1.XGBoost源码解读
2.slate.js源码分析（一） —— slate渲染机制
3.第60篇：Thymeleaf模板注入漏洞总结及修复方法（上篇）
4.leaflet聚合图功能(附源码下载)
5.一个绚丽的源码loading动效分析与实现！
XGBoost源码解读
前言
XGBoost是解读一代神器，其推理逻辑独树一帜，源码与Glove等相似，解读皆以思考出发，源码推导出理想结果。解读ssm网站源码高斯正是源码这种思维的典范，XGBoost的解读代码实现也异常精妙，本文尝试将两者相结合，源码供您参考。解读
高斯的源码做法
优化目标设定，以均值为目标函数的解读导数为零。利用线性假设推导目标函数，源码进而优化以误差平方项为出发点。解读
进一步，源码高斯将误差目标公式推广到参数求解中，实现优化。
Glove的做法
通过log-bilinear models, LBL启发，寻找满足概率约束的目标表达式，并推导出指数函数，从而实现类似LSA的因子分解。
引入优化权重函数，最终实现最大似然估计。
XGBoost的做法
引入Stagewise限制，目标为找到最优的叶子节点，以最佳方式拆分，微擎的源码优化损失。
通过泰勒展开，结合叶子节点权重假设，推导出目标公式。
基于贪心算法，实现树的生长。
代码解读
从命令行入口开始，核心代码框架包括数据加载、初始化、循环训练与模型保存。训练过程包括计算样本预测结果、一阶和二阶梯度计算以及Boost操作。
DoBoost实现GBLine和GBTree两种方式，提供GradientBooster核心函数，如DoBoost、PredictLeaf、PredictBatch等。
默认采用GBTree，对于线性部分，效果难与非线性分类器相比。
代码基本框架集成了DMLC的注册使用机制，插件式管理实现更新机制。
实现精准和近似算法，主要关注ColMaker更新实现。在GBTree的稿定设计源码DoBoost中，生成并发新树，更新ColMaker和TreePruner。
ColMaker实现包括Builder与EnumerateSplit，最终依赖于TreeEvaluator的SplitEvaluator。
SplitEvaluator实现树的分拆，对应论文中的相关函数，包括Gain计算、权重计算、单个叶子节点Gain计算与最终损失变化。
本文仅作为案例介绍，XGBoost在近似计算、GPU计算与分布式计算方面也极具亮点。
小结
本文通过对比分析高斯、Glove与XGBoost的优化策略，展示了研究与工程结合的实践，强调在追求性能的同时，不能忽视效果的重要性。
slate.js源码分析（一） —— slate渲染机制
富文本编辑器中的可见内容主要由文档内容和光标两部分组成。本文将详细介绍Slate在文档内容和光标方面的渲染机制。
Slate文档的结构包含元素（Element）和文本（Text）两类节点。这些节点类似于DOM树，可以嵌套结构。用户在元素或文本上添加扩展属性，以提供渲染节点所需的数据。
文档的机构入住指标源码截图与对应的Slate值之间存在对应关系，这种关系帮助开发者直观理解文档的渲染过程。
Slate组件树类似于DOM树，对应于Slate值的数据结构。文档区域的顶部负责更新选择数据、文档树内容，并提供DOM事件API（如onKeydown和onClick）。
节点数据被渲染为HTML，允许用户自定义渲染过程，通过renderElement方法实现。根据装饰的不同，文本会被分割成相应数量的leaf。
文本内容的渲染则通过renderLeaf方法来控制文本内容的样式。
Slate值的更新逻辑利用React技术，将文档数据实时渲染为DOM结构。当contenteditable为true的元素被修改时，会触发beforInput事件，通过监听这一事件，实现文档内容的实时同步。
在使用Slate时，输入法问题是一个常见挑战。本文将简要介绍输入法的工作原理及其常见bug，并分析解决方法。
正常键盘输入仅触发beforInput事件，而使用输入法时，除了beforInput事件，rsi公式源码自用还会触发Composition事件。这三个事件分别对应输入法开始、内容更新和结束的过程。在输入法输入期间，如果实时修改文档内容，会导致与输入法冲突。因此，在CompositionUpdate期间，Slate Value不会做任何更新，直至CompositionEnd时再进行更新。遇到报错情况时，通常是因为在CompositionStart时文档内容被删除，而在CompositionEnd时找不到对应的DOM节点，引发错误。解决办法是在CompositionStart时更新文档值以避免冲突。
解决输入法问题的一个方案是fork源码。通过这种方式，可以确保Slate与输入法协同工作，提高用户体验。
