将自己的网站导入织梦/网站推广做什么

将自己的网站导入织梦,网站推广做什么,潍坊市城市建设官网站,域名dns解析和网站建设名人说：人生如逆旅，我亦是行人。 ——苏轼《临江仙送钱穆父》 创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊） 上一篇：AI知识补全（七）：AI Agent 智能…

名人说：人生如逆旅，我亦是行人。 ——苏轼《临江仙·送钱穆父》
创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）

上一篇：AI知识补全（七）：AI Agent 智能代理是什么？

目录

    • 一、多模态大模型概述
      • 1. 什么是多模态
      • 2. 多模态大模型的定义
      • 3. 多模态大模型与传统LLM的区别
    • 二、多模态大模型的工作原理
      • 1. 多模态数据的处理流程
      • 2. 跨模态对齐技术
      • 3. 多模态理解与生成
    • 三、多模态大模型的架构
      • 1. 常见架构类型
      • 2. 代表性多模态大模型介绍
      • 3. 模型训练方法与挑战
    • 四、多模态大模型的应用场景
      • 1. 图像理解与描述
      • 2. 视频分析与处理
      • 3. 多模态搜索与推荐
      • 4. 辅助创作与内容生成
      • 5. 医疗与健康
      • 6. 3D与空间计算
    • 五、多模态大模型性能对比
    • 六、多模态大模型的发展趋势与挑战
      • 1. 技术发展趋势
      • 2. 面临的挑战
      • 3. 未来研究方向
    • 七、小结：多模态，百花齐放的时代

很高兴你打开了这篇博客，更多AI知识，请关注我、订阅专栏《AI大白话》，内容持续更新中…

一、多模态大模型概述

1. 什么是多模态

在人工智能领域，多模态（Multimodality）指的是同时处理和理解多种不同类型数据的能力。就像人类能够同时理解看到的图像、听到的声音和阅读的文字一样，多模态AI系统也能够处理多种感知输入。常见的模态包括：文本、图像、音频、视频和结构化数据。

在这里插入图片描述

2. 多模态大模型的定义

多模态大模型（Multimodal Large Language Models, MLLMs）是指能够同时处理、理解和生成多种模态数据的大规模深度学习模型。与仅处理单一模态（如纯文本）的传统大语言模型（LLMs）不同，多模态大模型能够接收图像、音频等多种输入，理解它们之间的联系，并生成跨模态的响应。

2024年最新的多模态大模型包括：GPT-4o、Claude 3.5 Sonnet、Gemini 1.5 Pro、LLAVA-Next和国产的腾讯混元视觉大模型等。这些模型不仅能够处理文本，还能分析图像内容，一些高级版本甚至可以理解视频、音频和3D空间数据 。

3. 多模态大模型与传统LLM的区别

特性传统LLM多模态大模型
处理数据类型主要处理文本处理文本、图像、音频、视频等多种数据
输入形式文本提示文本提示、图像、音频等混合输入
应用范围文本生成、问答、翻译等图像理解、跨模态问答、视觉创作等
模型复杂度相对简单更为复杂，需要处理跨模态对齐
计算资源较低更高，需要处理多模态特征提取
训练数据主要为文本包括大量图文对、视频等多模态数据
上下文窗口较小部分模型支持超长上下文（如Gemini 1.5支持200万tokens）。

二、多模态大模型的工作原理

1. 多模态数据的处理流程

多模态大模型处理不同类型数据的流程大致可分为以下几个步骤：

在这里插入图片描述

基于最新的研究进展 ，多模态大模型的数据处理流程包含以下关键步骤：

  1. 特征提取：各模态通过专门的编码器（Encoder）提取特征

    • 文本通过文本编码器（如Transformer）提取语义特征
    • 图像通过视觉编码器（如ViT, Vision Transformer）提取视觉特征
    • 音频通过音频编码器提取声学特征
    • 视频通过视频编码器处理时序和空间特征
    • 3D/空间数据通过空间编码器提取立体结构特征 。

  2. 跨模态对齐：将不同模态的特征投影到共享的语义空间，这可以通过以下方式实现：

    • 令牌级对齐：将视觉、音频等特征转换为与文本token兼容的表示
    • 特征级融合：在深层次上融合不同模态的特征表示
    • 表示统一：构建统一的多模态表示空间

