目标跟踪基础——DeepSORT

DeepSORT是一种经典的多目标跟踪算法，它在SORT算法的基础上增加了级联匹配和深度关联的方法，利用目标的外观特征进行重识别（re-id），从而提高了跟踪的稳定性和准确性。

SORT和DeepSORT是多目标跟踪中两个知名度比较高的算法，它们都以高效和准确而著称。SORT算法主要依赖于运动信息进行跟踪，而DeepSORT则通过引入Deep Association Metric和外观信息，提高了对长时间遮挡目标的跟踪能力。这两个算法都为MOT领域的发展做出了重要贡献，并且为后续的算法研究提供了重要的参考和借鉴。

DeepSORT的算法流程大致如下：外观特征提取 为了提取行人目标的外观特征，作者设计了一个CNN模型并在一个大规模的行人重识别数据集上进行离线训练，训练好的模型被用于在线跟踪时提取目标的外观特征。

DeepSort算法是在SORT算法的基础上进行了改进，主要解决了在长时间内跟踪遮挡物体时ID变化数量过多的问题。它通过引入CNN提取物体外观特征，并结合卡尔曼滤波进行运动估计，实现了更加稳定的目标跟踪。核心组件 外观特征提取器 基于CNN模型在大型RE-ID行人数据集上训练。

强化学习+时序预测

方法核心：动态模型选择（DMS）框架该方法针对智能电网中短期负荷预测（STLF）的场景，提出强化学习驱动的动态模型选择机制，解决传统方法在不同条件下模型适配性差的问题。其核心逻辑为：预测模型池构建：整合10个基于机器学习的先进时序预测模型（如LSTM、XGBoost等），形成多样化模型集合。

时序差分学习（TD学习）是强化学习中一种从不完整状态序列中学习的方法。TD学习通过合理的bootstrapping，先估计当前状态在完整序列可能获得的回报，利用累进更新平均值的方法得出该状态的价值。随后，通过不断采样持续更新此价值。

实际应用 本节课以简化版21点游戏为背景，展示了如何使用MC方法进行无模型情况下的价值评估。虽然代码实现可能较为复杂，但通过不断学习和实践，我们可以逐渐掌握这种方法并应用于实际问题中。总结 本节课主要介绍了无模型预测中的蒙特卡洛学习和时序差分学习方法。

实验证明，达摩院新模型在电力、交通、气象等6个标准数据集上均取得最佳纪录，预测精准度较此前业界最佳模型分别提升18%（多变量）和26%（单变量）。目前该模型已走出实验室，在区域电网完成概念验证，明显提升电网负荷预测准确率。

环境：LLM训练时面对的文本、问题或query，模型通过处理这些输入并生成反馈与环境交互。交互（行为）：LLM的“动作”是时序预测的下一个token。例如，输入“Today is”，输出“Monday”，则“Monday”即为动作。长期累积奖励：奖励设计需综合考虑句子正确性、语法合理性等，强调长期回报以避免局部最优。

入侵防护系统(IPS)的原理?

入侵防御系统（IPS），属于网络交换机的一个子项目，为有过滤攻击功能的特种交换机。

入侵防御系统（IPS，Intrusion Prevention System）是一种网络安全设备，旨在实时检测并防御网络攻击。它通过深入分析网络流量，识别出潜在的威胁，并采取相应的措施进行阻断，为企业提供更加安全、可靠的网络环境。

IPS（入侵防御系统）是一种电脑网络安全设施，主要对防病毒软件和防火墙进行补充。其原理在于，IPS系统能够监视网络或网络设备的网络资料传输行为，通过深度检测（如协议分析跟踪、特征匹配、流量统计分析、事件关联分析等）流经的每个报文。

IPS的诞生：IPS侧重于风险控制，对那些被明确判断为攻击行为，会对网络、数据造成危害的恶意行为进行检测和防御，降低或减免使用者对异常状况的处理资源开销。主要功能 入侵防护：实时、主动拦截黑客攻击、蠕虫、网络病毒、后门木马、Dos等恶意流量，保护企业信息系统和网络架构免受侵害。

入侵防御系统（IPS）在应对SQL服务器相关攻击时，可通过检测和阻断利用bcp工具、扩展存储过程、链接服务器等技术的恶意操作实现防护，但需结合其他安全措施形成完整防御体系。针对bcp工具的攻击与防御攻击者可能利用bcp（Bulk Copy Program）从SQL服务进程外访问数据库。