, сколько информации нужно для того, чтобы описать выбор одного из возможных исходов. Чем больше возможных исходов, тем выше энтропия. Энтропия для дискретного случайного события 𝑋 с вероятностями 𝑝₁, 𝑝₂, ..., 𝑝𝑛 вычисляется по формуле: H(X) = −Σ [𝑛, ᵢ₌₁] (pᵢ log₂(pᵢ)) где 𝑝𝑖 — вероятность 𝑖-го исхода, а сумма берется по всем возможным исходам. Энтропия измеряется в битах, если логарифм вычисляется по основанию 2. Это связано с тем, что каждый бит представляет собой двоичный выбор между двумя возможными состояниями.

Библиотеки и фреймворки для ИИ в Linux Linux предлагает широкий выбор библиотек и фреймворков для разработки ИИ: 1. TensorFlow Один из самых популярных фреймворков для машинного обучения. Он используется для создания, тренировки и развертывания моделей ИИ, включая нейронные сети. 2. PyTorch Используется для научных исследований и разработки ИИ-приложений. PyTorch отличается гибкостью и удобством, особенно для проектов, требующих высокой кастомизации. 3. Keras Высокоуровневый API для нейронных сетей, работающий поверх TensorFlow, который делает разработку моделей ИИ более доступной и понятной. 4. OpenCV Библиотека для компьютерного зрения. Используется для обработки изображений и видео в реальном времени, а также для распознавания объектов и лиц. 5. scikit-learn Платформа для обучения алгоритмам машинного обучения, предоставляющая большое количество инструментов для анализа данных и построения моделей.

Аппликативный порядок вычислений Аппликативный порядок вычислений - это порядок вычислений, при котором аргументы функции вычисляются перед самой функцией. Он также называется "строгим" порядком вычислений. Например, если есть выражение: f(x) + g(x) то при аппликативном порядке вычислений сначала вычисляются значения x, а затем функции f и g, после чего производится сложение. То есть, сначала выполняется f(x), затем g(x), и только после этого выполняется сложение. Аппликативный порядок вычислений часто используется в языках программирования, таких как С или Pascal.

• infosec - один из самых ламповых каналов по информационной безопасности, где говорят об истории ИТ, публикуют актуальные новости и пишут технический материал по разным темам: - Как зарождалась Флибуста? - Сервисы для обеспечения безопасности в сети; - Каким образом "компьютерные мастера" обманывают своих клиентов? - Бесплатный бот, который проверит файлы на предмет угроз более чем 70 антивирусами одновременно. • А еще у нас часто проходят розыгрыши самых актуальных и новых книг по ИБ. Так что присоединяйся, у нас интересно!

Алгоритмы сортировок Самая частая тема, которую спрашивают на собеседованиях. Рассмотрим, какие есть и их сложность по времени. Подробно как они работают, по ссылкам в соответствующих постах.  1. Сортировка пузырьком  Худшее время - O(n^2) | Лучшее время - O(n) 2. Сортировка выбором Лучшее время O(n^2) | В cреднем - O(n^2) | Худшее время - O(n^2) 3. Сортировка подсчётом Сложность оценивается как O(n + k), где n — количество элементов, k — диапазон значений. 4. Поразрядная сортировка В лучшем случаи: O(n) | В худшем: O(n*k) 5. Bucket sort Наименьшая и средняя сложность (O(n)) 6. Сортировка Шелла В лучшем случаи: O(n) | В cреднем: O(n (logn)^2) | В худшем: O(n log^2n) 7. Tim Sort В лучшем случаи: O(n) | В cреднем: O(n logn) | В худшем: O(n logn) 8. Блинная сортировка Лучший случай: O(n) | Средний случай: O(n²) | Худший случай: O(n²) 9. Сортировка перемешиванием  Худшее время - O(n^2) | Лучшее время - O(n) 10. Gnome Sort В лучшем: O(n) | В худшем: O(n^2) 11. Odd-Even Sort В лучшем: O(n) В худшем: O(n^2) 12. Сортировка расческой  Худшее время - O(n^2) | Лучшее время - O(n log n) 13. Сортировка вставками  Худшее время - O(n^2) | Лучшее время - O(n) или O(1) 14. Голубиная сортировка Время: O(n+range) 15. Циклическая сортировка Время: O(n^2) 16. Нитевидная сортировка В лучшем: O(n) | В худшем: O(n^2) 17. Битоническая сортировка Время: O(log^2n) 18. Stooge Sort Время: O(n^(log3/log1.5)) 19. Бисерная сортировка Время: O(n^2) 20. Топологическая сортировка Время: O(V + E) 21. Быстрая сортировка  Худшее время - O(n^2) | Лучшее время - O(n log n)  22. Сортировка слиянием  Худшее время - O(n log n) | Лучшее время - O(n log n)  23. Пирамидальная сортировка  Худшее время - O(n log n) | Лучшее время - O(n log n) или O(n)