  3. 多模态理解与推理：基于融合后的表示进行理解和推理，包括：

    • 多模态上下文学习（M-ICL）：类似于文本模型的上下文学习能力
    • 多模态思维链（M-CoT）：引导模型进行逐步的推理
    • 视觉辅助推理（LAVR）：利用视觉信息辅助逻辑推理

  4. 输出生成：根据理解结果生成相应的输出（文本、图像等）

2. 跨模态对齐技术

跨模态对齐是多模态大模型的核心技术之一，目前主流的对齐方法包括 ：

  • 对比学习（Contrastive Learning）：让相关的多模态数据表示相互靠近，不相关的数据表示相互远离，如CLIP（Contrastive Language-Image Pretraining）模型

  • 联合嵌入（Joint Embedding）：将不同模态的数据映射到同一向量空间

  • 注意力机制（Attention Mechanism）：使用注意力机制实现不同模态间的信息交互

  • 预训练-微调范式（Pretrain-Finetune Paradigm）：先在大规模多模态数据上预训练，再在下游任务上微调

  • 部分LoRA微调（PLoRA）：如InternLM-XComposer2模型提出的对齐方法，将额外的LoRA参数应用于图像token，以保持预训练语言知识的完整性 。

3. 多模态理解与生成

多模态大模型不仅能理解多种模态的输入，还能生成相应的输出：

在这里插入图片描述

  • 多模态理解：模型能够理解图像内容并回答关于图像的问题，识别图像中的物体、场景和活动

  • 跨模态生成：根据一种模态生成另一种模态的内容，如根据文本描述生成图像、根据图像生成文本描述等

  • 多模态对话：在对话中同时处理文本和图像，实现更自然的人机交互

  • 多模态空间推理：最新的研究如CAD-GPT实现了空间推理增强，能够理解和生成3D空间中的内容 。

三、多模态大模型的架构

1. 常见架构类型

多模态大模型主要有以下几种架构类型 ：

  1. 双塔架构（Dual-Encoder Architecture，CLIP-style）

在这里插入图片描述

  • 分别使用独立的编码器处理不同模态
  • 适合对比学习任务，如CLIP模型
  • 优点：模型结构简单，训练高效
  • 缺点：模态间交互有限
  1. 融合架构（Fusion Architecture，LLaVA-style）

在这里插入图片描述

  • 先分别编码各模态，再进行特征融合
  • 融合方式包括：早期融合、晚期融合和混合融合
  • 代表模型：ViLBERT, LXMERT, LLaVA
  • 优点：能够有效捕捉跨模态信息

  1. 端到端架构（End-to-End Architecture，Flamingo-style）
    在这里插入图片描述

    • 将不同模态的输入统一处理，如将图像转化为"视觉词元"
    • 代表模型：Flamingo, GPT-4V
    • 优点：能够处理更复杂的跨模态任务

  2. 专家架构（Mixture-of-Experts Architecture，MoE-style）

在这里插入图片描述

  • 使用专门的"专家"子网络处理不同类型的模态或任务
  • 代表模型：MM1, MoE-LLaVA
  • 优点：在不增加计算成本的情况下扩大总参数量，提高性能 。

