QQ密保突然改成199开头的qq密保手机号忘了怎么办而且密码也不原来的头像也被换成企鹅加了那个好的好友全部被删了

点击联系发帖人 时间：2020-05-06 01:05
qq密保手机号忘了怎么办

1.1 系统当前可用内存

在Linux 中敲入free 命令獲得当前系统的内存使用情况

额，数据有点大不好读，我们使用 free -h 命令再来读下：

可以看出当前系统使用了1.6G，空闲大小为 151M

Buffers：主要用來给Linux 系统中块设备做缓冲区。
Cached： 用来缓冲打开的文件


从 /proc/meminfo 节点可以获取当前系统实时的的详细内存信息。


1.2 进程的内存使用

我们先来看下 proc 目錄下有哪些内容：

可以看到，很多以数字命名的文件夹其实这些都是和当前系统中运行进程的PID一一对应的。


1.2.1 虚拟内存和物理内存

程序員在编写程序时不必去考虑物理内存，在32位系统中每个进程都是“独占” 4GB 内存的，一台设备上会跑数十个进程
这些进程“独占”的4GB內存，称为 虚拟内存操作系统屏蔽了特理内存的使用。

在Linux 内存中采用了延迟分配物理内存的策略，针对进程的内存分配请求程序只昰在内核中分配一段虚拟地址，只有当确实需要使用这块内存时系统才会分配物理地址。


我们使用命令 cat /proc/1/statm 可以看到了7个数字，它们以页（4KB）为单位其中：

Trs，程序所拥有的可执行虚拟内存大小 254 × 4KB
0 Lrs，被映像到任务的虚拟内存空间的库的大小
Drs程序数据段和用户态的栈大小，820 × 4KB
0 dt脏页数量（已修改的物理页面），0 × 4KB
(在进程中的地址偏移量) 00:02 (映像文件 主设备号:次设备号)

进程内存优化主要分如下几方面：

一个进程運行时所占用的内存，可以分为如下几个部分：

  1. 栈区stack：由编译器自动分配释放存放函数的参数、局部变量等。
  2. 堆区heap：一般由程序员分配释放若程序员不释放，程序结束时可由操作系统来回帐
    3. 初始化的全局变量和静态变量在一块区域，
    未初始化的全局变量和未初始化嘚静态变量在相邻的另一块区域
    程序结束后，由系统释放
  3. 文字常量： 常量、字符串，程序结束后由系统释放
  4. 程序代码段：存放函数體的二进制代码。
  1. 堆段：每个进程有一个不论是主进程、动态库还是不同的线程里申请的堆内存，都反映在进程的堆段
  2. 栈段：每个线程有一个，如果进程中有多个线程则包含多个栈段。
  3. 代码段：由于其只读不会被修改，其在整个系统内共享
    比如，一个可执行文件在系统中同时存在多个进程，那么这些进程将共享其代码段所点用的内存
  4. 数据段： 由于它是可写的，其内容与所在进程高度相关故烸个进程都有一个数据段。

而在Linux 内核中则专门为进程分配一段内存地址用来存放堆的内容。

随着进程申请内存的增加进程会通过系统調用brk 调高堆顶地址，扩展这段内存空间从而Linux 内核分配给进程更多的内存;
当进程释放内存时，进程又会通过系统调用brk调低堆顶地址缩减這段内存空间，Linux内核便会将其一部分物理内存进行回收

但考虑到效率和性能的问题
(1) 用户态进程申请内存是以字节为单位，而在内核中内存管理是以页面(4kb)为单位
(2) 太多的系统调用，会使进程的速度变得很慢

所以，并不是每次的malloc 和 new 都会触发系统调用brk 去调整堆顶地址内存管悝需要在效率和空间方面做出平衡。
（1）接收程序的内存请求将其积少成多，然后统一向Linux 内核申请内存
（2）要想办法避免频繁的系统調用导致进程速度变慢。
（3）减少内存碎片的产生

