Tensorflow serving 을 이용하기 전에는 flask 를 이용하여 REST API 를 만들어 microservice를 진행하는 것을 당연하게 생각했었습니다. python 의 overhead 줄이기 위해 C++/golang 등 다른 framework 를 써야 된다는 것을 알았지만, 큰 영향이 없겠다 싶어 고민하지 않았던 것 같습니다. "TensorFlow Serving is a flexible, high-performance serving system for machine learning models, designed for production environments." https://github.com/tensorflow/serving Tensorflow serving은 유연하고, 고성능 서빙..

Buffer overflow 란, 고정된 메모리 버퍼를 넘어서 접근해야 되지 않을 주소, 메모리 공간까지 넘어가 그 곳의 정보를 수정하거나 덮어쓰게 되는 것입니다. 덮어쓰는 내용을 특정 코드를 실행하도록 덮어 씌우는 공격이 바로 buffer overflow 공격입니다. 먼저 메모리 Stack 에 대한 내용을 알아야 될 것 같아 간단히 그림을 그려봅니다. Process Memory heap malloc, new 할당 동적 데이터 stack 전역 변수, 콜Stack(함수 파라미터 / 리턴 어드레스) data(global variabels) - uninitialized data - initialized data code(or text) 프로그램 기계어 코드가 올라가는 영역 우리가 실행하는 Process 의 메..

월요일 부터 금요일 까지 잠자기 전에 나를 인도해주는 네이버 웹툰을 보다가 문뜩 경고문을 보고는 어..이게 캡처가 된다고 ? 하면서 스마트폰 캡처를 했는데 정말 가능하긴 하네요, 우리 열심히 밤낮없이 일하시는 작가님들 저작권을 어떻게 보호한다는 거지 라는 막연한생각에 한번 간단히 찾아봤습니다. 간단히 찾아 본 Frequency Method 방식 으로 3개가 있네요. Attack 방법에 대해서 일반적으로 알려진 방법을 사용해보도하겠습니다. 아래 알고리즘들에 대해서 문뜩 필살기처럼 회피할 아이디어가 번뜩이지만, 조용히 테스트만 해보도록 하겠습니다. 이제 첫 번째 이야기를 진행하겠습니다. DWT-DCT 알고리즘을 통한 watermarking 이미지 embedding - extraction 입니다. [ Freq..

1 http://stackoverflow.com/questions/1768197/bounding-ellipse/1768440#1768440 (stack) 2 http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.116.7691 (document) 3 https://gist.github.com/Gabriel-p/4ddd31422a88e7cdf953 (python mvee code) $ {(x_i -c)}^TE{(x_i -c)} \leq 1 \hspace{10mm} i=1,...,m $ $Vol(\varepsilon) = {v_0 \over \sqrt{det(E)}} = v_0 det(E^{-1})^{1 \over 2}$ document 를 참조하면 center..

Generative Adversarial Network ■ minimax problem $\underset{G}{min}\, \underset{D}{max} V(D, G) = \mathbb{E}_{x \sim P_{\text{data}}(x)} \big[ \log D(x) \big] + \mathbb{E}_{z \sim P_{z}(z)} \big[ \log (1-D(G(z)) \big]$ ■ Discriminator $maximize\quad J^{(D)}= \mathbb{E}_{x \sim P_{\text{data}}(x)} \big[ \log D(x) \big] + \mathbb{E}_{z \sim P_{z}(z)} \big[ \log (1-D(G(z)) \big]$ $\frac{1}{N}\sum_{..
- Total
- Today
- Yesterday
- DW
- backpropagation
- Digital watermarking
- 캡처방지
- numpy
- implementation
- SvD
- tensorflow serving
- gPRC
- dct
- DWT-DCT
- flask serving
- keras
- Residual Block
- 네이버웹툰
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 | 29 |
30 | 31 |