区块链行业应用

上一篇文章讲述了机器学习的基本知识点，这一篇就开启一些算法的摸索之路。既然我们是前端研发工程师，那就选择ml.js这个库进行编码。本次涉及到的算法包含：KNN、决策树、随机森林、朴素贝叶斯、支持向量机、线性回归、K-均值聚类算法，这七个算法横跨监督学习算法(分类算法、回归算法)、非监督学习算法，可以作为前端入门机器学习的必修课程，也可作为既将到来的端智能时代的必读刊物。

一、监督学习算法

1.1 分类算法

1.1.1 K-近邻分类算法(KNN)

一、定义

如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。(通常k是不大于20的整数)

二、优缺点

1.优点

• 简单有效
• 精度高
• 对异常值不敏感
• 无须训练

2.缺点

• 计算复杂度高、空间复杂度高(计算量大，内存开销大)
• 必须指定K值，K值选择不当则分类精度不能保证。(K值取很小，容易受到异常点的影响，容易出现过拟合;K值取很大，受到样本均衡问题)

三、计算距离

对于KNN算法，最核心的内容是计算距离，两个样本之间的距离可以通过欧氏距离计算。其计算公式为：
 

因为我们的原始密码是 123456789，很明显与 123456 并不匹配，所以会输出以上的匹配结果。

七、总结

本文首先介绍了消息摘要算法、MD5 算法的相关概念和特点，然后详细介绍了 MD5 算法的用途和 Node.js 平台的使用示例，最后我们还分析了 MD5 算法存在的缺陷和 MD5 密码的安全性问题。这里需要大家注意的是，基于 MD5 来验证数据完整性已不可靠，考虑到近期谷歌已成功构造了 SHA-1(英语：Secure Hash Algorithm 1，中文名：安全散列算法1)的碰撞实例，对于数据完整性校验，应使用 SHA256 或更强的算法代替。

除了文中介绍的 MD5 应用场景，MD5 还可以用于实现 CDN(Content Delivery Network，内容分发网络)内容资源的防盗链，感兴趣的小伙伴可以阅读 “深入了解 Token 防盗链” 这篇文章。

近期阿宝哥突然对 JS 逆向 很感兴趣，因此打算系统学习一下相关的知识，目前已有初步的学习计划，想一起学习的小伙伴可以私聊阿宝哥哈。

八、参考资源

• 维基百科 - MD5
• 维基百科 - 彩虹表
• 维基百科 - 盐_(密码学)
• 加密基础知识一 MD5 SHA-1 CRC 加盐
• MD、SHA、MAC消息摘要算法实现与应用
• MD5 碰撞的一些例子

（编辑：衡水站长网）

【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!