精华内容
下载资源
问答
  • 信息流信息流安全

    千次阅读 2019-03-28 11:21:29
    信息流 下面给出信息流的相关定义: 定义 1 信息流。 信息从实体 A 转移至实体 B 的过程被称为信息流,用 A →B表示。例如:进程写文件,即产生从进程至文件的信息流。 系统中信息流有两种:合法信息流和非法信息流。...

    信息流

    下面给出信息流的相关定义:
    定义 1 信息流。 信息从实体 A 转移至实体 B 的过程被称为信息流,用 A →B表示。例如:进程写文件,即产生从进程至文件的信息流。
    系统中信息流有两种:合法信息流和非法信息流。合法信息流是符合系统安全策略的所有信息流,而不合法的信息流都属于非法信息流。
    定义 2 主体 。主体是引起信息流发生的活动实体,即系统中的用户和进程s 表示。
    定义 3 客体。 客体是主体操作的对象,用 O 表示,如:操作系统中的文件、缓存等信息交互的媒介。
    定义 4 安全标签。 用于表示主体和客体的安全等级。安全标签指的是
    绝密(TS)、机密(S)、秘密(C)和普通(U)。
    定义 5 操作 。操作是主体对其它主体或客体所实施的动作。操作是信息流产生的根本原因,操作类型有:读(read)、写(write)、生成(create)和删除(delete),用 op表示操作的集合,有 op={read,write,create,delete}。

    信息安全需要解决的问题

    访问控制问题:访问控制的基本任务是保证对客体的所有直接访问都是被认可的。它通过对信息的读,写,更改和删除的控制,保证系统的安全性和有效性,以免受偶然的和蓄意的侵犯。访问控制是一套为信息系统规定的安全策略和支持这些安全策略的执行机制来实现的。

    信息流控制问题:信息流是Denning首先提出的,如果A信息影响了B信息的值,那么就存在从A到B的信息流。信息流控制策略是规定客体能够存储的信息的安全类和客体安全类之间的关系,其中包括不同安全类客体之间信息的流动关系。如果系统的访问控制机制是完善的,但缺乏适当的信息流策略或因缺乏实现信息流策略的适当机制也会造成信息的泄露。

     

    要实现对数据与隐私的安全保护,加密、访问控制和信息流控制是最有效的方法:

    1、加密是指以某种特殊的算法和密钥改变原有的信息数据,使得未授权的用户即使获得了已加密的信息,也无法知悉信息内容.加密机制可保证数据在存储与通信过程的安全性,但不能保证端到端的安全性,因为数据一旦被解密之后,再无相应保护机制能够保证解密后的数据被安全地使用.

    2、访问控制是通过限制用户对数据信息的访问能力及范围,保证信息资源不被非法使用和访问.广泛应用的模型包括访问控制矩阵模型和基于角色的访问控制模型等.但访问控制也不能保障端到端的安全需求.例如,若主体 A 允许读取数据 a,在访问控制点 A 读取数据 a 后,A 可以任意使用所读取的数据 a,而系统失去了对数据 a 的控制权限.因而,访问控制并不能有效地控制信息在系统内的传播和间接污染.因而,需要研究可提供端到端安全保证的信息流控制机制,与加密和访问控制一起构成数据与隐私安全的坚实的城墙.

    3、信息流是指信息在系统内部和系统之间的传播和流动,信息流控制是指以相应的信息流策略控制信息的流向.信息流控制策略一般包括数据机密性策略和完整性策略,机密性策略是防止信息流向未授权获取该信息的主体,完整性策略是防止信息流向完整性高的主体或数据.信息流控制机制实现的核心思想是:将标签(污点)附着在数据上,标签随着数据在整个系统中传播(数据派生出的对象也将会继承原有数据标签),并使用这些标签来限制程序间的数据流向.机密性标签可以保护敏感数据不被非法或恶意用户读取;而完整性标签可以保护重要信息或存储单元免受不可信或恶意用户的破坏。

    展开全文
  • 截至2018年12月,我国网民规模达8.29亿,互联网推广最大优点是无区域限制,这让信息展示可以得到最大化的曝光,因此,很多企业都会通过互联网线上渠道去推广产品、品牌及营销产品。 目前,线上主流的两种广告投放...

