Win2K下关联进程/端口之代码初步分析
Shotgun@https://www.doczj.com/doc/8b15029673.html,
在西祠或者中绿的BBS中，经常见到网友问：如何才能关联我的进程和端口呀？没错，关联进程和端口是一个非常有用的功能，你可以清楚地知道哪些程序在使用哪些端口，对于查杀木马很有帮助。可是我们虽然可以使用任务管理器浏览进程列表，使用Netstat查看端口的使用状况，却没有一个命令可以直接关联进程和端口(WinXP上增加了新的NetStat功能，支持直接查看端口进程状况)，今年年初的时候，国外出了一个有名的软件Fport，它可以显示当前所有的端口及他们所属的进程，可是，这个软件并没有公开源代码，（太不符合自由软件精神了吧？），我根据对这个软件的逆向工程，做了一个类似的工具，在这里和大家探讨一下它的原理。
一拿到Fport的时候，我就对它进行了API分析，发现除了一些基本的API以外，它还调用了NTDLL.dll的几个未公开API，如NtQuerySystemInfomation，NtQueryInfomationProcess，直觉告诉我，关键应该在这两个函数中，特别是前者。为了能够理解Fport的运行机理，我们首先要来复习一下SOCKET。SOCKET 究竟是什么？它的中文名称叫做套接口，但是，实际上我们所谓的SOCKET数据结构只是一个32位的无符号整数（在UNIX中是16位的），它对于Windows操作系统来说其实是一个文件句柄（SOCKET是文件？奇怪么？操作系统在底层实现的时候，常常使用文件的概念来完成一些基本的功能），这样的话问题就明朗了，如果我们能够枚举系统所有的句柄，从中获得属性为SOCKET的，不就可以完成Fport的功能？现在你应该想到了，为什么Fport要调用NtQuerySystemInfomation这个API，实际上，NtQuerySystemInfomation这个函数提供了一个简单的途径以获得系统所有的HANDLE，我们先来看看这个函数的原型：
DWORD NtQuerySystemInformation( DWORD dwRecordType,
PDWORD pdwHandleList,
DWORD dwNumBytes,
PDWORD pdwNumBytesRet );
我来解释一下，NtQuerySystemInformation这个函数有四个参数，第一个参数是dwRecordType，这个参数指定了我们所查询的系统信息类型，为了查询系统HANDLE列表，我们定义一个常量#define NT_HANDLE_LIST 16（这个数值我是查资料得到的，如果谁有更详细的资料，也请让我共享一下）；第二个参数是一个指针，这个指针用来返回系统句柄列表，在调用NtQuerySystemInformation函数之前，必须为这个指针分配足够的内存空间，否则函数调用会出错；第三个参数是指定你为HandleList所分配的内存空间大小，单位是byte；第四个参数是NtQuerySystemInformation返回的HandleList
的大小；如果NtQuerySystemInformation函数调用成功，返回值将是0，否则可以使用GetLastError()获得详细的错误代码。
一旦NtQuerySystemInformation函数调用成功，系统中所有的句柄将被存放在pdwHandleList所指向内存空间中，其中，pdwHandleList所指向的第一个32
位数，是这个buf所包含的句柄数量，之后是顺序排列的句柄指针pHandleInfo，指向的是HANDLEINFO结构：
typedef struct _HandleInfo
{
USHORT dwPid;
USHORT CreatorBackTraceIndex;
BYTE ObjType;
BYTE HandleAttributes;
USHORT HndlOffset;
DWORD dwKeObject;
ULONG GrantedAccess;
}HANDLEINFO, *PHANDLEINFO;
看到这个结构，我们心中就有底了，句柄信息中包括了句柄所属进程的PID，这样我们就可以关联进程和SOCKET了，可是，在NT中有各种各样的句柄：进程句柄、令牌句柄、文件句柄、窗口句柄……我们怎样才能判断一个句柄究竟是不是SOCKET呢？这就要靠HANDLEINFO结构中的ObjType属性了，经过分析，我们发现，SOCKET句柄的类型值为0x1A，所以，我们将所有类型为0x1A的句柄取出，进行getsockname操作就可以得到当前的进程/端口对应列表，实际上并不然，要知道，我们得到的句柄都属于其他的进程，在NT中根据进程保护的原则，一个进程没有办法直接得到其他进程的各种信息，特别是句柄，不同进程中的同一句柄(句柄的数值相同)根本就不是同样的东西，因此，我们还必须进行一次转换，将其他进程的句柄转换为本进程的句柄，这个转换工作只要简单地调用DuplicateHandle函数就可以完成了：
DuplicateHandle(hSourceProc,
(HANDLE)pHandleInfo->HndlOffset,
hCurrentProc,
&hMyHandle,
STANDARD_RIGHTS_REQUIRED,
true,
0 );
之后我们就可以通过getsockname、getsockopt等函数来获得SOCKET的各种属性了（使我困惑的是，Fport并没有调用getsockname，这说明，应该有更简单的方法来得到SOCKET句柄的各种属性，看来我对SOCKET句柄的了解程度还是很肤浅呀）
sockaddr_in name = {0};
name.sin_family = AF_INET;
int namelen = sizeof(sockaddr_in);
SOCKET s = (SOCKET)hMyHandle;
char szSockType[6][6] = { "NUL", "TCP", "UDP", "RAW", "RDM", "SEQ" };
iRet = getsockname( s, (sockaddr*)&name, &namelen );
if ( iRet != SOCKET_ERROR )
{
int sockType = 0;
int optlen = 4;
iRet = getsockopt( s, SOL_SOCKET, SO_TYPE, (char*)&sockType,
&optlen );
printf("PID=%4d PORT=%5d %s\n", pHandleInfo->dwPid,
ntohs( name.sin_port ), szSockType[sockType] );
}
至此，进程和端口关联的工作已经基本完成，可是，还有一些不足的地方，首先，这个软件不像Fport一样能够查看system进程（就是那个著名的8#进程）的SOCKET，错误代码是5（access denied），一个简单的解决方法是将自己做成service，这样就有了对Local System进程的访问权限，不过似乎Fport并不是
