摘 要
 
拒绝服务攻击(DoS)给政府部门和商业机构造成了严重的经济损失和社会威胁。IP追踪技术能够反向追踪IP数据包到它们的源头，所以是识别和阻止DoS攻击的重要一步。本文针对DoS攻击，对比分析了各个IP反向追踪方法的基本原理和优缺点。

 关键词
 
DoS攻击 主动追踪 反应追踪

 随 着Internet在商业活动中的重要性不断增长，网络攻击特别是拒绝服务(DoS)攻击也在不断增加。IP追踪技术能够使受害主机的网络管理员识别发起 DoS攻击的大量数据包的真正源头，对于尽快恢复正常的网络功能、阻止再次发生攻击以及最终让攻击者为此负责非常重要。仅仅识别产生攻击业务的计算机和网 络似乎是一个有限目标，但是它所提供的重要线索有助于识别实际的攻击者。本文针对DoS，对比分析了现有各个IP反向追踪技术的基本原理、优缺点和局限性。

 一、DoS 攻击

 DoS攻击一般都默认地使用IP欺骗方式实施攻击，使网络服务器充斥大量要求回复的信息，消耗网络 带宽或系统资源，导致网络或系统不胜负荷以至于瘫痪而停止为合法用户提供正常的网络服务。大部分DDoS攻击都是间接地通过其他主机系统攻击它们的目标。 一旦攻击者知道无辜用户的账号，他就能伪装成那个人实施犯罪。攻击者还可以通过获得管理特权，在任何一台计算机上创建新账号。攻击者利用窃取来的账号清洗 攻击数据包：被窃取账号的主机（以下称清洗主机）接收和处理攻击主机的数据包，然后再将数据包发送给受害主机。因此，攻击者就利用清洗主机伪装了它们的身 份。在DDoS 攻击中，为了提高攻击的成功率，攻击者会同时控制成百上千台清洗主机，每台清洗主机根据攻击命令向目标主机发送大量的DoS 数据包，使目标

phpstorm无法实现代码反向追踪（向上一级追踪）以及定位文件会导致其他文件隐藏的问题
 
问题来源
 
从线上拉取下来的文件，自己配置后，使用过程中发现只有部分属性和变量以及系统函数能追踪到代码（使用Ctrl+鼠标左键），这个给自己阅读代码的效率造成了极大的影响，本来以为是phpstorm最新版本的问题，后来发现不是。
 
尝试过的无效但是网上一查就给你推荐的方法
 
1.需要安装laravel-ide-helper插件
 
这个方法我不确定最后会不会有效，因为在装这个插件的过程中又会产生很多新的有关这个插件的问题，而且安装起来也比较复杂，我也在phpstorm软件里的插件商店看了一下，没有直接的类似于中文语言或者翻译等这几种插件。所以不建议使用这种方式。
 
2.更换低版本
 
其他人使用的低版本的phpstorm2019.3,什么都不用设置就可以直接各种追踪，我后面也尝试了安装这个版本的phpstorm，然而很遗憾，进入同样的项目后依旧不支持完全代码追踪。
 
3.在注释的时候写好函数路径/属性注释
 
这个方法确实有用，但是一个很大的项目，不可能保持注释那么完善，而且工作量也会加大很多，所以也不好。
 
解决方式
 
最后的解决方式是，将项目里面的.idea文件删除掉，重新进入phpstorm，这个时候会重新对项目进行编制索引等操作，就会神奇的发现，可以正常追踪了。

分享一个idea代码重构的小技巧——反向追踪调用链（调用树）
 ---
 接手这个重构的工作以来，我发现限制这个工作的瓶颈大约是哪里用到了老四件套，以及找改动之后会对现有的哪些接口造成影响吧。
 
诚然，command+鼠标单击是能够达到目的，但是真要用起来还是十分的麻烦啊，
 
所以这个东西就被我找出来了！
 
 
 
快捷键就是
 ctrl+alt+H
 
现在至少我们找接口在哪里被用到会方便一些了。
 
另一个问题——重构真的有必要回归所有接口吗？
 ---
 这次这次重构的表有一个特点
 
自身逻辑简单，调用的地方少，改起来非常容易，
 
但是另一个问题就是,调用它的地方被调用的很多，所以我们看到使用上一模块中的反向调用树会发现有非常多的分支。
 
如果这些都要回归的话，测试怕不是要锤死我了
 
所以我找boss商量了一波，怎么整一个高效的测试方案呢？
 答案就是写单元测试，保证传入参数一样的情况下，返回结果也是一样的应该就ok
 

  