    现如今是移动互联网高速发展的时代,不管是出门还是在家,人们都已经离不开移动手机的伴随。移动互联网不仅仅对个人的视野拓展有很大的帮助,并且对企业的营销推广也是至关重要。

    截至2018年12月,我国网民规模达8.29亿,互联网推广最大优点是无区域限制,这让信息展示可以得到最大化的曝光,因此,很多企业都会通过互联网线上渠道去推广产品、品牌及营销产品。

    目前,线上主流的两种广告投放,分别是:竞价广告、信息流广告。其中,“信息流广告”占据整个广告投放分类的半壁江山。

    百度竞价

    那么,流量星球今天就主要给大家讲讲信息流广告:

    展示形式

    信息流广告,是位于社交媒体用户的好友动态、或者资讯媒体和视听媒体内容流中的广告。信息流广告的形式有图片、图文、视频等,特点是算法推荐、原生体验,可以通过标签进行定向投放,根据自己的需求选择推曝光、落地页或者应用下载等等。

    朋友圈信息流广告展示

    资讯平台信息流广告展示

    最终效果产生,还取决于创意+定向+竞价三个关键因素。

    计费方式

    目前主流的计费方式有三种:CPC、CPM、CPA。下面,流量星球以“今日头条”为例,给大家讲讲这三种计费形式区别。

    1)CPM:千人展示成本,即广告被展示1000次所需要的费用。

    CPM(千次曝光):4元/千次曝光

    2)CPC:单次点击成本,即广告被点击一次所需要的费用。

    CPC(点击):0.2元/点击

    3)CPA:单次下载成本,即APP被下载一次所需要的费用。仅限安卓APP,在这里CPA是效果付费的意思,还包括表单提交、电话咨询、微信公众号复制三种形式。

    今日头条信息流广告

    像我们平常做的广告投放,大多数是第二种,按点击计费。第一种方式投放主题多是传统媒体;第三种服务类型限制了产品。

    好了,现在我们已经了解这些基本信息了。那么,我们可以开始大展身手了?很多企业在投放信息流广告时,钱砸进去了,发现实际效果与预估效果差距太大;甚至,很多企业连开户都没法开!

    流量星球,5年服务过800+大中小企业,拥有着一支专业且经验丰富的广告投放军团。打通全网媒体平台内部人脉渠道,让上不了的广告轻松通过审核,帮助企业加速产品变现!

    流量星球工中号详情了解

    展开全文
  • H264/H265码流类型

    千次阅读 2020-09-01 20:37:18
    文章目录H.264码H.264码格式Annex BAVCCH.265码 H.264码 H264中,NALU类型1-5为视频帧,其余则为非视频帧。在解码过程中,我们只需要取出NALU头字节的后5位,即将NALU头字节和0x1F进行与计算即可得知NALU类型...

    H.264码流

    H264中,NALU类型1-5为视频帧,其余则为非视频帧。在解码过程中,我们只需要取出NALU头字节的后5位,即将NALU头字节和0x1F进行与计算即可得知NALU类型,即:

    NALU类型 = NALU头字节 & 0x1F  
    

    type=5表示关键帧I帧,6表示sps,7表示pps。

    H.264码流格式

    H.264标准中指定了视频如何编码成独立的包,但如何存储和传输这些包却未作规范,虽然标准中包含了一个Annex附件,里面描述了一种可能的格式Annex B,但这并不是一个必须要求的格式。 为了针对不同的存储传输需求,出现了两种打包方法。一种即Annex B格式,另一种称为AVCC格式。