2. 代表性多模态大模型介绍

目前主流的多模态大模型包括（2024年最新）：

  • GPT-4o（OpenAI）：2024年5月发布，支持实时视觉、音频和文本交互，多模态能力全面提升 。

在这里插入图片描述

  • Claude 3.5 Sonnet（Anthropic）：2024年6月发布，在多项基准测试中表现优于GPT-4o和Gemini 1.5 Pro 。

在这里插入图片描述

  • Gemini 1.5 Pro（Google）：支持200万token的超长上下文，能够处理长视频和大量文档 。

在这里插入图片描述

  • LLaVA-Next（开源）：基于Vicuna/Mistral大语言模型的高性能开源视觉语言模型

  • CogVLM（智源）：中文开源视觉语言模型，擅长视觉理解和生成

  • 腾讯混元视觉：在SuperCLUE-V中文多模态榜单中排名第一，超越一些国际大模型 。

  • 百度文心一言：支持多模态理解与生成的中文大模型

在这里插入图片描述

3. 模型训练方法与挑战

多模态大模型的训练通常分为三个阶段 ：

  1. 预训练（Pretraining）：

    • 在大规模多模态数据上进行预训练
    • 训练目标通常是自回归的下一个token预测

  2. 指令微调（Instruction Tuning）：

    • 使模型理解和执行用户的指令
    • 多模态指令数据包括指令、输入和输出
    • 数据收集方法包括：人工标注、模型合成和数据增强

  3. 对齐微调（Alignment Tuning）：

    • 减少模型生成内容中的"幻觉"现象
    • 常用方法包括：强化学习与人类反馈（RLHF）和直接偏好优化（DPO）

主要挑战：

  • 多模态幻觉问题：模型生成与输入不一致的内容
  • 跨模态对齐难题：不同模态数据具有不同结构特性，难以精确对齐
  • 高质量多模态数据稀缺：获取高质量配对数据困难
  • 计算资源需求巨大：训练成本比纯文本模型高出数倍

四、多模态大模型的应用场景

在这里插入图片描述

1. 图像理解与描述

  • 图像问答（Visual Question Answering, VQA）：回答关于图像内容的问题
  • 图像描述生成（Image Captioning）：自动生成描述图像内容的文本
  • 视觉推理（Visual Reasoning）：分析图像中物体之间的关系和逻辑

应用示例：

# 使用多模态模型进行图像描述生成
from transformers import AutoProcessor, AutoModelForCausalLM
import torch
from PIL import Image# 加载模型和处理器
processor = AutoProcessor.from_pretrained("microsoft/git-base")
model = AutoModelForCausalLM.from_pretrained("microsoft/git-base")# 加载图像
image = Image.open("example_image.jpg")# 处理图像
pixel_values = processor(images=image, return_tensors="pt").pixel_values# 生成图像描述
generated_ids = model.generate(pixel_values=pixel_values, max_length=50)
generated_caption = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(generated_caption)

2. 视频分析与处理

  • 视频内容理解：理解视频中的场景、活动和事件
  • 视频问答：回答关于视频内容的问题
  • 行为识别：识别视频中人物的行为和动作
  • 视频摘要生成：自动生成视频内容的文字摘要

现代多模态大模型如Gemini 1.5能够分析长达数小时的视频，并且能够从视频中"捞针"找出特定的帧和内容 。

3. 多模态搜索与推荐

  • 图像搜索：根据文本描述搜索相关图像
  • 跨模态检索：使用一种模态搜索另一种模态的内容
  • 多模态推荐系统：基于用户的多模态交互行为进行个性化推荐

4. 辅助创作与内容生成

  • 文字创作辅助：基于图像生成相关的文本内容
  • 图像编辑与生成：根据文本描述生成或编辑图像
  • 多媒体内容创作：协助创作者生成多种形式的内容

5. 医疗与健康

  • 医学影像分析：辅助医生分析X光片、CT、MRI等医学影像
  • 健康记录理解：整合患者的多模态数据进行全面分析
  • 医患沟通辅助：通过分析语音、图像等多种模态提升医患沟通

6. 3D与空间计算

  • CAD模型生成：如CAD-GPT可以根据文本描述或图像生成3D模型 。
  • 空间规划设计：帮助设计师进行空间规划和设计
  • AR/VR内容创建：为增强现实和虚拟现实应用创建内容

五、多模态大模型性能对比

2024年主流多模态大模型能力对比表

模型名称视觉理解能力推理能力编程能力上下文窗口特殊能力
GPT-4o通用视觉理解方面表现出色在数学和计算机科学等科目表现突出，具有较强的复杂推理能力在多步骤编程任务中表现出色未公开具体数值多模态交互能力强
Claude 3.5 Sonnet在细粒度视觉分析上有优势在GPQA和MMLU Pro等推理基准测试上超越Gemini 1.5 Pro-支持200K token上下文窗口，接受超过100万token输入高质量多模态响应
Claude 3.5 Haiku--在SWE-bench Verified上得分率达40.6%，超过Claude 3.5 Sonnet和GPT-4 Turbo支持200K token上下文窗口小型模型中的高性能表现
Gemini 1.5 Pro-在比较数字大小等基础数学任务上表现更稳定-支持长达200万token的上下文窗口，远超其他模型处理长视频和从视频中找出特定帧表现突出
腾讯混元视觉在中文视觉理解方面表现突出，在SuperCLUE-V榜单上超越一些国际大模型---中文多模态理解优势明显
CAD-GPT----在3D建模和空间推理方面有特殊优势

