```diff --- a/src/auth/login.ts +++ b/src/auth/login.ts @@ -12,6 +12,18 @@ +export function validateToken(token: string) { + const decoded = jwt.verify(token, SECRET); + if (!decoded.exp || decoded.exp < Date.now() / 1000) { + throw new TokenExpiredError(); + } + return decoded; +} + @@ -24,8 +36,10 @@ export async function authenticateUser( - const user = await db.findUser(email); - if (!user) return null; + const user = await db.findUser(email); + if (!user) throw new UserNotFoundError(); + await rateLimiter.check(email); @@ -45,12 +59,0 @@ -export function legacyAuth(user, pass) { - return db.query('SELECT * FROM users - WHERE email = ? AND password = ?', - [user, pass]); -} ```
每日HackerNews RSS
本文详细介绍了一种稳健且与架构无关的方法，用于反虚拟化受 Themida 等虚拟机保护程序保护的代码。
作者没有依赖脆弱的模式匹配，而是利用“引导式符号执行”（Guided Symbolic Evaluation）将原生指令提升为简洁的中间表示（IR）。通过保持堆栈指针（RSP）的具体值，并使用一系列相互关联的优化遍历——包括常量提升、常量折叠、无效存储消除和指令组合——虚拟机内部的“脚手架”（如字节码解密和处理程序分发逻辑）被系统性地瓦解。
该过程旨在持续运行，直到 IR 收敛为清晰的类原生状态，随后将其降级回可执行的机器码。这种方法的关键在于通过跟踪虚拟指令指针（VIP）并准确识别 VMEXIT 模式来处理虚拟化控制流。最终输出的代码与原始功能代码几乎是一一对应的，避免了不必要的堆栈溢出等常见缺陷。文章最后指出，对于反虚拟化而言，通用的编译器优化比针对特定虚拟机的逆向工程更有效且更具可持续性；同时也承认，先进的混淆器必须实现更复杂、不可约简的表达式，才能抵御这些现代符号执行技术的攻击。
几十年来，大学学位曾是抵御失业的可靠屏障，确保应届毕业生在就业市场上的表现优于普通劳动力。然而，这一优势已逐渐减弱；自2019年初以来，应届毕业生的失业率一直高于整体劳动力，这一差距在2026年达到了历史新高。
值得注意的是，这种转变先于疫情和生成式人工智能的兴起，这表明这是一场长期的结构性变化，而非突发冲击。专家指出主要有两个原因：远程办公的普及限制了缺乏经验的新人获得必要的职场指导，以及人工智能对入门级职位的冲击。
关键在于，这是一场入门级职位的危机，而非学位本身的贬值。年长的学位持有者仍保持着较高的就业率，毕业生的境况也依然好于没有学位的年轻人。虽然学士学位仍具有显著的长期价值，且优于没有学位的情况，但它不再是就业的捷径。人才进入职场的传统“通道”实际上已经中断，使得从学校向职场的过渡变得比近期历史上任何时候都更加困难。
本文介绍了如何在 PyTorch 模型中实现并集成自定义 C++/CUDA 算子，并确保其与 `torch.export` 和 AOTInductor 编译流程兼容。 **核心内容包括：** * **自定义函数：** 使用 C++/CUDA 实现并通过 `TORCH_LIBRARY_IMPL` 注册，使 PyTorch 能够根据输入设备分发算子。 * **自定义类：** 使用 `torch::CustomClassHolder` 定义，支持在 Python 中调用具有状态（存储参数）的模块。 * **符号追踪兼容性：** 为支持 `torch.export` 和 AOTInductor，开发者必须为这些算子注册“假”（抽象）版本。这使得符号追踪器能够在不实际执行 C++/CUDA 内核的情况下理解算子逻辑。 * **部署：** 编译后的模型可打包为 `.pt2` 格式。该产物具有可移植性，支持在 Python 和独立 C++ 环境中进行高性能推理（通过 `dlopen` 加载自定义算子库）。 遵循此工作流程，开发者可以将自定义 C++/CUDA 内核的高性能与 PyTorch 现代导出及编译工具链的可移植性相结合，从而确保在多种推理运行时中实现无缝执行。