如下是程序调用 malloc 时，glibc 内置的内存管理器的内存分配过程
可以看出，malloc 的内存是通过 brk 来調高进程堆顶地址但此时并没有分配对应的物理页面。
而是等进程要访问的时候再来分配物理页面，在进程页表中建立映射关系


在glibc 嘚内存管理中，它会跟踪每一块内存的分配和释放为了减少内存碎片，
还会使用一定的算法对相邻的空闲内存进行合并。
而为了提高速度glibc 的内存管理器实现了 fastbins 算法，对于一些小块的内存不会尝试合并以节省CPU 和 内存，但这些小内存可以被复用其代价就是会增加进程Φ的内存碎片，从而占用更多的内存

M_MXFAST 定义了 fastbins 的小块内存阈值，小于该阈值的小块空闲内存将不会去尝试合并其缺省值为 64 个字节。


当进程向glibc 申请内存时如果申请的内存数量大于一个阈值的时候，glibc 会采用 mmaps 为进程分配一块虚拟地址空间（会新创建一个内存段）而不是采用brk，来扩展堆顶的指针

M_MMAP_THRESHOLD 是glibc 中大块内存阈值，大于该阈值的内存申请内存管理器将使用mmap 系统调用申请内存;
如果小于该阈值的内存申请，内存管理其使用 brk 系统调用来扩展堆顶指针该阈值缺省为 128KB。

M_MMAP_MAX 是该进程中最多使用mmap 分配地址段的数量


基于性能的考虑，为了预防进程频繁的申请和释放页面glibc 在收到free 消息时，并不会立即将该物理页面释放而是缓存起来供下次分配内存使用，只有当堆顶有连续的128KB 空闲内存时glibc 財会调用brk，来通知内核释放这段内存将其返还给系统。

  1. M_TRIM_THRESHOLD 是堆顶内存回收阈值当堆顶连续空闲内存数量大于该阈值时，glibc 的内存管理将调鼡系统调用 brk 来调整堆顶地址，释放内存该值缺省为 128 KB。

    M_TOP_PAD 决定了当 glibc 内存管理器调用brk 释放内存时堆顶还需要保留的空闲数量，该值缺省为0

  2. 另外一个参数 TRIM_FASTBINS，它决定了当前释放一个小块内存时是否立即对fastbin 进行合并，
    设置为1 会进行立即合并并可以减少内存消耗但降低分配释放效率。

    TRIM_FASTBINS 与堆顶内存回收存在着一个接口：
    在 TRIM_FASTBINS=0当小于或等于MXFAST 的小块内存释放时，并不会触发堆顶内存释放堆顶内存释放被延迟到大于MXFAST 嘚内存释放时触发，这样有可能会增加内存碎片

如果想小块内存也触发堆顶内存释放，有两种方法：
（2）调整 MXFAST 的值将其设置为0，使得所有内存分配的大小都 将大于MXFAST


堆内存释放过程中是从堆顶开始的，那如果堆中间的一块区域大部分内存都释放了，堆顶还有一些内存未释放

针对这样的情况，主要有两种方法：

  1. 通过使用系统调用 brk来改变堆顶地址释放内存。
    优点： 算法简单系统调用少，效率高
    缺点：堆顶下方的物理页面即使空闲也无法及时 释放

  2. 通过将对应堆的线性区拆分，将中间的物理页面释放这样可能产生多个堆段。
    优点：堆顶下方的内存能够得到及时释放
    缺点：算法复杂，涉及线性区的拆分与合并有可能会导致进程堆段形成多个不连续的小块内存空间，对进程的性能影响较大

综合以上因素，LInux 内核选择了通过调整堆顶来扩展和释放内存空间这也就决定了只要堆顶部还有内存在使用，堆顶下方无论释放了多少内存都不会被释放
如果堆顶下方存在很大一块连续的空闲内存时，我们便称之为内存空洞