2024年，各大厂商竞相发布和更新多模态大模型，不同模型在各个方面表现各有特色 ：

  1. 视觉理解能力：

    • GPT-4o在通用视觉理解方面表现出色
    • Claude 3.5 Sonnet在细粒度视觉分析上有优势
    • 腾讯混元视觉在中文视觉理解方面表现突出，在SuperCLUE-V榜单上超越一些国际大模型

  2. 推理能力：

    • GPT-4o在数学和计算机科学等科目表现突出，具有较强的复杂推理能力
    • Claude 3.5 Sonnet在GPQA和MMLU Pro等推理基准测试上超越Gemini 1.5 Pro
    • Gemini 1.5 Pro实验版本(0801)在比较数字大小等基础数学任务上表现更稳定

  3. 编程能力：

    • Claude 3.5 Haiku在SWE-bench Verified上的得分率达到40.6%，超过原来的Claude 3.5 Sonnet和GPT-4 Turbo
    • GPT-4o在多步骤编程任务中表现出色

  4. 上下文窗口：

    • Gemini 1.5系列支持长达200万token的上下文窗口，远超过其他模型
    • Claude 3.5系列支持200k token的上下文窗口，并接受超过100万token的输入

  5. 特殊能力：

    • CAD-GPT等专业模型在3D建模和空间推理方面有特殊优势
    • Gemini 1.5在处理长视频和从视频中找出特定帧方面表现突出

这种百花齐放的发展态势正推动多模态AI技术在各个应用场景中的落地和优化，用户可以根据具体需求选择最适合的模型。

六、多模态大模型的发展趋势与挑战

1. 技术发展趋势

  • 更广泛的模态支持：扩展到更多模态，如触觉、3D数据等

  • 更深层次的模态融合：实现更深入的跨模态理解和关联

  • 多模态预训练方法创新：开发更有效的预训练方法和任务

  • 小样本/零样本学习能力增强：提高模型在新任务上的快速适应能力

  • 超长上下文理解：模型上下文长度持续增长，Gemini 1.5已支持200万tokens，未来有望进一步扩展 。

  • 降低算力成本：如DeepSeek V3展示了高效训练方法，大幅降低了训练成本 。

2. 面临的挑战

  • 多模态幻觉问题：模型可能生成与输入不一致的内容或产生"幻觉"

  • 模态对齐难题：不同模态的数据具有不同的结构和特性，实现精确对齐仍然具有挑战

  • 计算资源需求：多模态模型需要更多的计算资源进行训练和推理

  • 多模态数据获取：高质量、大规模的多模态配对数据相对稀缺

  • 模型评估标准：缺乏统一的多模态模型评估标准和基准

3. 未来研究方向

在这里插入图片描述

七、小结：多模态，百花齐放的时代

多模态大模型作为AI领域的前沿技术，正在迅速发展并改变我们与智能系统交互的方式。2024年已成为多模态AI真正爆发的元年，各大厂商纷纷推出或更新自己的多模态大模型，如GPT-4o、Claude 3.5 Sonnet、Gemini 1.5 Pro等，国内的腾讯混元视觉也在某些中文测评中表现出色。

从技术角度看，多模态大模型的核心挑战在于如何有效地实现跨模态对齐和融合，以及如何在有限的计算资源条件下处理大规模多模态数据。未来，随着计算能力的提升和算法的优化，多模态大模型将在更多领域展现出强大的应用潜力。

多模态能力是通往通用人工智能的重要路径。通过同时处理文本、图像、音频、视频等多种模态数据，这些模型能够提供更接近人类认知方式的交互体验。

对于开发者和研究者来说，掌握多模态大模型的基本原理和应用方法，将有助于开发更智能、更自然的人机交互系统，推动人工智能向着更通用、更全面的方向发展。

希望本文对您了解多模态大模型有所帮助！欢迎在评论区留言讨论，也欢迎关注本系列的后续内容。

创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/899500.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

