哈哈，微软的CE6简直是大门洞开啊

转：哈哈，微软的CE6简直是大门洞开啊

原文地址：http://www.armce.com/bbs/thread-1131-1-3.html最近通过看LocalAlloc的问题结合之前研究如何用AP去读写CE6的物理地址的过程，发现CE6的内核存在巨大安全隐患。如果说CE5是蜗牛壳，那么CE6就是鸡蛋壳了，骚味动点脑筋，CE6的核心就能马上被你控制，下面简述几个CE6设计上的败笔。败笔1：KDataStuct位置固定稍微了解一点wi

算法44，模拟算法，数青蛙

动态获取当前字符对应的数组下标，实现通用化状态转移。用数组模拟哈希表记录每个字符的等待状态，直接定义长度为 5 的数组，通过多个。存储字符与下标的映射关系，通过。手动判断当前字符并转移状态。）记录空闲/新增青蛙数。

Leecode#26刷题之删除有序数组中的重复项

给你一个的数组nums，请你删除重复出现的元素，使每个元素，返回删除后数组的新长度。元素的应该保持。然后返回nums中唯一元素的个数。考虑nums的唯一元素的数量为k。去重后，返回唯一元素的数量k。nums的前k个元素应包含的唯一数字。下标k - 1之后的剩余元素可以忽略。系统会用下面的代码来测试你的题解:// 输入数组// 长度正确的期望答案// 调用i < k;i++) {如果所有断言都通过，那么您的题解将被。函数应该返回新的长度2，并且原数组nums的前两个元素被修改为1。

强化学习的数学原理 | 赵世钰 | 西湖大学 | 笔记 | Lecture 7 | Part 2 | 时序差分方法（TD 算法介绍）

强化学习的数学原理 | 赵世钰 | 西湖大学 | 笔记 | Lecture 7 | Part 2 | 时序差分方法（TD 算法介绍）

算法 Day1-数组 / 哈希 + 双指针

哈希表是一种通过哈希函数将 Key 映射到存储位置的数据结构，底层通常基于桶数组实现。在查询一个 Key 时，首先计算 Key 的 hash 值，再根据 hash 值定位到对应的 bucket，而不需要像线性表一样从头遍历，因此在哈希分布比较均匀的情况下，查找、插入和删除的平均时间复杂度可以达到 O(1)。但是不同 Key 可能映射到同一个位置，这叫哈希冲突。常见解决方式包括链地址法和开放寻址法。因此哈希表的 O(1) 一般指平均时间复杂度，极端冲突情况下性能可能退化。

算法（1）——双指针

常见的双指针有两种形式：1. 对撞指针 2. 快慢指针对撞指针： 两个指针从两端向中间移动，一般用于顺序结构，也称左右指针。终止条件：两个指针相遇或者错开快慢指针：使用两个速度不同的指针在序列结构上移动，又称龟兔赛跑算法，有效用于处理数组、环形链表或出现循环往复的情况。常用的实现方式：慢的指针移动一位，快的指针移动两位。

研读《一种用于随机值脉冲噪声的检测统计量》中想到的一种软光敏实现算法

基于红外环境下RGB响应趋近的特性，结合raw域分块统计与对数函数放大差异的特性，提出一种新式软光敏算法。通过计算log₂(R/G)、log₂(B/G)并扣除标定偏移量，使红外下比值趋近0，可见光下显著增大；统计超过阈值的块占比，结合AE参数判断可见光强度，实现IRCUT切换。该方法利用对数增强敏感度，提升鲁棒性与准确性。

揉扁搓圆transformer架构:NAG优化器算法详解

本文描述了大模型优化器NAG算法的原理

【算法】双指针与滑动窗口（三）：相向双指针——比较、排除、收缩

相向双指针的全部灵魂一句话：一次比较必须买到"排除一整排候选"的信息，买不到就退化。

第【123】期--基于LDPC码的数字通信系统译码算法性能对比分析--matlab完整代码

本文构建了一个完整的数字通信系统仿真平台，采用脉冲编码调制(PCM)实现模拟信号数字化，并结合规则低密度奇偶校验码进行信道编码，在AWGN信道下对比了置信传播、分层置信传播和最小和三种LDPC译码算法的性能。通过蒙特卡洛仿真，统计了不同信噪比下的误码率、重建信号质量及编码增益。结果表明，LDPC编码可显著降低误码率，分层置信传播在收敛速度与性能间取得最优平衡，最小和算法以较低复杂度获得接近最优的性能，为实际系统设计提供了有价值的参考。