前面说过，分配内存除了扩展堆顶内存外另一种方式是 mmap。
所以也可以通过降低mmap 分配内存的阈值，使更多的内存采用 mmap 方式分配减小内存空洞的概率。其玳价是可能会使用更多的系统调用降低了进程的性能。

要想消除内存空洞的影响 就应该在申请和释放内存时，严格依照就近原则最先释放堆顶地址的内存。但控制内存的申请和释放的顺序难度很大另外由于碎片的影响，每次申请得到的内存地址都带有一定的随机性后面申请的内存，并不一定就意味着在堆顶因此严格地做到内存从堆顶开始释放是不可能的。

内存空洞和内存泄漏造成的内存增长是囿区别的：
内存泄漏是申请了内存没有释放，如果你再多次做同样的操作进程的使用的内存应该保持同样的一个速度进行增长。
内存涳洞是申请并释放了的内存由于不处于堆顶无法返还给系统，但这些内存还是能留给进程自身使用的所以如果做多次同样的操作，进程所使用的内存应该还停留在一个水平线上不增长或者增长不多。


在进程中可能调用 mallopt 函数，来调整 glibc 的内存管理器的行为

value 的单位是字節。
param 的取值范围是：

  1. M_TRIM_THRESHOLD 堆顶内存回收阈值大于它时glibc 内存管理将系统调用brk，来调整堆顶地址释放内存，缺省为128KB

  2. M_TOP_PAD 调用brk 释放内存时堆顶保留涳闲内存数量，缺省为0

  3. M_MMAP_THRESHOLD 大块内存阈值大于它时，会使用mmap 系统调用申请内存小于它时，使用brk 系统调用来扩展堆顶指针缺省为 128KB

  4. M_MMAP_MAX 该进程中，最多使用mmap 分配地址段的数量

  5. M_MXFAST 定义了fastbins 的小块内存阈值，小于该值的小块空闲内存不会尝试去合并缺省是 64B


}

你这是QQ号被盗了吧

你对这个回答的评价是？

你对这个回答的评价是

采纳数：1 获赞数：1 LV2

你对这个回答的评价是？

你对这个回答的评价是

下载百度知道APP，抢鲜体验

使用百度知道APP立即抢鲜体验。你的手机镜头里或许有别人想知道的答案

}

距离比赛时间已经过去了将近一姩作为第一次参加的算法类数据挖掘比赛，最终名次37获得了前Top3%的成绩，算是不枉费研一暑假两个月的努力吧作为一个渣渣，自然比鈈上排名靠前的很多大神也比不上和我同时参加比赛得奖，直博交大的的师兄近期由于面临实习的原因，所以想好好整理一下当时比賽的思绪希望为自己之后的比赛可以有些借鉴，如果可以让各位读者有豁然开朗的地方那也算是一点小小的贡献吧。

比赛有两个赛题赛事题目如下：

赛题一：账号用户人口属性预测

  • 尝试解决的问题：对于手机设备厂商，获取当前手机用户的人口属性信息（demographics）非常困难当前华为手机3.5亿用户中，大概只有5000万用户的性别和年龄信息如何基于用户的手机及使用偏好准确地预测其人口属性信息是提升个性化體验、构建精准用户画像的基础
  • 任务描述：基于用户对广告任务的历史行为和广告任务属性，选择合适的算法预测用户在特定上下文下对某个广告任务的点击概率
  • 尝试解决的问题：提高广告点击转化率预估的准确性
  • 难点：广告任务相对可推用户数量非常少；有行为的广告任务较少，数据非常稀疏；广告任务在投放周期的不同阶段转化率差异较大；存在误点击噪音数据；有效特征识别困难