MySQL8.4 InnoDB Cluster高可用集群使用指南

MySQL8.4 InnoDB Cluster高可用集群使用指南

简介 高可用方案 Orchestrator： 可视化 Web 界面管理 MySQL 拓扑结构，并且兼容多种复制架构（异步、半同步、GTID），提供自动和手动的故障转移。但是8.0.21后 MySQL 更新了主从复制相关命令，Orchestrator无…
阅读更多...
深度学习在测距模型中的应用

深度学习在测距模型中的应用

一、单目视觉测距和双目视觉测距简介 1、单目视觉测距 模型：深度估计（Depth Estimation） 原理：通过深度学习模型（如MonoDepth2、MiDaS）或传统的计算机视觉方法（如单目相机结合物体大小推断&am…
阅读更多...
Lag-Llama时间序列模型简单实现数据预测

Lag-Llama时间序列模型简单实现数据预测

前言： 最近在大模型预测，简单了解了lag-llama开源项目，网上也有很多讲解原理的，这里就将如何快速上手使用说一下，只懂得一点点皮毛，有错误的地方欢迎大佬指出。 简单介绍： Lag-Llama 是一个开…
阅读更多...
Plastiform复制胶泥：高精度表面复制与测量的高效工具

Plastiform复制胶泥：高精度表面复制与测量的高效工具

在工业制造和质量检测领域，表面复制和测量是确保产品质量的关键环节。Plastiform复制胶泥作为一种创新材料，凭借其出色的性能和多样化的应用，为用户提供了可靠的解决方案。它能够快速捕捉复杂表面的细节，确保测量结果的准确性&…
阅读更多...
AI大模型、机器学习以及AI Agent开源社区和博客

AI大模型、机器学习以及AI Agent开源社区和博客

以下梳理了适合学习 AI大模型、机器学习、AI Agent和多模态技术 的英文网站、社区、官网和博客，按类别分类整理： 一、官方网站与开源平台 1. AI大模型 (Large Language Models) • OpenAI • 官网: openai.com • 内容: GPT系列模型文档、研究论文、AP…
阅读更多...
python 上下文管理器with

python 上下文管理器with

with 上下文管理器 上下文管理器示例如下：若想不使用with关键字 上下文管理器 任何实现了 enter() 和 exit() 方法的对象都可称之为上下文管理器，上下文管理器对象可以使用 with 关键字。 必须同时具有__enter__和__exit__，就可以使用with语句…
阅读更多...
CesiumJS 本地数据瓦片加载南北两极出现圆点问题

CesiumJS 本地数据瓦片加载南北两极出现圆点问题

const imageryProvider new UrlTemplateImageryProvider({url: "/gisimg/{z}/{x}/{reverseY}.png",minimumLevel: 0,maximumLevel: 19})上面这段代码是加载本地切片，但是有个致命问题就是会出现南北两极显示蓝色圆点 解决方案： 加上这句话&am…
阅读更多...
Linux编译器gcc/g++使用完全指南：从编译原理到动静态链接

Linux编译器gcc/g++使用完全指南：从编译原理到动静态链接

一、gcc/g基础认知 在Linux开发环境中，gcc和g是我们最常用的编译器工具： gcc：GNU C Compiler，专门用于编译C语言程序g：GNU C Compiler，用于编译C程序（也可编译C语言） &#x1f4cc…
阅读更多...
飞致云荣获“Alibaba Cloud Linux最佳AI镜像服务商”称号

飞致云荣获“Alibaba Cloud Linux最佳AI镜像服务商”称号

2025年3月24日，阿里云云市场联合龙蜥社区发布“2024年度Alibaba Cloud Linux最佳AI镜像服务商”评选结果。 经过主办方的严格考量，飞致云（即杭州飞致云信息科技有限公司）凭借旗下MaxKB开源知识库问答系统、1Panel开源面板、Halo开…
阅读更多...
Vue如何利用Postman和Axios制作小米商城购物车----简版

Vue如何利用Postman和Axios制作小米商城购物车----简版

实现功能：全选、单选、购物数量显示、合计价格显示 实现效果如下： 思路： 1.数据要利用写在Postman里面，通过地址来调用Postman里面的数据。 2.写完数据后，给写的数据一个名字，然后加上一个空数组&#xf…
阅读更多...
第一篇：系统分析师首篇