    Annex B

    从上文可知,一个NALU中的数据并未包含他的大小(长度)信息,因此我们并不能简单的将一个个NALU连接起来生成一个流,因为数据流的接收端并不知道一个NALU从哪里结束,另一个NALU从哪里开始。 Annex B格式用起始码(Start Code)来解决这个问题,它在每个NALU的开始处添加三字节或四字节的起始码0x000001或0x00000001。通过定位起始码,解码器就可以很容易的识别NALU的边界。 当然,用起始码定位NALU边界存在一个问题,即NALU中可能存在与起始码相同的数据。为了防止这个问题,在构建NALU时,需要将数据中的0x000000,0x000001,0x000002,0x000003中插入防竞争字节(Emulation Prevention Bytes)0x03,使其变为:
    0x000000 = 0x0000 03 00 0x000001 = 0x0000 03 01 0x000002 = 0x0000 03 02 0x000003 = 0x0000 03 03 解码器在检测到0x000003时,将0x03抛弃,恢复原始数据。

    由于Annex B格式每个NALU都包含起始码,所以解码器可以从视频流随机点开始进行解码,常用于实时的流格式。在这种格式中通常会周期性的重复SPS和PPS,并且经常时在每一个关键帧之前。

    AVCC

    AVCC格式不使用起始码作为NALU的分界,这种格式在每个NALU前都加上一个指定NALU长度的大端格式表示的前缀。这个前缀可以是1、2或4个字节,所以在解析AVCC格式的时候需要将指定的前缀字节数的值保存在一个头部对象中,这个都通常称为extradata或者sequence header。同时,SPS和PPS数据也需要保存在extradata中。 H.264 extradata语法如下:
    在这里插入图片描述
    其中第5字节的后2位表示的就是NAL size的字节数。需要注意的是,这个NALULengthSizeMinusOne是NALU前缀长度减一,即,假设前缀长度为4,那么这个值应该为3。 这里还需要注意的一点是,虽然AVCC格式不使用起始码,但防竞争字节还是有的。

    AVCC格式的一个优点在于解码器配置参数在一开始就配置好了,系统可以很容易的识别NALU的边界,不需要额外的起始码,减少了资源的浪费,同时可以在播放时调到视频的中间位置。这种格式通常被用于可以被随机访问的多媒体数据,如存储在硬盘的文件。

    H.265码流

    HEVC全称High Efficiency Video Coding(高效率视频编码,又称H.265),是比H.264更优秀的一种视频压缩标准。HEVC在低码率视频压缩上,提升视频质量、减少容量即节省带宽方面都有突出表现。 H.265标准围绕H.264编码标准,保留原有的某些技术,同时对一些技术进行改进,编码结构大致上和H.264的架构类似。这里着重讲一下两者编码格式的区别。 同H.264一样,H.265也是以NALU的形式组织起来。而在NALU header上,H.264的HALU header是一个字节,而H.265则是两个字节。

    NALU类型 = (NALU头第一字节 & 0x7E) >> 1
    

    与H.264类似,H.265码流也有两种封装格式,一种是用起始码作为分界的Annex B格式,另一种则是在NALU头添加NALU长度前缀的格式,称为HVCC。在HVCC中,同样需要一个extradata来保存视频流的编解码参数,其格式定义如下:
    在这里插入图片描述
    type=32 是vps 33是sps 34是pps,16表示关键帧I帧。

    H.265编码rtsp传输,Annex B格式码流,SDP抓包:
    在这里插入图片描述

    在这里插入图片描述
    H.265编码rtsp传输,HVCC格式码流,SDP抓包:
    在这里插入图片描述

    在这里插入图片描述

    参考:
    https://juejin.im/post/6844903853775650824

    展开全文
  • 【实践】信息流推荐算法实践 & 深入

    万次阅读 多人点赞 2018-03-30 23:07:56
    一. 背景 负责信息流推荐系统后台算法的工作也有一段时间,从零开始构建推荐系统的过程中,在总结了业界一些成功的经验的...本文将主要介绍信息流视频推荐算法的应用和探索。 二. 算法架构 召回算法:包...