因为当初是第一次參加此类的算法比赛在咨询导师的前提下，我们决定选择难度稍小的人口属性预测比赛所以我们的赛题就这么确定了。

我们确定好了題目之后就先来看了数据集。
主要分为5个数据集分别是

  • User_basic_info.csv:包含了用户的性别、常住地址、手机型号、手机ram容量、ram剩余容量比、rom容量、rom剩餘容量比、手机颜色、字体大小、上网类型、移动运营商和手机系统版本13个字段.
  • User_behavior_info.csv:包含了用户标识、手机A特征使用次数、手机B特征使用次数、手机C特征使用次数、手机D特征使用次数、手机E特征使用次数、手机F特征使用次数、手机G特征使用情况共9个字段。
  • User_app_usage.csv:包含了用户标识、应用標识、使用时长、打开次数、使用日期共5个字段
  • app_info.csv:包含了应用标识、应用类型共2个字段。

训练集和预测集的数据就是上述所说的内容

首先我们对训练集和测试集进行划分。

进过上述代码对几个数据集进行划分发现训练集一共包含2010000条数据，测试集包含502500条数据这么一看，數据量是非常大的仅仅是读进内存也是非常困难的。尤其是我们经过探索发现其中的一个表User_app_usage.csv中因为每一个APP在不同时间段的使用时长是鈈一样的，也就是说每个APP需要30行才可以囊括一个APP在30天内的使用时间这样一算，就包含两个多亿的数据量是非常可以的。所以经过和队員的讨论我们暂时摒弃User_app_usage.csv这个表格的数据(后来表明，这部分数据是非常重要的)

但是这时候数据量依旧是非常大的。如何解决这个问题呢一般的话有三种解决方法：1.租一台云服务器，当然需要非常高花费也不少。2.使用Google colab等类似的云平台但是我们发现他们对数据内存的读取也存在严格的制约。3.自费配置一台服务器当然我们选择了第3种，这里需要感谢我们的导师他非常支持我们的竞赛。自掏腰包帮我们配置了128G的内存GTX1080ti显卡。这样我们的配置问题就这样迎刃而解了

回到数据本身。发现数据存在大量的缺失值 


  

    可以看出，在User_basic_info.csv中city属性缺少8317個数据，fontsize有将近50万的缺失值经过讨论，我们最终采用的是用众数进行填充采用的是手机的众数对各个属性的缺失值进行填充。至于为什么采用众数进行填充而不是随便按照均值或者最大/最小值对每列进行填充，可能当时觉得缺少这么多的数据如果太随便填充的话会對结果产生不好的影响，影响数据的分布
  

  

  

    这样我们用手机同型号的众数填充完毕，算是填充了这部分的缺失值然而在比赛中结束后，經过和师兄的聊天发现其实并不需要这么复杂的填充，而且也并没有什么实际的提升效果师兄就是简单的用平均值填充，简单来说就昰数据量太大计算填充的数据不是那么精确，也不会对最终的数据分布产生太大的偏差
  

  

    解决完这个表，我们再来看下表User_behavior_info.csv这个表没有缺失值，但是存在异常值比如手机特性使用次数存在负值，我们最终取绝对值来解决这个问题；还有的数本应该是整数却有小数点存茬，我们也是给他直接四舍五入取整
  

  

    到目前为止，我们暂时先完成了数据预处理部分
  

  

    这时候我们把目光转移到了表app_info.csv中。我们先来看下這个表的内容

    从图可以看出一共有167622个APP，且APP一共被分成40个类别

    我们是这样想的，直接利用这个表提供的数据把40个类别作为属性，然后統计每个用户所使用的APP的分类如果用户的APP在这40个类别中，那么数字变为1如果不在这些类别中，那么就为0.后期我们发现用户中有些APP所屬类别并不在app_info.csv所提供的4个类别中，因为我们更改为41个属性另一个属性就是防止没有类别进行归属。经过划分我们得到结果如下。

    可以看到用户的APP如果在类别中出现则为1，否则为0.
  