第一篇：系统分析师首篇

目录 一、目标二、计划三、完成情况1.宏观思维导图2.过程中的团队管理和其它方面的思考 四、意外之喜(最少2点)1.计划内的明确认知和思想的提升标志2.计划外的具体事情提升内容和标志 一、目标 通过参加考试，训练学习能力，而非单纯以拿证为目的。 1.在复…
阅读更多...
CSS学习笔记4——盒子模型

CSS学习笔记4——盒子模型

目录 盒子模型是什么？ 盒子模型的组成 一、div标签 二、边框属性 1、border-style:边框样式 2、border-width:边框宽度 3、border-color:边框颜色、border：综合设置 4、border-radius:圆角边框 5、border-image：图像边框 三、边距属性…
阅读更多...
stable diffusion 本地部署教程 2025最新版

stable diffusion 本地部署教程 2025最新版

前提： 需要环境 git git下载地址Git - Downloading Package ​ 直接装即可 python3.10.6 下载地址 Python Release Python 3.10.6 | Python.org ​ 记得python环境一定要3.10.6！！！ 第一个版本 项目地址https://github.…
阅读更多...
【二刷代码随想录】螺旋矩阵求解方法、推荐习题

【二刷代码随想录】螺旋矩阵求解方法、推荐习题

一、求解方法 （1）按点模拟路径 在原有坐标的基准上，叠加 横纵坐标 的变化值，求出下一位置，并按题完成要求。但需注意转角的时机判断，特别是最后即将返回上一出发点的位置。 （2）按层…
阅读更多...
从Manus到OpenManus：AI智能体技术如何重塑未来生活场景？

从Manus到OpenManus：AI智能体技术如何重塑未来生活场景？

从Manus到OpenManus：AI智能体技术如何重塑未来生活场景？ 一、现状：AI智能体技术面临的三大核心矛盾 （通过分析用户高频痛点与市场反馈提炼） 能力与门槛的失衡 Manus展示的复杂任务处理能力（如股票分析、代…
阅读更多...
Mybatis源码 插件机制

Mybatis源码 插件机制

简介 插件是一种常见的扩展方式，大多数开源框架也都支持用户通过添加自定义插件的方式来扩展或者改变原有的功能，MyBatis中也提供的有插件，虽然叫插件，但是实际上是通过拦截器(Interceptor)实现的，在MyBatis的插件模块…
阅读更多...
全球化2.0 | ZStack举办香港Partner Day，推动AIOS智塔+DeepSeek海外实践

全球化2.0 | ZStack举办香港Partner Day，推动AIOS智塔+DeepSeek海外实践

2025年3月21日，云轴科技ZStack在香港成功举办了主题为“ZStack AIOS 智塔与 DeepSeek 私有化方案介绍及企业应用落地实践”的 Partner Day 活动。此次活动吸引了众多海外合作伙伴，共同探讨 AI Infra 平台在企业私有化 AI 中的应用与价值闭环。 ZStack CT…
阅读更多...
【C++初阶】第12课—list

【C++初阶】第12课—list

文章目录 1. list的构造2. list迭代器的常见接口2.1 list遍历的迭代器接口2.2 list修改数据的迭代器接口2.3 list排序、逆序、合并相关操作的成员函数 3. 模拟实现list3.1 模拟实现list的构造3.2 模拟实现list的尾插3.3 模拟实现迭代器iterator3.4 模拟实现list的插入删除3.5 模…
阅读更多...
谷粒微服务高级篇学习笔记整理---异步线程池

谷粒微服务高级篇学习笔记整理---异步线程池

多线程回顾 多线程实现的4种方式 1. 继承 Thread 类 通过继承 Thread 类并重写 run() 方法实现多线程。 public class MyThread extends Thread {Overridepublic void run() {System.out.println("线程运行: " Thread.currentThread().getName());} }// 使用 pub…
阅读更多...
Windows学习笔记（4）关于MITRE

Windows学习笔记（4）关于MITRE

基本术语 APT（威胁组，高级持续威胁） TTP（攻击目的技术过程，战术技术和程序） ATT&CK框架 网站 https://attack.mitre.org/ CAR知识库 MITRE Engage MITRE D3FEND 网址 https://d3fend.mitre.org/
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023