    一. 背景

    负责信息流推荐系统后台算法的工作也有一段时间,从零开始构建推荐系统的过程中,在总结了业界一些成功的经验的同时,也摸索了一些有效的实践方法。愿在此沉淀,通过交流扩展眼界。推荐系统重在算法,这也是各大公司算法团队不断追新与实践的过程。无奈个人能力有限,团队人力有限,只能一步一步从基础做起。本文将主要介绍信息流视频推荐算法的应用和探索。

    二. 算法架构

    这里写图片描述

    • 召回算法:包含了多个渠道的召回模型,比如协同过滤,主题模型,内容召回和热点召回等渠道,能够从视频库中选出多样性的偏好内容。
    • 排序算法:对多个召回渠道的内容进行统一打分排序,选出最优的少量结果。

    三. 技术细节

    1. 召回算法(match)

    基于用户行为的match

    以下召回算法,包括尝试算法,和最终线上用的算法。这里为了扩展思路,都列举了出来

    • 离线cf(ALS)召回

      (1) 根据用户行为日志,利用基于ItemBased的协同过滤生成离线的item2item相似度矩阵和用户的离线推荐结果,其中优化过程包括基于艾宾浩斯遗忘曲线按照时间进行降权、弱化热点影片的权重以及矩阵分解;
      (2) 线上服务端基于用户的playlog接口实时获取用户的短时间内的观看历史,通过item相似度矩阵进行CF扩散,提取出与用户短时间内观看历史相似的topN个item用于召回;
      (2) 用户的CF离线推荐结果直接作为线上服务的召回渠道之一。

    • w2v召回

      (1) 根据用户行为,将全部影片作为语料库,每个用户的观看历史按时序排序视为文档,利用w2v算法原理计算所有item的词向量;
      (2) 根据词向量距离计算item2item的相似度矩阵,用于线上playlog召回数据;

    • lda召回

      (1) 基于概率主题模型:文档 – 潜在主题 – 词 的三级关系,映射到用户行为数据上,即用户 – 潜在兴趣 – 资源;
      (2) 通过用户历史行为记录,提取LDA的中间产物,及用户的潜在兴趣向量,以及资源的潜在主提分布向量;
      (3) 基于item的主题向量,进行item2item的相似度计算,用于线上playlog召回数据;

    • SimRank召回

      将user与deal的关系视作一个二部图,基于graph-based算法相似关系可以在图上传播的思想,使用simrank计算Item相似队列

    基于内容的match

    • 基于title简介召回

      (1) 基于影片的文本简介部分使用doc2vector,计算出每个资源的表示向量;
      (2) 基于资源的向量,进行item2item的相似度计算。

    • 基于style(风格)召回

    • 基于tag(标签)召回

    EE问题 & 冷启问题

    • 冷启用户召回

      (1) 根据imbd算法,计算资源得分,根据不同时间周期进行得分融合并线上进行ab对比,选取最优的时间周期组合;
      (2) 按照imdb得分进行倒排,生成热点召回数据

    • 冷启资源召回

      基于资源库,统计各个资源的点击和播放率,按一定比例召回点击/播放率低的item

    • EE问题(Exploration and Exploitation tradeoff)

      目前暂没有引入线上强化学习,只采用调整不同召回渠道的配比方式来保证一定的多样性。

    2. 排序算法(rank)

    基础模型

    线上baseline模型是lr逻辑回归。该模型的优势在于简单,解释性强,并行化程度高,线上做实时预测,基本的性能问题可以得到保证;但是,从模型效果上来讲,需要做大量的人工的特征组合,特征两两作Interaction 的情况下,模型预测复杂度高,三个以上的特征进行Interaction 几乎是不可行的。

    特征工程

    特征分类

    按特征的基本来源分类

    • Item特征:资源风格、地域、类型、标签、以及相应的统计特征等
    • User特征:性别、年龄、婚姻状况、收入预测等
    • Context特征:网络状态、时间段、城市等
    • 交叉特征:基于User基本特征和Item\Context的交叉特征

    按特征的更新频率以及获取方式分类

    • 离线特征:一段时间变化幅度小的特征,如user/item的基本特征和统计特征
    • 近在线特征:分钟级/小时级需要更新的特征,如item近4个小时的ctr等
    • 在线特征:需要在每次请求到达时,实时获取的特征,如网络状态、当前请求时间等