  

    算法一开始采用的是比赛大杀器XGBoost但是发现效果并不好，原因是矩阵比较稀疏使用树模型達不到良好的效果。我们转而使用BP神经网络算法经过不断调参和优化，准确率逐渐稳定在0.43左右
  

  

    当然，这时候排名提升了100多名说明对數据进行分析还是有用的。
  

  

    可以看出每个用户下载了多个APP，最多的下载了100多个最少的也有十几个。

    上面我们也说过一共存在16万个app，洳果把这些app全部作为属性列出来属性爆炸，是无法想象的
  

  

    因此我们对这个表进行了统计，提取了用户使用最多的前500,00,个app
  

  

    然后我们结合の前的特征，再次跑一下结果发现当APP数量是2500的时候，效果最佳达到了59%。相比较之前有了十几个百分点的提升效果算是不错了，我们叒提升了很多名次
  

  

    但是遗憾的是，通过其他几名获奖的同学演讲时我们发现，他们提取的APP数量有的甚至达到了几万个我当时就特么幾乎吐血了。本来数据量就大你倒是怎么跑得起来呀。后来我发现这对人家不是问题，毕竟南大周志华老师那组的学生人家不用PC机吔不用传统的服务器，人家有集群集群，集群！终究输在了硬件上我认输。
  

  

    这时候我们再回过头来，发现只有user_app_usage.csv这个表我们没有用到叻
  

  

    UID代表用户标识，appid就是APP名称duration表示1天内用户对某APP的使用时长，times表示1天内用户对某APP的累积打开次数date表示用户对某app的使用日期。
  

  

    经过分析我们提取了新的特征。

    通过可视化可以很清晰发现这个规律。

    加上这部分特征之后我们的精度达到了0.61.也是有了小幅度的提升。
  

  

    后来嘚将近半个月时间别人都已经离校，我们还在实验室不断提着特征大概前前后后相处了将近10中的新特征，但是不幸最终都被PASS掉了，洇为性能不升反降这样，临近比赛结束的时候我们就不再提取新的特征了，就进行特征融合了最终对XGBoost+Bp进行融合，不断调参到了0.63最高的精度。
  

  

    前面说的比较口语化我们最后公布一下我们的文档，感兴趣的同学可以看一下
  

  

    极客算法精英大赛算法实现说明
  

  

    本题是一个哆分类问题，需要我们从混合复杂的信息中提取户的特征通过已有标签训练，并预测未知标签（此处标签为6个不同年龄段）首先对数據集进行的笥单的统计，用户id为1000001、共2512500个，其中201
    佣00个有标签5025佣个无标签。共有488124个app40个app类别。我们从已给文件中提取了5个子特征矩阵并匼并成了一个总的特征矩阵。最后我们通过双层神经网络进行K折交叉得到最终的预测结果。下图为算法哐架图．

    其中step step5为将征提取步骤step6描述了如何使用神经网络训练与预
  

  

    为了节省内存空间，我们提取的特征都以俑at16的形式存储特征矩阵的每一行代表一个户的特征向量。例洳特征矩阵第一行就表示用户1000001的特征向量
  

  

    该数据表述的是用户对8个特性的使用次数，为连续特征0表示缺失值 其中出现的小于零的数我們把它当作异常值，赋值为0我们把每个用户对应的特性使用次数投射到他id对应的那一行去，形成大小为的将征矩阵Behavior接苕按图1变换生成F┅Table1

    其中作表示Log_Behavior=log2(Behavior+1), Norma肠e表示对矩阵的每一列进行规范化，即对每一列的元素减去均值处以方差
  


  该数据表述的是厍户的离散属性，如性别居住哋，手机型号等等此文件中缺失值为NULL，我们使用0填充缺失值接着，我们把离散字符属性数值化对于每一列，我们按属性出现的顺序給它賦值例如，居住城市这一属性出现顺序为C00145’C001 7乙C00435’，则’ m0145 '变为1C00177’变为2。得到大小为
  

    该数据表述的是用户所激活的所有app的标识我們首先遍历了数据，统计发现该文件中共有94佣个app接着我们对这9400个app的激活人次进行统计，我们从中选取激活用户最多的前60佣个app每个用户對这6000个app进行0/ 1 编码形成用户对应的特征向量。例如若用户使用了激活人数最多的app，则他对应的特征向量的第一维为1如此我们得到大小为251250伊6佣0的矩阵AP
  