LeetCode.454.四数相加 ||

我一开始做的时候是没有加这个判定条件的，但也能通过，原因就是当mp_AB[key]不存在时，会分配内存初始化一个value为零的值，加了这个判定之后按道理来说，应该减少了这些开销，速度会更快一点，但是并没有。这道题就是讲四个数转换为两个组，再利用map，思路就跟之前的二数相加一样。所以加了还是没问题的，保险一点。有一点要注意的就是，反而速度大降，本质是。

LeetCode.350.两个数组的交集II

这道题就需要有重合的出现了，所以不能用set集合了，转而用map和数组都可以。这里分享一个map的做法，顺便复习一下写法。

数据结构——快速排序

快速排序通过分治思想，以基准值将序列划分为左右两部分，左小右大，递归处理子序列直至有序。常用“挖空法”实现单次划分，利用双指针从两端向中间扫描交换元素，最后将基准值放入正确位置。也可用辅助数组实现非递归版本，借助栈模拟递归过程。优化策略包括小数据量改用插入排序、三数取中法选基准值，提升性能。整体时间复杂度平均为O(n log n)，是高效通用的排序算法。

CCFCSP算法专栏：关于二分

left = mid + 1 # mid 可能是答案，但先往右探else:return left - 1 # 注意减 1为什么 return left - 1？因为这里的left是“第一个 > target 的位置”，所以最后一个 <= target 的位置是left - 1。场景区间循环条件更新方式返回值精确查找[l, r]l <= rl=mid+1r=mid-1循环内 return mid，否则 -1左边界（第一个 >= target）[l, r)l < rl=mid+1。

02-regmix具体观-算法与实现剖析

本文深入解析RegMix中的五大核心技术点，按“论文→代码→例子”三步递进：1）基于Dirichlet分布与拒绝采样生成512个物理合理的配比；2）用LightGBM回归拟合“配比→损失”关系，捕捉非线性交互；3）通过top-k模拟实现虚拟最优搜索；4）打包与加权重采样高效喂数据；5）工程优化（融合内核、W&B-only）压低训练开销。全流程依托数学原理与真实代码，揭示如何以系统化方法实现高效混合训练。

OpenCV中利用EigenFace算法进行人脸识别

本实验基于EigenFace算法，使用4张人脸图像（黎明2张、安志杰2张）训练识别器，通过OpenCV实现灰度化、尺寸统一、PCA降维及特征脸提取。利用cv2.face.EigenFaceRecognizer_create()进行训练与预测，对测试图像输出身份标签与置信度，并在图像上标注结果。核心原理为将人脸投影至低维特征脸空间，通过欧式距离匹配识别。实验完整演示了人脸识别流程，有助于理解PCA降维与分类机制，但需优化阈值与数据量以提升实用性。

洛谷 P2835：刻录光盘 → Kosaraju 算法 + 缩点

在有向图中，如果几个结点互相可达（强连通），那么只需要给其中任意一个人光盘，整个强连通分量内的所有人就都能获得资料。因此，我们可以把一个强连通分量（ SCC ）看作一个整体（缩点）。 缩点之后，原图变成一个有向无环图（ DAG ）。在 DAG 中，如果某个 SCC 的入度为 0 （没有人能给它传递资料），那我们就必须给它一张光盘，否则这个 SCC 永远无法获得资料。 因此，答案就是：缩点后入度为 0 的 SCC 的个数。

【算法】链表（二）：链表上的双指针——变速、异链与定距，和一份路程账本

本文系统解析链表双指针的三大形态：变速（快慢指针判环，速度差1为关键）、异链（两指针跳链补路程，nil会师巧解相交）、定距（保持间距定位倒数节点）。核心思想是“路程账本”——通过等距、补长、绕圈等策略在时间轴上凑出相等路径。结合LC141/142/160/19四题，揭示指针比较认地址不认值、判定顺序、边界处理等深层逻辑，强调“理解配置”优于“机械套用”。

带脉冲检测器的通用噪声去除算法

本文提出一种基于排序绝对差（ROAD）统计量的脉冲噪声检测方法，并将其嵌入双边滤波器，构建出可同时抑制高斯噪声与脉冲噪声的三边滤波器。该方法通过自适应调节权重，实现对类脉冲像素的有效识别与抑制，兼具边缘保护与去噪能力。实验表明，三边滤波器在主观视觉质量与峰值信噪比（PSNR）上均优于现有算法，尤其在混合噪声场景下表现突出，具备良好的通用性与实用性。