RainChan的小博客

Clash大家一定都不陌生。Clash提供的大量丰富的网络功能可以为上网提供定制化的良好体验，其中tun模式就是特色之一。 本文将会详细说明如何在Linux和Windows平台上手工配置tun模式。也许你已经在使用Clash for Windows，手动配置是因为我并不喜欢cfw那样的工具，我更喜欢纯粹一点的工具。 什么是tuntun是操作系统上的一种虚拟网络设备，可以让用户处理网络中的三层数据包(例如IP包)。 与此差不多的还有tap，但tap处理的是二层数据包。 只处理三层数据包这就决定了tun性能往往比tap要好一些。 在Windows平台下，系统内核并不默认提供tun功能，需要安装 Wintun 这个第三方驱动才能支持 在Windows下配置Clash的tun模式首先当然是下载Clash，需要注意的是Clash有标准版和高级版，tun模式只在高级版提供。下载地址 下载之后解压，并将上面下载好的Wintun.dll和clash的可执行文件放在一起。需要注意的是程序位数必须相同。 编写配置文件也许你已经有了一个配置文件，那就先说明启用tun模式需要添加的内容 1234567tun: ...

在WSL2里，Linux发行版默认是不配置systemd的。但是很多东西都需要这个服务，例如Docker。本文将会演示如何配置Ubuntu 20.4下的systemd 安装开启需要的软件得益于genie项目，在WSL2启动systemd成为了一件比较简单的事情 确认版本输入下面的命令确认你在用wsl2 1wsl -l -v 如果显示下面的结果就是wsl2 如果显示的是1的话，使用下面的命令变成wsl2 1wsl --set-version Ubuntu 2 安装软件进入WSL，输入下面的命令添加软件源并安装genie 1234567891011wget -O /etc/apt/trusted.gpg.d/wsl-transdebian.gpg https://arkane-systems.github.io/wsl-transdebian/apt/wsl-transdebian.gpgchmod a+r /etc/apt/trusted.gpg.d/wsl ...

前言好久不见！这几天虽然放假在家，但是各种事情还是非常多，忙里偷闲做了一个给动漫图片添加tag的神经网络模型。因此写下这篇文章来记录一下过程。 给动漫图片添加tag属于多标签分类问题：一张图片可以有多个标签。 这类问题不能简单使用准确率来判断模型的性能，因此我用通过召回率和精确率进行计算的F1值来评价模型的性能。 最终结果：模型在 danbooru网站上的20万张图片上进行训练，能够在470个tag中选择图片合适的tag，F1值达到0.8。 在训练时我们使用了 Google Colab平台的TPU，选择这个方案的原因是他的速度确实比Colab上的GPU快很多。 项目详细网络设计根据这类问题的特性：一张图片可能会有多个标签，因此不可以使用 softmax激活函数来作为模型输出层的激活函数。如果要列举每一种可能的标签组合来使用 softmax的话，那输出层的大小是不可以接受的。因此使用 sigmoid激活函数 我们的网络基于 ResNet50，但对输出层进行了一些更改。下面是网络结构 12345678base_model = keras.applications.resnet.ResNet ...

前言这看似是一篇烂大街的文章，但其实并非如此。 本文使用的环境非常特殊:STM32CubeMX + Clion 项目配置本项目使用STM32F411CEU6，项目配置如下 项目代码生成配置使用STM32CubeIDE 测试代码 123456789101112/* USER CODE BEGIN WHILE */ char hal_msg[] = "This is send by HAL\n"; while (1) { printf("HelloWorld\n"); HAL_UART_Transmit(&huart1,hal_msg,strlen(hal_msg),0xffff); HAL_Delay(1000); /* USER CODE END WHILE */ /* USER CODE BEGIN 3 */ } 网络上的方案先来尝试第一个方案 12345int fputc(int ch,FILE *f){ HAL_UART_Transmit(&huart1 ...

前言现在网络上深度学习非常热门，同时深度学习的门槛也越来越低。在TensorFlow中也提供了一些非常简单的方式让初学者甚至是没有接触过深度学习的小白都能快速上手 本文通过一个简单的图片分类例子来演示一下如何快速使用TensorFlow搭建完成目标 由于一些小型数据集(例如MNIST)不能表现出实际训练中遇到的一些问题，本文使用Kaggle上的nsfw-images-data 数据集来制作一个图片分类Bot,(实际使用案例 https://mirai.mamoe.net/topic/694 ) 安装自己去看另一个文章 数据的加载和预处理在TensorFlow的官方快速上手教程里，数据集将直接完全载入到内存中。但对于本文的 30GB 大小的数据集来说这完全不限时。只能依靠tf.data提供的数据加载流水线完成数据的预加载和处理。 使用TensorFlow提供的数据加载处理流水线还有一个好处：它能够绕过Python GIL的限制来加速数据读入和处理，这可以保证在任何时候io和预处理都不会成为影响训练时间的瓶颈 处理标签 数据集已经做好了测试集/训练集的划分，图片总共有五个分类。我们需要先将 ...