请启用 JavaScript 和 Cookie 以继续。
通用内存协议 (UMP) 旨在解决人工智能体 (AI agent) 内存碎片化的问题，目前这些内存分散在各类工具、厂商和本地文件中，彼此割裂。虽然现有的 MCP (工具) 和 A2A (协调) 等标准已能处理交互，但 UMP 提供了一个标准化的、中立于厂商的内存层。 UMP 将内存视为可移植的、经过签名的、具有双重时间属性的 JSON 记录。它作为应用层协议运行，利用现有的传输方式 (如 MCP、HTTP)，并与包括本地文件、SQL 数据库和向量引擎在内的现有存储方案集成。通过使用 UMP，开发者可以将项目笔记、Obsidian 知识库和智能体日志等分散数据统一为一种可互操作的格式。 主要功能包括： * **可移植性：** 数据由用户所有，基于内容寻址，并使用分布式标识符 (DID) 进行签名。 * **兼容性：** 作为现有格式 (例如 `CLAUDE.md`) 的桥梁，无需进行数据库迁移。 * **安全性：** 内置防提示词注入保护和明确的数据保留策略。 * **灵活性：** 将内存协议与底层智能分离，允许不同的引擎在质量上展开竞争，同时保持完全的互操作性。 UMP 使智能体能够跨会话和厂商进行“记忆”，无需在每次切换工具或环境时重新加载上下文。
本文详细介绍了一个团队针对 AWS Lambda 在托管 ONNX 模型时出现持续“内存溢出”（OOM）错误的排查过程。
起初，团队试图通过缩小 `lru_cache` 来解决内存增长问题，但这反而加速了 OOM 的发生。他们发现，Lambda 报告的 `@maxMemoryUsed` 指标是执行环境的“历史最高值”（high-water mark），而非单次调用的指标，因此用它来检测内存泄漏具有误导性。
真正的罪魁祸首是 `glibc` 的内存囤积机制。由于 ONNX Runtime 使用了多线程，`glibc` 创建了多个内存池（arenas），即使在调用 `free()` 后仍不释放已分配的内存。通过将 `M_MMAP_THRESHOLD` 从 128 KB 调整为 32 KB，团队强制分配器更积极地将内存归还给操作系统，从而使囤积的内存减少了 97%。
**关键点：**
* `@maxMemoryUsed` 并非单次调用指标，而是累积的历史峰值。
* RSS 指标可能具有误导性，因为分配器通常会“囤积”已释放的内存。
* 应使用 `mallinfo2()` 查看实际的堆内存使用情况。
* 在 Lambda 环境中，调整 `mmap` 阈值是一种以轻微延迟为代价，显著降低内存占用的有效方法。
融入您的视频编辑工作流程：ntsc-rs 不仅提供独立程序和网页版，还可作为 After Effects、Premiere 以及所有兼容 OpenFX 的软件插件使用。这包括 DaVinci Resolve、Hitfilm 和 Vegas。
Meta 已证实，Instagram 人工智能辅助账户恢复系统中的一个漏洞导致黑客劫持了超过 20,000 个账户。此次漏洞持续时间从 4 月中旬一直到本周，源于一个编程缺陷：系统未能验证请求重置密码的电子邮件是否与目标账户所关联的地址匹配。
通过利用此漏洞，黑客诱骗人工智能聊天机器人将密码重置链接发送到未经授权的电子邮箱，前提是受害者未启用双重身份验证。这使得攻击者能够完全控制账户，并可能获取私人信息、联系方式和个人资料数据。
对此，Meta 已禁用该人工智能聊天机器人并移除了存在漏洞的代码路径。该公司目前正在审查其其他人工智能工具以防止类似攻击，并已指示受影响的用户重置密码并重新验证账户。尽管 Meta 表示尚不清楚在此次泄露事件中被访问的个人数据的具体范围，但该事件凸显了该公司在积极推进人工智能整合过程中存在的重大安全疏忽。