Slate Selection数据结构与DOM Selection类似，由锚点（anchor）和焦点（focus）两个点组成。了解详细信息可以参考MDN Selection文档。
Selection的更新机制依赖于React完成渲染。在每次Selection值发生变化时，会在useEffect中更新DOMSelection。同时，监听window.document上的selectionchange事件以更新Slate Selection值。
后续计划继续深入探讨Slate源码分析，包括历史记录机制、从Slate 0.升级到0.的实战指南、数据模型、序列化机制、normalize机制等，敬请期待。
最后，附上招聘广告。百度如流团队正面向北京、上海、深圳等地招聘，提供丰富的岗位选择，欢迎有意者进行内推。
第篇：Thymeleaf模板注入漏洞总结及修复方法（上篇）
第篇：Thymeleaf模板注入漏洞总结及修复方法（上篇） 在审计一套金融系统源代码时，我发现了四处Thymeleaf模板注入漏洞。在研究过程中，我发现尽管网上的文章众多，但部分信息可能存在错误。为确保理解，我亲自搭建环境并测试漏洞利用方法，这里分享我的发现。技术研究过程
首先遇到的问题是，GitHub上的测试环境版本过新，不包含已知的漏洞。确保测试成功，需要在pom.xml中配置特定版本的Thymeleaf组件。 在较旧的漏洞版本中，需要使用特定的%0A和%0D编码来执行注入。记得对payload中的特殊字符进行URL编码，或者整体URL编码。 Thymeleaf模板表达式形式多样，如${ ...}、*{ ...}、#{ ...}等。利用漏洞时，可尝试将${ ...}替换为*{ ...}。 漏洞常常出现在用户提交的数据能影响return语句的地方，可能导致代码执行漏洞。 四种常见漏洞利用语句包括但不限于：控制return值、URL路径可控、特定注解（如@ResponseBody或@RestController）以及视图控制方法的返回类型。 通过测试，攻击者能够通过这些方式引发漏洞。在实际编程中，要格外注意避免这类漏洞。总结
后续文章将深入探讨不同版本漏洞的测试语句及绕过方法。我的公众号“希潭实验室”将持续分享网络安全技术，包括APT分析、渗透测试等内容，欢迎关注。如有任何问题，可通过邮件联系我：0dayabc#gmail.com（请将#替换为@）。leaflet聚合图功能(附源码下载)
Leaflet入门开发系列环境知识点掌握：包括Leaflet API文档的介绍，详细解析Leaflet每个类的函数和属性等。同时，了解Leaflet在线示例以及插件库，这些资源对于开发者来说非常有用。
内容概览：Leaflet聚合图功能，源代码demo下载
效果图展示：以下为聚合图的效果图，具体实现思路将在下文中进行详细介绍。
实现思路：本文主要参考了Leaflet官网的聚合效果插件Leaflet.markercluster，详情及示例代码可以在GitHub上找到，链接为：github.com/Leaflet/Leaf...
源码下载：对于感兴趣的伙伴，可以通过私聊我获取源码，价格为8.8元。
一个绚丽的loading动效分析与实现！
通过本文，我们将详细分析和实现一个引人注目的加载动效，该动效以 gif 形式呈现，展示了随机生成的叶片在进度条上随正余弦曲线移动并旋转的动态场景。本文将逐步解析实现这一效果所需的步骤和关键点。
首先，我们观察到 gif 动效的特点包括：叶片的随机生成、沿正余弦曲线移动、旋转方向随机、与进度条融合以及叶片不能超出最左边的弧角。这些特点构成了实现该动效的核心。
在实现过程中，我们主要关注两个部分：进度条的绘制以及不断生成的叶片。对于进度条，我们根据进度计算出弧形覆盖范围、半圆形覆盖范围和矩形覆盖范围，并基于当前进度绘制相应的形状。这一过程涉及了弧形计算、角度转换等数学运算，确保了进度条随着进度的增加而动态变化。
接着，叶片的实现涉及到曲线函数的确定、振幅的调整以及叶片类型的定义。通过观察 gif 动效，我们确定了曲线函数的形式，并利用振幅差来模拟叶片在飘动过程中的错落感。这一步通过创建 Leaf 类和 LeafFactory 类来实现，允许用户根据需要生成不同类型的叶片。
为了使动效更加灵活可调，我们设计了接口，允许用户手动调节动效的各个参数，包括进度条的宽度、叶片类型、振幅等。这一设计不仅便于产品和设计者直观查看效果，而且简化了动效的调整过程，提高了工作效率。
最后，实现过程中涉及的布局和活动代码被整理出来，供读者参考。通过整合上述组件和功能，最终生成的加载动效具备高度的可调节性和直观性，为应用提供了美观且功能丰富的加载体验。
本文详细解析了实现该加载动效的步骤、关键点以及实现效果，旨在为开发者提供一种高效、灵活的动效实现方法。同时，提供的 GitHub 源码地址 Ajian-studio/GALeafLoading，允许有兴趣的读者深入研究和应用这一动效。