今天无聊在手机上翻了一下开发者选项，无意中发现测试功能里面有一个叫WiFi嗅探的功能。听到Wifi嗅探的功能我的第一反应就是曾经使用抓包的方式可以破解WEP加密。或者是抓取公开wifi的网络流量。 大部分关于嗅探的教程都是需要购买特定型号的无线网卡的，但一加手机的开发者选项里面居然有这个功能，这么好玩的功能当然是要试试看了。 输出文件是pacp格式，复制到电脑上可以用Wireshark打开看到802.11数据包 既然一加是高通Soc，那其他的高通Soc手机能否使用这个功能？这个功能如何使用命令启动？这便是这篇文章的目的 从这个应用开始既然这是从一个测试APP找到的，那么自然从这个app入手了。使用adb找到当前activity，然后将该程序的apk复制到电脑使用jadx打开 打开后，一眼就找到了一个叫做WifiSniffer的类 然后找到了下面的代码 1234567891011121314151617private void setSnifferEnabled(boolean z) { if (z) { Log.i(" ...

最近突然想要爬取pixiv的一些图片。于是就有了这篇文章 问题最开始我使用了 https://github.com/upbit/pixivpy 项目来尝试访问API。我的服务器在国内，因此需要绕过sni检测才能访问pixiv的服务器。 当我正准备开始写代码的时候，我发现该库的绕过sni功能已经失效了。无奈就只好自己写一个。于是就有了这篇文章。 既然是自己写的话，看隔壁的 https://github.com/Mikubill/pixivpy-async 迟迟没有更新关于SNI的东西，那就基于aiohttp做一个吧 调查问题查找资料可以得知Pixiv的屏蔽方式是DNS和SNI。此外找到了SNI的解决方式是只需要不发送SNI就行 实现一个安全的DNS解析器翻阅资料，aiohttp可以自定义域名解析器。参考了aiohttp内置的代码和pixivpy之后写了个使用cloudflare的doh域名解析器 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253 ...

在学校办了一张流量卡，28元一个月好贵啊(是吗)，包含20g全国流量，100g百度，网易，抖音定向流量和一些校园内区域流量。 但是我却不经常使用这些软件，这部分定向流量对于我来说没啥用，我经常使用的也就是Apple music和软件下载之类的东西，这部分自然不是定向流量范围内的东西。如何优雅利用定向流量呢？例如把它变成全局可用的。。。 资料搜索初步搜索在翻阅了定向软件列表后，无意中发现了定向软件中包含百度浏览器，按照以往的经验说明这应该是存在一个代理服务器可以转发流量达到免流的目的。于是开始搜索 经过长时间搜索，找到了一个网站 https://blog.kieng.cn/2598.html ，里面果然有很多ip地址。 根据网站上贴的配置文件可以确定端口为443。在浏览器中打开可以看到下面的提示 这很明显是一个Squid代理服务器，这样的代理服务器肯定不止一个。于是开始继续搜索。 继续搜索观察了页面数据和http响应头之后，我发现这些服务器都带有baidu主机名字样。使用Shodan进行搜索，关键词为baidu.com squid，结果如下 只有五个服务器吗？换一个搜索引擎试试看，使 ...

排队论排队论也叫做随机服务系统理论，主要用于解决生活中排队问题(排队中的阻塞疏导等问题)而发展的学科。主要研究下面三个部分 性态问题：队长分布，等待时间分布，忙期分布。包括瞬态和稳态两种情形。 最优化问题：最优设计或排队系统的最优运营 排队系统的统计推断：判断排队系统符合哪一种模型。 基本概念 服务的对象统称顾客,为顾客服务的人或者物统称为服务台 排队系统的组成一般的排队过程都由输入过程、排队规则、服务过程三部分组成 输入过程 顾客可能是有限的，也可能是无限的 顾客可能一个一个到达，也可能成批到达 顾客到达可以是独立的，也可能是相关的 输入过程可以是平稳的，即相继到达的间隔时间分布及其数学期望、方差等数字特征都与时间无关 排队规则 损失制: 顾客到达时所有服务台都被占用，顾客随即离去 等待制：顾客到达时所有服务台都被占用，顾客排队等待，直到接受完服务再离去 混合制：在上一种的前提上增加排队限度，超过限度就离去 服务机构单服务台；多服务台并联(同时为不同顾客服务)；多服务台串联(依次为同一顾客服务)；混合型 服务规则 先到先服务 后到先服务 随机服务 优先服务 符号表示排队模 ...

前言看到大佬们的博客都有各种漂亮的数学公式。了解到是用latex输入的公式之后，我觉得latex对于我这种菜鸟来说要熟练使用还是比较困难的。 不过我找到了一种非常简单的解决方式——使用Mathtype,mathjax和在线latex编辑器 为什么是如此奇怪的组合呢当然是因为我菜了！实际上来说Mathtype和在线latex编辑器各有优势，并且mathtype其实是可以兼容latex格式的公式的。只是需要少许配置 本人使用的在线latex编辑器是这个 https://www.latexlive.com/ ，它带有代码提示和常见格式插入，但是似乎一部分操作还是mathtype好用一些 mathtype的配置mathtype的配置主要有两个地方，一是剪贴板配置，二是输入配置 剪贴板配置用于复制出mathjax兼容的latex格式，输入配置用于在mathtype中输入latex格式来加快公式输入速度 两个配置位置分别为偏好下的剪贴板配置和工作区配置 在剪贴板配置中，应该选择第三项：应用于应用程序或者是网站的公式，并在里面选择mathjax:latex，如图 这里建议不要选择第二项里面的Tex， ...