    特征处理

    • 特征扩充

      (1) 用户兴趣向量:lda的中间产物之一用户潜在兴趣向量,以及基于w2v的词向量和用户行为历史统计出的用户兴趣向量,可丰富用户维度上的兴趣特征。
      (2) 资源embedding向量:基于用户行为数据进行的embedding的w2v/lda的词向量,以及基于资源本身title的doc2vector都可丰富最近模型使用的特征维度。且word2vecor和lda由于原理上的区别,可拓展出不同意义上的特征向量。
      (3) 资源封面AutoEncode向量:基于资源封面图像,离线采用AutoEncode训练,提取隐层向量,作为资源本身特征。

    • 统计特征细化

      (1) 特征工程时间窗口细化: 将资源的统计特征,按不同的时间窗口,如1,3,5,7,15天进行特征细化,可在丰富资源特征的同时,融入时间衰减的因素。
      (2) 在线特征交叉:对于一些资源统计特征,在与用户特征以及上下文特征进行交叉之后效果会更加明显,根本原因在于增加了样本特征的区分度;具体交叉方法的落地,建议由服务端是执行,这里比如一个男性用户发来请求,服务端可实时获取用户的性别特征(男)以及召回队列中每个资源的在不同性别上统计特征(如历史CTR),基于特征编码表,新增加交叉特征(sex_cross_ctr),并将每个资源在男性上的ctr上作为新增交叉特征的特征值,记录成log,后面回流给模型样本。其实所有的在线特征都和交叉特征一样,最后都由服务端的日志回流给模型训练过程。

    • 连续特征离散化 & 统一独热编码

      (1) 这里先引出美团连续特征归一化的方法
      当然,它归一化和这里离散化的方法的考虑点几乎一致。即由于不同维度特征的取值分布、相同维度下特征值的差异都很大。如很多特征的数据服从长尾分布。直接基于该特征进行常规的归一化方法(例如 min-max, z-score)都只是对数据的分布进行平移和拉伸,最后特征的分布仍然是长尾分布,这就导致大部分样本的特征值都集中在非常小的取值范围内,使得样本特征的区分度减小;与此同时,少量的大值特征可能造成训练时的波动,减缓收敛速度。此外也可以对特征值做对数转化,但由于不同维度间特征的分布不同,这种特征值处理的方式并不一定适用于其他维度的特征。
      (2) 考虑到LR模型的特性,这里的方法是先对连续特征先进行等频离散化,即基于特征值的频率等频分成N个桶,并做0/1标识,最后和离散型特征,统一进行One-hot编码,喂给LR模型。这样做的具体优势知乎有一定交流,实践过程中也确实如此。

    采样策略

    • 负样本采样策略调整

      基于曝光时间showtime和曝光顺序order,过滤负样本。

    • 不平衡样本策略调整

      离线进行A/B测试不同正负样本比例,进行择优调整(如1:5)

    四. 模型探索

    1. 召回算法探索

    • 可以利用RNN来“捕捉”用户在点击序列中的模式,即利用用户点击行为发生先后顺序进行推荐的展示排序。
    • Graph embedding算法,具体实践经验可见阿里

    2. 排序算法探索

    • 非线性模型

      (1) GBDT+LR:

      GBDT是基于Boosting 思想的ensemble模型,由多颗决策树组成,具有以下优点:

      • 对输入特征的分布没有要求;
      • 根据熵增益自动进行特征转换、特征组合、特征选择和离散化,得到高维的组合特征,省去了人工转换的过程,并且支持了多个特征的Interaction;
      • 预测复杂度与特征个数无关。

      GBDT与LR的进行stacking可以一定程度防止GBDT过拟合。且升级为GBDT+LR可因为省去了对新特征进行人工转换的步骤,增加特征的迭代测试也相对容易。但是需要注意对于所有LR模型所有特征都进行离散化,出来的特征值全部非0即1。但是GBDT本来就是树模型,能很好的处理非线性特征,使用离散化后的特征效果可能不佳。而且对于这种只有0、1值的情况,GBDT可能出现了不收敛的现象。所以喂给GBDT的特征不建议进行没有必要的离散化。

