Contents
這是 Soft & Share 為訂閱會員所推出的服務,小編週一到週五會每天整理一篇開源專案的摘要說明整理 (早上 8 點前會發佈在 Soft & Share 網站 ) ,讓你可以利用上班前快速掌握目前開源專案的焦點。( 之前出版的開源報報 )。想體驗開源報報,可先參考開放閱讀。
🔥以主題方式整理出相關的開源專案 – 開源報報主題報導
每天快速瀏覽開源報報具備有什麼效益?
- 增加自己的學習動力,提升自己的視野
- 從開源專案中獲得 side project 靈感與想法
- 利用開源專案提升自己的生產力
每天使用 NT8.3 元,你可以使用 Soft & Share 開源報報省下掌握每天開源資訊焦點的時間,這是一個很划算的時間槓桿投資
開源報報內容
學習資源
[免費電子書]從查詢文字到搜尋和替換,從排序到美化文字等等
瞭解各種常見和特殊的文字處理需求的命令。例如 grep/sed/awk
工具
十六進制編輯器,適用於逆向工程師、程式設計師和在凌晨3點工作時重視視力的人
對於逆向工程有興趣,可以看一下這位開發者的 blog https://werwolv.net/
Web 應用程式開發
Rails 的 Tailwind CSS
Tailwind CSS是一個實用性優先的CSS框架,它包含了像flex,pt-4,text-center和rotate-90這樣的類別,可以直接在你的標記中建構任何設計。
Tailwind CSS for Rails可以與資產管道( asset pipeline ) 和 Webpacker 一起使用。
當與資產管道一起使用時,營運模式下的未使用的CSS類名是由一個內置到這個gem 中的S prockets 壓縮器提供的。這個壓縮器確保只有app/views和app/helpers中的檔案所使用的 css 類別才會被收錄。在開發模式下,完整的3mb以上的Tailwind樣式表被加載。在這兩種情況下,Tailwind CSS是為黑暗模式,表格,縱橫比,排版和Inter字體配置的。如果你需要更多的配置,你需要用Webpacker來使用它。
資料科學
基於決策樹演算法的快速、分散式、高效能梯度上升(GBT、GBDT、GBRT、GBM或MART)框架,用於排名、分類和許多其他機器學習任務
LightGBM是一個使用基於樹的學習演算法的梯度上升框架。它的設計是分散式的,高效的,具有以下優點。
- 訓練速度更快,效率更高
- 更低的記憶體使用率
- 更好的精度
- 支援並行和GPU學習
- 能夠處理大規模資料
輕量級、可移植、靈活的分散式/行動深度學習與動態、突變感知的資料流程相依排程器
適用於Python、R、Julia、Scala、Go、Javascript等。
Apache MXNet是一個深度學習框架,旨在提高效率和靈活性。它允許你混合符號和指令式程式設計,以最大限度地提高效率和生產力。在它的核心,MXNet包含一個動態相依排程器,它可以快速自動平行化符號和命令式操作。在此基礎上的圖形最佳化層使得符號執行速度快、記憶體效率高。MXNet是可移植的、輕量級的,可擴充到許多GPU和機器。
MXNet不僅僅是一個深度學習專案。它是一個以AI民主化為使命的社群。它是一個建構深度學習系統的藍圖和指南的集合,也是為駭客提供深度學習系統的有趣見解
用Rust實現的分散式計算平台,使用Apache Arrow記憶體模型
Ballista是一個概念驗證的分散式計算平台,主要用Rust實現,使用Apache Arrow作為記憶體模型。它建立在一個架構上,允許其他程式語言作為一等公民得到支援,而無需支付序列化成本
雲端和網路管理
BigBountyRecon工具利用58種不同的技術,使用各種 Google Dorks 和開源工具,加快對目標組織的初步偵察流程
偵查( Reconnaissance )是任何滲透測試或錯誤搜尋過程中最重要的一步。它為攻擊者提供了一些關於目標組織的初步知識。此外,它還有助於深入瞭解目標組織的控制措施,以及對目標組織的安全成熟度進行一些粗略的估計。
這個工具可以在你通常的錯誤查詢方法之外使用。這個想法是為了快速檢查和收集目標組織的資訊,而不需要投入時間和記住這些語法。此外,它還可以幫助你定義一種方法,以便在目標組織上找到一些快速的勝利。

macOS的JSON資料集對映到MITRE ATT&CK 策略知識庫
MITRE ATT&CK®是一個基於現實世界觀察的全球可訪問的對手戰術和技術知識庫。ATT&CK 知識庫被用作私營部門、政府以及網路安全產品和服務社群開發特定威脅模型和方法的基礎。
隨著ATT&CK的建立,MITRE正在履行其為更安全的世界解決問題的使命–透過將社群聚集在一起開發更有效的網路安全。ATT&CK是開放的,任何個人或組織都可以免費使用。
程式設計語言/程式庫
基於 brpc 的 RAFT 共識演算法的工業級 C++ 實現,在百度內部廣泛用於建構高可用的分散式系統
基於 brpc 的 RAFT 共識演算法和複製狀態機的工業級 C++ 實現,braft是針對高工作量和低開銷低延遲的場景設計和實現的,考慮到簡單易懂的概念,讓百度內部的工程師可以單獨正確的構建自己的分散式系統。
✍ 搜尋結果太多?可參考 Soft & Share 搜尋引擎使用技巧
幫我們個小忙!
Image by Mauricio A. from Pixabay
發表迴響