 Linux概述 Linux简介、Linux内核、Linux家族  Linux的安装 安装前准备、Linux安装的方式  使用U盘安装CentOS  基于VirtualBox安装Ubuntu Server  操作系统维护  CentOS系统维护（AI、RPM、YUM）  使用命令行管理方式（Command、Shell）  Ubuntu Server系统维护（APT）

2.1 Linux的发展 2.2 Linux的功能和特性 2.3 Linux的版本 2.4 Linux的常用软件 2.5 Linux内核体系结构 2.6 Linux的现状及未来

1. 进程描述符 Linux的进程描述符：task_struct 进程的栈和thread_info数据结构 进程相关的几个链表 proc文件系统简介 .2 进程的等待和唤醒 .3 进程切换 进程上下文 上下文切换 4. 进程的创建和删除 进程的创建 Linux的进程创建 内核线程及其创建 进程树及其开始 进程的终止和删除 5. 进程调度 进程的分类 Linux中的调度策略和调度算法 Linux-2.6.26中的调度相关数据结构和代码 Linux2.6.26中的优先级及其设置

1. 中断信号的作用和处理的一般原则 .2 I/O设备如何引起CPU中断 .3 x86 CPU如何在硬件级处理中断信号 中断和异常的硬件处理：进入中断/异常 中断和异常的硬件处理：从中断/异常返回 4. Linux内核中软件级中断处理及其数据结构 初始化中断描述符表 低级异常处理 低级中断处理 Linux体系无关部分的中断管理数据结构 do_IRQ的中断处理过程 5. Linux的软中断、tasklet以及下半部分 Linux的软中断softirq Tasklet 工作队列和工作线程

主要内容 Linux简介 一些预备知识 操作系统基本概念 堆栈 内核态 vs 用户态 虚拟内存 分析和实验验证环境 VMware 、QEMU、VirtualBox SourceInsight 相关工具介绍：GNU Tools等

 谈谈操作系统安全  使用SELinux提升内核安全性 ◼ SELinux的工作原理、配置文件、安全策略 ◼ 管理SELinux ◼ 案例：使用SELinux为业务提供安全保障  使用Firewalld提升系统安全性 ◼ 防火墙的工作原理、应用场景 ◼ 管理Firewalld ◼ 案例：使用Firewalld为业务提供安全防护  使用Nmap实现系统安全检测 ◼ 安全审计与信息安全测评 ◼ 使用Nmap进行系统安全检测 ◼ 案例：对网站服务器与网站业务进行安全评估

netfilter/iptables 允许为防火墙建立可定制的规则来控制数据包过滤，并且还允许配置有 状态的防火墙。 netfilter/iptables 还可以实现 NAT（网络地址转换）和数据包的分割等功能。 netfilter 组件也称为内核空间

第1章 携黑客工具启程 第2章 UNX黑客工具 第3章 调试器与仿真器的仿真 第4章 汇编器入门 第5章 走进黑客门 第6章 热身 第7章 通晓应用程序调试技术 第8章 在UNIX与Liux下的特殊调试技术 第9章 Linice内核调试基础 第10章 高级调试专题 第11章 反汇编32位PE文件 第12章 在Linux与BSD中反汇编ELF 第13章 反汇编x86-64程序 第14章 反汇编与破解Linux内核 第15章 高级补丁技术 第16章 反汇编其他格式的文件 第17章 在Windows上捉迷藏 第18章 攻克打包器 第19章 攻克代码混淆 第20章 攻克Linux与BSD打包器 第21章 调试与反汇编恶意软件

成年人顶部的正常颅内压平均值约为3.62kPa,颅内压波动2.5kPa左右时,颅内压轻度异常;当波动值达到3.5kPa左右时,出现脑震荡的症状;当波动值达到5kPa或更高时,人头颈部达到危重度伤.本文在颅内压正常波动值范围内,通过有限元MSC-PATRAN/NASTRAN软件分析了颅骨三层复合结构以及颅骨与硬脑膜组成的四层复合结构的表面应力和应变;同时,随颅内压变化进行了猪颅骨片,以及模拟人体颅脑真实受力的人颅骨和猪颅骨球冠应变实验.分析结果表明:当颅内压轻度异常时颅骨外表面产生的应变约为1.5×10-6,脑部出现脑震荡的症状时颅骨外表面产生的应变约为2.5×10-6,头颈部达到危重度伤时颅骨外表面产生的应变约为4×10-6.因此,随颅内压的变化颅骨外表面的应变是可测的,且在仪器检测范围内;本文所提出的微创颅内压应变电测法是可行的,即在颅骨外表面粘贴应变片,随颅内压的变化测颅骨应变,通过计算机进行数据处理获得颅内压变化量的方法.与临床上测量颅内压时钻孔或穿刺等方法比较,应变电测颅内压法对患者造成的损伤很小,属于微创或无创范围,具有安全易操作、减少感染、对患者创伤小、可长期测量等特点

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性