TCL BL1006液晶彩电逆变器板维修(下)

(2)检修过电压保护对于过电压保护,多数是由于输出电路开路引起的,例如,变压器、输出插座、输出电容虚焊等,也有的是取样电容击穿或开路引起的。对于前者,可以将变压器、输出插座、输出电容引脚重新焊接一遍;对于后者,因为有6组这样的电路,可以采用"对比法",用数字万用表在路测量取样电容的正、反向容量,找到在路正、反向容量差别较大的一组。更换相关的电容,故障即可排除。(3)检修过电流保护对于过电流保护,多数是由于变压器间短路引起负载电流过大产生的。维修时可采取解除保护的方法,     

香港客家历史建筑简述

清初,清政府为了防范明遗臣郑氏反叛,厉行迁海政策,强令香港全区居民内迁五十里。到康熙八年(1669年),朝廷才许展界,因原居民迁回者少,康熙二十三年尽复旧界后清政府遂行奖励客藉居民入迁之策,大部分最后定居于今香港新界地区,因此具客家特色的传统建筑也相继建立。该文将简介其中的围屋及围村、祠堂和书室这三种建筑类型,并举例以说明其形式及功能。     

TCL BL1006液晶彩电逆变器板维修(上)

TCL液晶彩电采用的TCL BLl006(百利)逆变器,振荡与控制集成电路采用Y—VRD960S与4只复合MOSFET开关管组合方案,为6根背光灯提供交流高频高压,应用于采用LG屏的液晶彩电中。一、逆变器板工作原理(1)逆变器电路TCL液晶彩电采用的TCL BLl006-XXB(百利)逆变器电路图,如图2所示(图见下页)。主要由振荡控制电路、激励电路和A、B两组全桥驱动升压电路组成,将+12V直流VCC端电压转换为接近于正弦波的交流高压,每组全桥驱动升压;电路可以驱动3只灯管,整个电路可以同时驱动6根灯管,分别通过接插件CON2~CON5与     

香港新界历史建筑保护现状与前瞻

自宋以来,中原有不少文人士大夫为躲避战乱,辗转南迁,其中有最后留居于今香港新界地区。他们不但经济上富有,而且在明、清时代科名显赫,单是新界邓、彭、侯、文、廖五大姓,进士、举人便不下数十人。他们在新界等处建起大量宅第、祠堂、书室,不少是岭南建筑的杰作。     

深度学习赋能的恶意代码攻防研究进展

深度学习赋能的恶意代码攻防研究已经成为网络安全领域中的热点问题.当前还没有针对这一热点问题的相关综述,为了及时跟进该领域的最新研究成果,本文首先分析并总结了恶意代码攻击的一般流程.基于该攻击流程,本文对深度学习的赋能攻击点和赋能防御点进行了定位,将深度学习助力攻击的技术分为5类:(1)基于对抗样本生成的自动化免杀;(2)基于自然语言生成的自动化网络钓鱼;(3)基于神经网络的精准定位与打击;(4)基于生成对抗网络的流量模仿;(5)基于黑盒模型的攻击意图隐藏,并将深度学习助力防御的新型技术分为3类:(1)基于深度学习的恶意代码查杀;(2)自动化网络钓鱼识别;(3)深度学习赋能的恶意行为检测;其次,基于以上分类,本文对恶意代码攻防研究中的前沿技术进行了综述,并从技术原理、实际可行性、发展趋势等不同的角度对这些技术进行了深入剖析;再者,由于深度学习的伴生安全问题与其在恶意代码攻防领域的赋能安全问题紧密相关,本文对其中代表性的模型后门攻击与防御的相关技术也进行了关注;之后,本文分析并总结了当前深度学习赋能的恶意代码攻防研究领域中的主要研究方向,并对其未来的发展趋势进行了讨论;最后,深度学习赋能的恶意代码攻防研究才刚刚起步,基于恶意代码攻击链的更多可能的赋能攻击与防御点有待研究者继续探索和发掘.此外,深度学习助力恶意代码攻防的一大挑战是数据集的限制,如何建立有效、公开的数据集供研究者使用,这也是一个非常值得思考和研究的问题.     

TCL BL1006液晶彩电逆变器板维修(中)

(2)Y-VRD960S引脚功能和对地参考电压(见表1所示)。(3)激励与全桥驱动升压电路全桥驱动升压电路由激励电路Q11、Q15和Q10、Q16、全桥驱动电路U1~U4、升压变压器T1~T6等元器件共同组成。分为A组和B组两组相同的驱动升压电路,产生符合要求的交流高压,驱动CCFL(冷阴极荧光灯)工作。     

StealthyFlow:一种对抗条件下恶意代码动态流量伪装框架

恶意代码问题使国家安全面临严重威胁.随着TLS协议快速普及,恶意代码呈现出流量加密化的趋势,通信内容加密导致检测难度的进一步提高.本文提出一种恶意代码流量伪装框架StealthyFlow,以采用加密流量进行远控通信的公共资源型恶意代码与GAN结合,对恶意流量进行不影响攻击功能的伪装,旨在实现伪装后的对抗流量与良性流量的不可区分性,进而绕过基于机器学习算法的分类器.StealthyFlow具有如下优势:根据目标流量的变化动态调整对抗流量,实现动态流量伪装;伪装在恶意代码层面进行,保证攻击功能不被破坏;绕过目标不参与训练过程,保证恶意代码不会提前暴露.实验结果表明,StealthyFlow产生的攻击流量与良性流量相似度极高,在对抗环境中可以绕过机器学习分类器.因此,需要对此种恶意代码提起注意,并尽快研究防御对策.