资料 cs-self-learning/docs/数据库系统/15445.md at master · PKUFlyingPig/cs-self-learning Schedule | CMU 15-445/645 :: Intro to Database Systems (Spring 2023) 由于2022的有对应的网课， 我觉得使用202

学习期 熟悉平台以及了解项目 1mkdir -p /data/projects/gorge_walk_v2/log/learner 初赛：任务训练智能体，在地图中不断探索中学习移动策略，减少碰撞障碍物，以最少的步数从起点走到终点，可能会有附属任务——收集宝箱。 场景介绍峡谷漫步使用64*64的网格化的地图（智能体每步移动的距离是一网格），地图中包含起点、终点、道路、障碍物和宝箱等元素。 元

学习资源 - CTF WikiCTFHub 基础知识 一般情况下flag拥有固定格式为flag{xxxxx}，有些比赛会把flag关键词替换，例如我们CTFHub平台的flag为ctfhub{xxxxx}，利用固定格式来反推flag也是一种常见的解题思路 竞赛模式：竞赛模式 | CTFHub Jeopardy-解题题目类型主要包含 Web 网络攻防 、 R

Project1 malloc/free的实现方案二：参考实现 参考、复现、测试并详细分析以下实现思路和代码（70分）。 加分项（30分）：下面的代码没有做线程/进程同步和互斥处理，因此是线程不安全的。同学们可以加入进行同步互斥的代码，以保证动态内存分配时的线程安全。 动态内存分配机制包含内存分配和内存释放 lab7以“页”为粒度来进行动态内存分配现在我们希望通过mallo

Project1 malloc/free的实现方案二：参考实现 参考、复现、测试并详细分析以下实现思路和代码（70分）。 加分项（30分）：下面的代码没有做线程/进程同步和互斥处理，因此是线程不安全的。同学们可以加入进行同步互斥的代码，以保证动态内存分配时的线程安全。 动态内存分配机制包含内存分配和内存释放 lab7以“页”为粒度来进行动态内存分配现在我们希望通过mallo

理论知识agent的定义：大模型时代的 AI Agent = LLM × （规划+记忆+工具） Al Agent是一种能够感知环境、进行决策和执行动作的智能实体。 运行过程：接受用户输入 → 推理 + 记忆检索 → 工具调用 → 更新状态 → 再次行动 接受外部输入:（例如用户查询） 结合短期和长期记忆进行推理：（例如利用 CoT、ReAct 等推理框架） 调用外部工具或数据库：（如检

从内核态到用户态实验概述在本章中，我们首先会简单讨论保护模式下的特权级的相关内容。特权级保护是保护模式的特点之一，通过特权级保护，我们区分了内核态和用户态，从而限制用户态的代码对特权指令的使用或对资源的访问等。但是，用户态的代码有时不得不使用一些特权指令，如输入输出等。因此，我们介绍了系统调用的概念和如何通过中断来实现系统调用。通过系统调用，我们可以实现从用户态到内核态转移，然后在内核态下执行特权

深度强化学习传统的RL算法有个很大的问题在于它是一种表格方法，就是根据过去出现过的状态，统计和迭代Q值。 基于表格的方法局限性很大：（对未知的泛化能力弱） 一方面适用的状态和动作空间非常小，对于图像和高维度离散状态、连续域状态无法直接适用； 另一方面对于一个状态从未出现过，这些算法是无法处理的 DQN算法：将Q-learning和深度神经网络结合（直接结合是naive DQN），并引入两个

内存管理实验概述 学习如何使用位图和地址池来管理资源 实现在物理地址空间下的内存管理 学习并开启二级分页机制=>实现在虚拟地址空间下的内存管理 基于分页机制，我们可以将连续的虚拟地址空间映射到不连续的物理地址空间。对于同一个虚拟地址，在不同的页目录表和页表下，我们会得到不同的物理地址。开启了分页机制后，程序中使用的地址是虚拟地址。我们需要结合页目录表和页表才能确定虚拟地址对应的物

并发与锁机制实验概述使用硬件支持的原子指令来实现自旋锁SpinLock => 可以用来实现线程互斥然后使用SpinLock来实现信号量，最后使用SpinLock和信号量来给出两个实现线程互斥的解决方案。 ddl：5.18 实验任务：Assignment 1 代码复现题1.1 代码复现在本章中，我们已经实现了自旋锁和信号量机制。现在，同学们需要复现教程中的自旋锁和信号量的实现方法，分