一个完整的Web安全体系测试可以从部署与基础结构，输入验证，身份验证，授权，配置管理，敏感数据，会话管理，加密，参数操作，异常管理，审核和日志记录等几个方面入手Web安全性测试数据加密：某些数据需要进行信息加密和过滤后才能进行数据传输，例如用户信用卡信息、用户登陆密码信息等。此时需要进行相应的其他操作，如存储到数据库、解密发送要用户电子邮箱或者客户浏览器。目前的加密算法越来越多，越来越复杂，但

在做性能测试测试时候，如果被测试的系统页面很简单，并且性能很好，这样会导致压力机得tcp链接数不够而导致如下错误：HKEY_LOCAL_MACHINE\System\CurrentControlSet\Services\tcpip\Parameters\TcpTimedWaitDelay to 30and HKEY_LOCAL_MACHINE\System\CurrentControlSe

以前在selenium RC 里面有一个getTable方法，是得到一个单元格中的文本。其详细描述如下：Java代码  /** Gets the text from a cell of a table. The cellAddress syntax tableLocator.row.column , where row and column star

摘要： RAG（检索增强生成）和KAG（知识增强生成）是两种提升大语言模型性能的知识增强技术。RAG通过实时检索外部文本资源生成动态响应，适用于开放域问答和时效性任务；KAG则利用结构化知识图谱确保事实准确性，适合专业领域的实体问答。两者各有优势：RAG灵活性强但依赖检索质量，KAG准确性高但图谱构建成本大。实际应用中，二者可互补结合，形成混合系统。选择时需考虑任务需求、数据形式和可靠性要求。未来

本文介绍了一套用于评估大语言模型(LLM)高并发性能的异步压测框架。该框架通过模拟不同并发请求，从吞吐量(QPS)、延迟(P99)、Token生成速度(TPS)和首Token响应时间(TTFT)等多个维度评估模型表现。文章详细解析了核心设计思路，包括Prompt加载器、异步请求处理、并发控制等模块的实现代码，并展示了实际压测结果数据。测试结果表明，随着并发量增加，模型响应延迟上升而TPS下降，但仍

摘要：随着AI模型评测中单一裁判模型的使用日益普遍，其主观偏差、评分随机性和标准不一致等问题逐渐显现。为提升评测的客观性，本文提出采用多裁判模型测评机制。该机制通过并行调用多个独立裁判模型进行评分，采用一致性判定和自动聚合方法处理结果，并对争议项进行人工复核。研究表明，这种方法能有效减少单一偏见、提高评分置信度，并量化评估稳定性。实践表明，多裁判模型机制显著提升了评测可靠性，同时兼容现有系统流程。

最近要针对大模型进行压力测试，才接触到了大模型推理框架 sglang、vllm，于是要抓紧给自己补补课。随着人工智能技术的不断进步，大规模模型（简称“大模型”）因其在自然语言处理、图像识别等领域的卓越表现而受到了广泛关注。这些模型通常拥有数以亿计甚至更多的参数，能够学习到更加复杂的数据特征和模式。然而，如何有效地部署并运行这些大模型成为了新的挑战。这时，大模型推理框架的作用就显得尤为重要了。

LLM 的命名标识不仅用于区分模型版本，更透露了模型设计目标、技术特性与适用场景。从基础的‑Base、指令微调的‑Instruct，到对话优化的‑Chat、知识蒸馏的‑Distill，再到专注数学、代码的‑Math‑Coder，以及面向图像、视频、音频的‑VL‑Video‑Audio，每个后缀都代表了特定的设计理念。量化、混合专家、强化学习等技术标识，则揭示模型在效率和能力上的优化策略。

LLM 的命名标识不仅用于区分模型版本，更透露了模型设计目标、技术特性与适用场景。从基础的‑Base、指令微调的‑Instruct，到对话优化的‑Chat、知识蒸馏的‑Distill，再到专注数学、代码的‑Math‑Coder，以及面向图像、视频、音频的‑VL‑Video‑Audio，每个后缀都代表了特定的设计理念。量化、混合专家、强化学习等技术标识，则揭示模型在效率和能力上的优化策略。

微调类别核心思想典型方法优点全参数微调更新全部参数，通过监督数据和 RLHF 调整行为SFT + 奖励模型 + RLHF/PPO性能最高，适合复杂任务选择性微调只更新部分权重（偏置、最后几层或自动选出的参数）Freeze Layers、BitFit、PASTA 等参数少、实现简单加性微调在模型层之间插入小型适配器，只更新适配器Bottleneck Adapter、Adapter Fusion、MA