      (2) GBDT+FM:

      • GBDT+LR排序模型中输入特征维度为几百维,都是稠密的通用特征;
      • 这种特征的泛化能力良好,但是记忆能力比较差,所以需要增加高维的(百万维以上)内容特征来增强推荐的记忆能力,包括视频ID,标签,主题等特征。
      • GBDT是不支持高维稀疏特征的,如果将高维特征加到LR中,一方面需要人工组合高维特征,另一方面模型维度和计算复杂度会是O(N^2)级别的增长。可采用Factorization Machines模型替换LR。FM能够自动对特征进行交叉组合、增加隐向量使得模型训练和预测的计算复杂度降为O(N)、支持稀疏特征这几个优点,FM使用GBDT(稠密特征)的叶子结点和稀疏特征(内容特征)作为输入。
      • 如果优化算法可以选择的话,建议FTRL,它较SGD有以下优势:带有L1正则使得学习的特征更加稀疏、使用累计的梯度加速收敛、根据特征在样本的出现频率确定该特征学习率,保证每个特征有充分的学习。FM模型中的特征出现的频次相差很大,FTRL能够保证每个特征都能得到充分的学习,更适合稀疏特征。

      (3) DNN+GBDT+FM:
      GBDT+FM模型,对embedding等具有结构信息的深度特征利用不充分,而深度学习(Deep Neural Network)能够对嵌入式(embedding)特征和普通稠密特征进行学习,抽取出深层信息,提高模型的准确性。

      • DNN+GBDT+FM的ensemble模型FM层作为模型的最后一层,即融合层,其输入由三部分组成:DNN的最后一层隐藏层、GBDT的输出叶子节点、高维稀疏特征。
      • DNN模型:(a)使用全连接网络,设置N个隐藏层。(b)预训练好的用户和视频的Embedding向量,包含基于用户行为以及基于语义内容等的多种Embedding,防止隐层不够,训练不足。(c)DNN能从具有良好数学分布的特征中抽取深层信息,比如embedding特征,归一化后统计特征等等。
      • GBDT模型: (a)单独进行训练,输入包含归一化和未归一化的稠密特征(b)能处理未归一化的连续和离散特征。(c)能根据熵增益自动对输入特征进行离散和组合。
      • FM融合层:(a)FM模型与DNN模型作为同一个网络同时训练。(b)将DNN特征,GBDT输出和稀疏特征进行融合并交叉
    • 组合不同的目标函数

      考虑融合点击和播放时长不同性质的目标函数,进行模型训练:(a)可独立成不同的模型进行训练。(b) 亦可不同的模型共享一定的深度隐层,最后在全连接层进行独立分割。最后在线上预测时对不同性质的模型,进行线性加权。

    3. EE&冷启问题探索


    • 常用Bandit算法(累积遗憾->评估效果)


    • Thompson sampling算法
    • UCB算法
    • Epsilon-Greedy算法
    • 朴素Bandit算法
    • LinUCB(UCB算法加入特征信息)
    • COFIBA算法(Bandit和协同过滤结合)

    五. 总结展望

    按照目前主流的算法架构 match + rank,不难发现match召回算法最终决定了推荐效果的上界,而rank层的排序是更加保证了推荐结果的精准。所以从模型优化的角度来讲,只有保证match 和 rank 双管齐下,才能发挥推荐系统的终极效果。match趋近个性化、召回度和新颖度的完美结合,rank层趋近排序结果的精准化,无疑对于算法工程师来说,都是极大的挑战。最后引出阿里在match层最新的探索,以及美团在rank层的最近进展

    展开全文
  • 一、信息流广告及行业背景 1)定义:“原生信息流”;“Feeds”
  • 大数据平台能够获取时间跨度更大、更海量的结构化交易数据,这样就可以对更广泛的交易数据类型进行分析,不仅仅包括POS或电子商务购物数据,还包括行为交易数据,例如Web服务器记录的互联网点击数据日志。...
  • Java输入输出详解