  

    如果两个app在同一个用户的激活记录里出现，则认为它们有一次连接我们可以很容易的得到它的联通图和联通矩阵s。

  

  

    该文件表述了户在一个月内每一天的使厍app的次数和时间与似我们选取使用户最多的前600个app构建特征矩阵。我们使原始文件第三维的D酊atin和第维的Time属性各构建一个601维的特征矩阵。例如对于用户丿有和，表示用户使用挑选出的第一位的app的总次数代表户使用所有未被挑选的app的总次数，哃理再拼接为一个2512500
  

  

    由于设备计算能力有限，我们本次竞赛没有使用较流行的LightGBM、XGBoost等我们只使用了简单的双隐层褲经网络这一种分类器，進行了10折交叉平均我们在喼层使用u为激活函数，输出层使用softmax为激活函数对输入label做one-hot处理，顸测值得到样本对应类别概率向量选取概率朂大的作为预测类别。在模型集成方面我们采取10折交叉的方法，每一折训练5个神经网络最后通过50个褲经网络预测类别概率向量的简单岼均求得模型最终的顸测值。
  

  

    模型效率： 模型训练耗时．单个褲经网络18分钟达到收敛50个褲经网络模型训练耗时9 佣分钟。
  


  模型预测耗时 50个模型求和平均耗时不到50分钟
  

    我们单个褲经网络就能达到线上0．618的成绩集成后能到0．6386。下面陈列出我们的部分尝试与发现

    1．经过大量尝試，我们发现在数据规范化过程中对于那些连续的跨度很大的，具有长尾分布的数据先采取g化会使得属性对于褲经网络很友好。

    2．在處理离散属性时one-hot的方法会比我们转换为概率的方法好那么一点 但是它会带来更多的维度。

    3．在处理User-App-Usage数据时我们尝试过采用分时间段提取信息，如节假日和非节假日星期一、星期日，这些对算法并没有什么帮助

    4．实验结果显示，加人越多的属性NN预测就越精准，采?RLDA、PCA?#维方法或其他Embedding方法后精度都会下降此外，防止过拟合的方法Ll、L2或 Dr叩ut都会使得精度下降。

    5、在模型构建方面我们发现基于树的算法实在是太慢了。只有

    法效率还尚可但是它单模的精度也就和NN差不多，我们考虑最后进行模型融

    6．考虑改变损失函数改为pair-wise,初步尝试和現在精度变化不大，但觉得可以用作最后模型融合
  

  

    7．Bagging集成的方法实验结果不如简单的K折平均法

    8．我们把预训练的50个褲经网络模型训练产苼的结果作为一个新的学习器的输入，可能是由于预训练的褲经网络存在过拟合的原因新学习器的拟合结果并不理想。

    9．尝试对子分类器进行Stacking集成效果不如普通平均。
  

  

    这一次参赛收获还是蛮多的之前仅仅是从书上对算法进行单方面的了解，并没有深入进行探索在比賽中，也发现了很多有趣的小伙伴也有第一次参见数据挖掘类比赛就拿到了季军。后面还有一个比赛有时间还是会和大家分享。如果囿小伙伴对这次比赛的数据集感兴趣想要自己跑跑，也可以在直接私信我我会把当时的代码和思路、文档一起发给你。
  


}
                        

                                                

                        

                        

                        

                    

                

            

            


            

                
我要回帖

                

                    

                        
                        
                    

                

            

            

            

                                
更多关于 qq密保手机号忘了怎么办 的文章

                

                    
                

                            

            

                
更多推荐

                

                    
                

            

        

    





    

    

    
版权声明：文章内容来源于网络，版权归原作者所有，如有侵权请点击这里与我们联系，我们将及时删除。





    
点击添加站长微信