ZooKeeper的十二连问

Excelero公司首席技术官Sven Breuner和首席架构师Kirill Shoikhet提供了9个为人工智能、机器学习和深度学习做好准备的更好实践。

数据点1：了解目标系统性能、投资回报率和可扩展性计划。

这样，他们就可以与数据中心目标相吻合。随着人工智能成为核心业务的重要组成部分，大多数组织都从最初的少量预算和少量培训数据集入手，并为无缝和快速的系统增长在基础设施方面做好准备。需要构建所选的硬件和软件基础设施，以实现灵活的横向扩展，以避免在每个新的增长阶段产生破坏性的变化。数据科学家与系统管理员之间的紧密协作对于了解性能要求，并了解基础设施可能需要随着时间的推移而发展而至关重要。

数据点2：评估集群多个GPU系统。

在拥有多个GPU的服务器中可以在系统内部实现高效的数据共享和通信，并具有成本效益，而参考设计假定将来会在集群中使用，并且在单个服务器中最多支持16个GPU。多GPU服务器需要准备好以非常高的速率读取传入的数据，以保持GPU满载运行，这意味着它需要一个超高速网络连接，一直到培训数据库的存储系统。但是在某个时候，单台服务器将不足以在合理的时间内通过不断增长的培训数据库进行工作，因此，在设计中构建共享存储基础设施将使得随着人工智能、机器学习、深度学习用途的扩展，并更容易添加GPU服务器。

数据点3：评估人工智能工作流程各个阶段的瓶颈。

数据中心基础设施需要能够同时处理人工智能工作流程的所有阶段。对于具有成本效益的数据中心来说，拥有可靠的资源调度和共享概念是至关重要的，因此，当一组数据科学家获得需要摄取和准备的新数据时，其他人将对其可用数据进行培训，而在其他地方，先前生成的模型将用于生产。Kubernetes已经成为解决这一问题的主要解决方案，它使云计算技术在内部部署很容易获得，并使混合部署变得可行。

数据点4：查看用于优化GPU利用率和性能的策略。

许多人工智能、机器学习、深度学习应用程序的计算密集型性质使基于GPU的服务器成为常见选择。但是，尽管GPU可以有效地从内存加载数据，但是训练数据集通常远远超过内存的容量，并且涉及的大量文件变得更加难以摄取。在GPU服务器之间以及与存储基础设施之间、实现GPU数量与可用CPU功率、内存和网络带宽之间的最佳平衡至关重要。

 

第二步：编程能力

有了上面的一些基本功后，这个时候就需要动手，来写点代码，锤炼一下编程的功底。

下面三项，是安全行业的从业者都最好能掌握的语言：

• Shell脚本

掌握常用的Linux命令，能编写简单的Shell脚本，处理一些简单的事务。

• C语言(C++可选)

C语言没有复杂的特性，是现代编程语言的祖师爷，适合编写底层软件，还能帮助你理解内存、算法、操作系统等计算机知识，建议学一下。

• Python

C语言帮助你理解底层，Python则助你编写网络、爬虫、数据处理、图像处理等功能性的软件。是程序员，尤其是黑客们非常钟爱的编程语言，不得不学。

第三步：安全初体验

有了前面两步的打底，是时候接触一些网络安全的技术了，刚刚开始这个阶段，仍然不要把自己圈起来只学某一个方向的技术。这个阶段，我的建议是：但当涉猎，见往事耳。

网络协议攻击、Web服务攻击、浏览器安全、漏洞攻击、逆向破解、工具开发都去接触一下，知道这是做什么的，在这个过程中去发现自己的兴趣，让自己对网络安全各种领域的技术都有一个初步的认识。

第四步：分方向

在第三步中，慢慢发现自己的兴趣点，是喜欢做各种工具的开发，还是喜欢攻破网站，还是痴迷于主机电脑的攻击···

这个时候就可以思考自己后面的方向，然后精力开始聚焦在这个方向上，通过上面思维导图中各自方向的技术去持续深耕，成为某一个领域的大拿。

学习方法

上面介绍了技术分类和学习路线，这里来谈一下学习方法

• 看书学习，这是最最基础的
• 实际动手，开发路线需要多写代码，阅读优秀开源代码，二进制路线多分析样本，编写EXP等等，渗透测试多拿网站练手(合法方式)等
• 打CTF，多参与一些网络安全比赛，接近实战的环境下锻炼动手能力
• 混圈子，多混一些安全大牛出没的社群、社区、论坛，掌握行业信息，了解最新技术变化趋势(高清版思维导图有)

总结

以上就是我对刚入行网络安全的朋友的一些个人的建议，最后有一点需要说明一下：

上面列举到的不同方向的技术不是严格意义独立的，相反，很多时候是相辅相成，需要结合起来，融会贯通。

每个人的认知是有限的，我也不例外。本文只是我的一家之言，建议大家多看一些人的总结和经验，横向对比，兼听则明，偏听则暗。

（编辑：孝感站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!