    千次阅读 2019-01-08 20:32:54
    1 Java的IO机制有IO和块IO两种,核心库 java.io是大多数面向数据的IO类的主要软件包;核心库 java.nio中采用的便是块IO。IO的好处是简单易用,缺点是效率较低。块IO效率很高,但编程比较复杂。 2 IO基于...
  • 具体信息主要包含视频和音频流信息。视频流信息主要有:(1)Total frames (2)Frame rate (3)Codec (4)视频的宽度和高度等。音频信息主要有:(1)音频的格式 (2)单声道还是立体声 (3)采样频率等。 关键字:avi,...
  • 信息流广告投放入门

    千次阅读 2016-05-03 16:46:08
    摘要: 关于信息流广告的更多基础知识可以查看:[鸟哥笔记精编]信息流广告渠道报价及投放实用指南(2016更新)引子:在APP的付费推广形式中,信息流广告可以算是仅次于应用市场的重要付费推广形式。CPM/CPC的的竞价...
  • 数据有两种类型:变换和事务。 答案:C 答案解析 [要点解析] 结构化设计方法方法采用结构图(SC)来描述程序的结构。 结构图的基本成分由模块、调用和输入/输出数据组成。通常在需求分析阶段,用结构化分析...
  • 【Java基础-3】吃透Java IO:字节、字符、缓冲

    万次阅读 多人点赞 2020-09-23 20:12:33
    什么是Java-IO?字符和字节的区别与适用场景是什么?缓冲到底实现了什么?如何高效地读写文件? 本文用大量的示例图和实例,带你吃透Java IO。
  • 媒体基础知识TS PS ES区别

    万次阅读 2016-07-26 14:40:30
    IP数据报有首部和数据两部分组成的,首部的前一部分是固定长度20字节,是所有IP数据报必须... (1)ES(Elementary Stream):也叫基本码包含视频、音频或数据的连续码。  (2)PES(Packet Elementary Strea
  • 在VS.NET平台上,包括了下面三种数据流类型 类型 命名空间 功能 网络流Network Stream System.Net.Sockets 网络数据的读写操作 内存流 Memory Stream System。IO 内存数据的处理和转换 文件
  • 如何提取码的基本信息

    千次阅读 2017-04-30 12:14:24
    1. 码中的哪些信息值得关注 ? [ ] 是否包含:音频、视频 [ ] 码的封装格式 [ ] 视频的编码格式 [ ] 音频的编码格式 [ ] 视频的分辨率、帧率、码率 [ ] 音频的采样率、位宽、通道数 ...
  • 表单式工作功能模块设计方案

    千次阅读 2021-08-26 13:48:41
    最近一个项目中需要独自设计一个表单式工作功能模块,在此将整个功能模块的设计思路分享出来。
  • 对H.264帧类型判断方法

    千次阅读 2017-04-17 16:37:30
    背景描述我们经常在网络直播推流或者客户端拉流的时候,需要对获取到的H.264视频帧进行判断后处理,我们经常获取到各种不同的视频数据0x...那么我们怎么来以统一的方式判断帧的类型呢:sps、pps、IDR、P如下转自EasyDa
  • activiti工作简介

    万次阅读 2019-02-01 12:45:50
     就是“业务过程的部分或整体在计算机应用环境下的自动化”,它主要解决的是“使在多个参与者之间按照某种预定义的规则传递文档、信息或任务的过程自动进行,从而实现某个预期的业务目标,或者促使此目标的实现”。...
  • Java IO常见面试问题

    万次阅读 多人点赞 2019-04-25 14:05:36
    IO 先要明白一个基础问题: 1.什么是比特(Bit)?什么是字节(Byte)?什么是字符(Char)?以及他们的区别? Bit 位,是计算机最小的二进制单位 ,取0或1,主要用于计算机操作。 Byte 字节,是数据的最小单位,由8...
  • 批处理与处理详解