【OpenCV 完整例程】51. 图像增强—直方图反向追踪
 
 
 
欢迎关注 『OpenCV 完整例程 100 篇』 系列，持续更新中
 欢迎关注 『Python小白的OpenCV学习课』 系列，持续更新中
 
 
图像直方图是反映图像像素分布的统计表。 灰度直方图是图像灰度级的函数，用来描述每个灰度级在图像矩阵中的像素个数。
 
直方图反向投影（反向追踪）是一种在输入图像中查找与特定模板图像匹配最佳的点或区域的方法，可以对特定颜色物体、特定灰度物体进行查找、跟踪，常用于图像查找、图像分割。
 
直方图反向投影处理的原理，是计算某一特征的直方图模型，再使用该模型去寻找图像中存在的特征。
 
直方图反向投影处理的过程，首先建立模板区域的直方图，再将直方图投影到输入图像，计算输入图像中每个像素点的像素值与直方图匹配概率，得到概率图像并以一定阈值进行二值化处理。
 
直方图的反向投影利用直方图模型计算给定图像像素点的特征。反向投影在某一位置的值是源图像在对应位置的像素值的累计。反向投影操作可实现检测输入源图像给定图像的最匹配区域，可用于目标检测。
 
OpenCV 提供的函数 cv2.calcBackProject() 可以用来做直方图反向投影。
 
函数说明：
 
cv2.calcBackProject(images, channels, hist, ranges, scale[, dst]) → dst
 
参数说明：
 
 
images：颜色对比度的阈值，可选项，默认值 8
 
 
channels： 计算反向投影的图像通道
 
 
hist： 查找模板区域的直方图
 
 
ranges：每个维度中直方图单元边界的数组
 
 
scale：反向投影输出的缩放比例
 
 
返回值 dst：返回反向投影的输出图像
 
 

 
基本例程：1.64 直方图反向投影追踪
 
    # 1.64 直方图反向投影
    roi = cv2.imread("../images/BallFrag.png", flags=1)  # 查找的图像区域
    target = cv2.imread("../images/imgBall.png", flags=1)  # 被查找的目标图像

    hsvRoi = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)
    hsvTar = cv2.cvtColor(target, cv2.COLOR_BGR2HSV)

    histRoi = cv2.calcHist([hsvRoi], [0, 1], None, [180, 256], [0, 180, 0, 256])  # 计算目标直方图
    cv2.normalize(histRoi, histRoi, 0, 255, cv2.NORM_MINMAX)  # 归一化 ->[0,255]

    dst = cv2.calcBackProject([hsvTar], [0, 1], histRoi, [0, 180, 0, 256], 1)  # 反向投影
    disc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))  # 定义椭圆结构形状
    imgConv = cv2.filter2D(dst, -1, disc)  # 图像卷积

    ret, thresh = cv2.threshold(imgConv, 100, 255, 0)  # 图像二值化处理，得到掩模模板
    imgTrack = cv2.bitwise_and(target, target, mask=thresh)  # 以 thresh 为掩模按位与，显示查找区域

    plt.figure(figsize=(10,6))
    plt.subplot(131), plt.imshow(cv2.cvtColor(target, cv2.COLOR_BGR2RGB)), plt.title("target image"), plt.axis('off')
    plt.subplot(132), plt.imshow(thresh, 'gray'), plt.title("tracking mask"), plt.axis('off')
    plt.subplot(133), plt.imshow(cv2.cvtColor(imgTrack, cv2.COLOR_BGR2RGB)), plt.title("tracking result"), plt.axis('off')
    plt.show()
 

 
 
补充知识：
 
直方图的反向投影到底是指什么？
 
反向投影矩阵中某点的值就是它对应的原图像中的点所在区间的灰度直方图值。一个区间点越多，在反向投影矩阵中就越亮。
 
怎么理解反向投影矩阵中的 “反向”？
 先求出原图像的直方图，再由直方图得到反向投影矩阵，由直方图到反向投影矩阵实际上就是一个反向的过程。
 
通过图像的反向投影矩阵，实际上把原图像简化了，简化过程就是提取图像特征的过程。通过特征来对比两幅图，如果两幅图的反向投影矩阵相同或高度相似，就可以判定这两幅图这个特征相同。
 