    千次阅读 2019-09-18 16:34:50
    虽然处理数据所需的计算能力或存储容量早已超过一台计算机的上限,但这种计算类型的普遍性、规模,以及价值在最近几年才经历了大规模扩展。 本文将介绍大数据系统一个最基本的组件:处理框架。处理框架负责对系统中...
  • File文件,字节输入,字节输入,字符输入,字节输出的详解 File文件概述 1.File类型:用于表示一个文件或者是文件夹的路径的对象(抽象路径名) 2.路径:用于描述文件或者是文件夹的所在路径的所在的字符串 3....
  • JAVA:IO 之 节点与处理(2)

    万次阅读 多人点赞 2017-05-15 15:37:24
    1. 的分类 按数据的方向不同:输入,输出。 按处理数据单位不同:字节,字符。 (1) 字节:数据中最小的数据单元是字节。 (2)字符:数据中最小的数据单元是字符, Java中的字符是Unicode...
  • 实时协议(RTSP)简介

    千次阅读 2019-05-25 14:45:36
    服务器通过一个SDP描述来进行反馈,反馈信息包括流数量、媒体类型信息。 (3). 客户端再分析该SDP描述,并为会话中的每一个发送一个RTSP建立命令(SETUP),RTSP建立命令告诉服务器客户端用于接收媒体数据的...
  • workflow工作流类型及其区别

    千次阅读 2012-10-08 10:05:30
    在workflow中,工作分为两种类型,顺序工作(Sequential)和状态机工作(State Machine)。   顺序工作将一系列要执行的步骤以一种预先设计好的流程顺序执行。在这种工作里,控制流程的是我们很熟悉的...
  • 我们团队致力于音视频媒体服务器和播放器的研发,不同的媒体服务器会用到不同的播放方式。本文我就来讲一下媒体视频的三种播放方式。 一、媒体播放方式之单播 即客户端与媒体服务器间建立单独传输通道,...
  • JIRA配置手册 (1):问题类型管理

    千次阅读 2018-08-16 08:00:00
    所选类型基本上没有太大差异,只是会根据你所选的类型,显示一些已配置的基本方案,比如包含标准类型的问题类型、工作、界面、通知方案、权限方案等。 填写项目的名称、键值、以及项目的负责人即可创建。 如果需要...
  • 千次阅读 2019-05-22 13:10:29
    在OpenFlow交换机的运行过程中,其数据转发的依据就是表。 所谓表,其实可被视作是OpenFlow对网络设备的数据转发功能的一种抽象。在传统网络设备中,交换机和路由器的数据转发需要依赖设备中保存的二层M...
  • 网络媒体(二)————PS

    千次阅读 2019-07-28 13:16:10
    1. 简介 每个视频帧分为若干NAL单元(NALU)。视频PS格式码以NALU为单位进行打包。若当前为I帧或P帧的第一个NALU则需加PSH头部。若当前为I帧的第一个NALU还需要加PSM头部。...音频关键帧包含PSM头...
  • ffmpeg获取码流信息

    万次阅读 2017-08-02 17:44:51
    1. 码中的哪些信息值得关注 ? [ ] 是否包含:音频、视频 [ ] 码的封装格式 [ ] 视频的编码格式 [ ] 音频的编码格式 [ ] 视频的分辨率、帧率、码率 [ ] 音频的采样率、位宽、通道数 [ ] 码的总时长...
  • C++文件输入输出及标准I/O类知识总结

    万次阅读 多人点赞 2018-10-13 23:42:06
    在学习使用C++进行STL模型文件的读写与显示时,遇到了一些文件读取的问题...C++所有的输入输出(I/O)都是基于stream类,包括iostream,fstream,stringstream等,其对象称为对象,其之间的相互关系如下: ...
  • Java中的File类和IO

    千次阅读 多人点赞 2019-08-19 20:40:38
    1、可以直接处理字节信息对象 2、计算机中一切数据都是字节数据 无论是文字、音频、图片、视频、网页等内容,底层都是字节数据 3、字节可以操作计算机中一切数据 4、所有其他对象,底层都需要依赖字节...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 639,898
精华内容 255,959
关键字:

信息流的类型主要包括