 

 
（本节完）
 
 
版权声明：
 
youcans@xupt 原创作品，转载必须标注原文链接
 
Copyright 2021 youcans, XUPT
 
Crated：2021-11-25
 

 
 
 
欢迎关注 『OpenCV 完整例程 100 篇』 系列，持续更新中
 欢迎关注 『Python小白的OpenCV学习课』 系列，持续更新中
 
 
【OpenCV 完整例程】01. 图像的读取（cv2.imread）
 【OpenCV 完整例程】02. 图像的保存（cv2.imwrite）
 【OpenCV 完整例程】03. 图像的显示（cv2.imshow）
 【OpenCV 完整例程】04. 用 matplotlib 显示图像（plt.imshow）
 【OpenCV 完整例程】05. 图像的属性（np.shape）
 【OpenCV 完整例程】06. 像素的编辑（img.itemset）
 【OpenCV 完整例程】07. 图像的创建（np.zeros）
 【OpenCV 完整例程】08. 图像的复制（np.copy）
 【OpenCV 完整例程】09. 图像的裁剪（cv2.selectROI）
 【OpenCV 完整例程】10. 图像的拼接（np.hstack）
 【OpenCV 完整例程】11. 图像通道的拆分（cv2.split）
 【OpenCV 完整例程】12. 图像通道的合并（cv2.merge）
 【OpenCV 完整例程】13. 图像的加法运算（cv2.add）
 【OpenCV 完整例程】14. 图像与标量相加（cv2.add）
 【OpenCV 完整例程】15. 图像的加权加法（cv2.addWeight）
 【OpenCV 完整例程】16. 不同尺寸的图像加法
 【OpenCV 完整例程】17. 两张图像的渐变切换
 【OpenCV 完整例程】18. 图像的掩模加法
 【OpenCV 完整例程】19. 图像的圆形遮罩
 【OpenCV 完整例程】20. 图像的按位运算
 【OpenCV 完整例程】21. 图像的叠加
 【OpenCV 完整例程】22. 图像添加非中文文字
 【OpenCV 完整例程】23. 图像添加中文文字
 【OpenCV 完整例程】23. 图像添加中文文字
 【OpenCV 完整例程】24. 图像的仿射变换
 【OpenCV 完整例程】25. 图像的平移
 【OpenCV 完整例程】26. 图像的旋转（以原点为中心）
 【OpenCV 完整例程】27. 图像的旋转（以任意点为中心）
 【OpenCV 完整例程】28. 图像的旋转（直角旋转）
 【OpenCV 完整例程】29. 图像的翻转（cv2.flip）
 【OpenCV 完整例程】30. 图像的缩放（cv2.resize）
 【OpenCV 完整例程】31. 图像金字塔（cv2.pyrDown）
 【OpenCV 完整例程】32. 图像的扭变（错切）
 【OpenCV 完整例程】33. 图像的复合变换
 【OpenCV 完整例程】34. 图像的投影变换
 【OpenCV 完整例程】35. 图像的投影变换（边界填充）
 【OpenCV 完整例程】36. 直角坐标与极坐标的转换
 【OpenCV 完整例程】37. 图像的灰度化处理和二值化处理
 【OpenCV 完整例程】38. 图像的反色变换（图像反转）
 【OpenCV 完整例程】39. 图像灰度的线性变换
 【OpenCV 完整例程】40. 图像分段线性灰度变换
 【OpenCV 完整例程】41. 图像的灰度变换（灰度级分层）
 【OpenCV 完整例程】42. 图像的灰度变换（比特平面分层）
 【OpenCV 完整例程】43. 图像的灰度变换（对数变换）
 【OpenCV 完整例程】44. 图像的灰度变换（伽马变换）
 【OpenCV 完整例程】45. 图像的灰度直方图
 【OpenCV 完整例程】46. 直方图均衡化
 【OpenCV 完整例程】47. 图像增强—直方图匹配
 【OpenCV 完整例程】48. 图像增强—彩色直方图匹配
 【OpenCV 完整例程】49. 图像增强—局部直方图处理
 【OpenCV 完整例程】50. 图像增强—直方图统计量图像增强
 【OpenCV 完整例程】51. 图像增强—直方图反向追踪