这么做的，此为疑点一；其次，由于我对HANDLE属性的肤浅认识，有的时候会出现误报或漏报的现象，即使没有误报，将所有属性为0x1A的句柄都进行getsockname效率也略微低了一点，这里应该有更好的解决方案，此为疑点二；最后，Fport并没有调用socket函数来获得socket属性，这说明有一个更简单直接的方法可以从SOCKET句柄中得到端口、协议等信息，可惜我不知道，此为疑点三。不过令人欣慰的是，我写出来的Gport可以在Win2K的非管理员用户下运行，此时，仅能获得本用户所有进程的端口，这大概是Fport所没有具备的功能。
写本文的目的，一方面是为了解答某些网友对Fport原理的疑问，另一方面也是为了抛砖引玉，希望能解答我心中的这些疑点，望各位高手能不吝赐教。
最后附上Gport的代码，Gport的测试版和代码文件可以在我的主页上下载，地址为：https://www.doczj.com/doc/8b15029673.html,/Gport.zip
附：Gport.cpp
#include
#include
#include
#include
#pragma comment ( lib, "ws2_32.lib" )
// NtQuerySystemInformation record type 16
#define NT_HANDLE_LIST 16
#define OBJECT_TYPE_SOCKET 0x1A
#define MAX_HANDLE_LIST_BUF 0x200000
// 定义HanleInfo数据结构
typedef struct _HandleInfo
USHORT dwPid;
USHORT CreatorBackTraceIndex;
BYTE ObjType;
BYTE HandleAttributes;
USHORT HndlOffset;
DWORD dwKeObject;
ULONG GrantedAccess;
}HANDLEINFO, *PHANDLEINFO;
// 申明NtQuerySystemInformation()函数
typedef DWORD (CALLBACK* NTQUERYSYSTEMINFORMATION)( DWORD, PDWORD, DWORD, PVOID );
NTQUERYSYSTEMINFORMATION NtQuerySystemInformation;
// 判断SOCKET类型的数组
char szSockType[6][6] = { "NUL", "TCP", "UDP", "RAW", "RDM", "SEQ" };
//
// RaisePrivleges()函数用来提升本进程的特权
//
bool RaisePrivleges( HANDLE hToken, char *pPriv )
TOKEN_PRIVILEGES tkp;
if ( !LookupPrivilegeValue( NULL, pPriv,
&tkp.Privileges[0].Luid ) )
{
printf( "LookupPrivilegeValue Error:%d\n", GetLastError() );
return false;
}
tkp.PrivilegeCount = 1;
tkp.Privileges[0].Attributes |= SE_PRIVILEGE_ENABLED;
int iRet = AdjustTokenPrivileges( hToken,
false,
&tkp,
0,
(PTOKEN_PRIVILEGES)NULL,
0 );
if ( iRet == NULL )
//AdjustTokenPrivileges函数调用失败
{
printf( "AdjustTokenPrivileges Error:%d\n", GetLastError() );
return false;
}
else //AdjustTokenP rivileges调用成功
{ //使用GetLastError()获得返回值
iRet = GetLastError();
switch ( iRet )
{
case ERROR_NOT_ALL_ASSIGNED://未指派所有的特权
printf( "AdjustTokenPrivileges
ERROR_NOT_ALL_ASSIGNED\n" );
return false;
case ERROR_SUCCESS: //成功地指派了所有的特权
return true;
default: //不知名的错误
printf( "AdjustTokenPrivileges Unknow Error:%d\n", iRet );
return false;
}
}
}//end of RaisePrivleges
//
// AdjustDacl用来调整目标进程的DACL
//
void AdjustDacl( HANDLE hProcess )
{
SID world = { SID_REVISION, 1, SECURITY_WORLD_SID_AUTHORITY, 0 };
LPTSTR ptstrName = (LPTSTR)&world;
EXPLICIT_ACCESS ea =
{
STANDARD_RIGHTS_ALL | SPECIFIC_RIGHTS_ALL,
SET_ACCESS,
NO_INHERITANCE,
{
0, NO_MULTIPLE_TRUSTEE,
TRUSTEE_IS_SID,
TRUSTEE_IS_USER,
ptstrName
}
};
ACL * pdacl = 0;
if ( SetEntriesInAcl(1, &ea, 0, &pdacl) != ERROR_SUCCESS ) printf( "SetEntriesInAcl Error:%d", GetLastError() );
if ( SetSecurityInfo( hProcess,
SE_KERNEL_OBJECT,
DACL_SECURITY_INFORM ATION,
0 , 0, pdacl, 0 ) != ERROR_SUCCESS )
printf( "SetSecurityInfo Error:%d", GetLastError() );
LocalFree(pdacl);
}//end of AdjustDacl
int main( )
{
printf( "\t=*= GPort Beta1 (Shotgun@https://www.doczj.com/doc/8b15029673.html,) =*=\n\n" );
int iRet;
WSADATA wsaData;
iRet = WSAStartup( MAKEWORD(1,1), &wsaData );
if ( iRet )
printf( "WSAStartup Error:%d\n", GetLastError() );
HANDLE hCurrentProc = GetCurrentProcess();
HANDLE hToken;
if ( !OpenProcessToken( hCurrentProc,
TOKEN_QUERY |
TOKEN_ADJUST_PRIVILEGES,
&hToken ) )
printf( "OpenProcessToken Error:%d\n", GetLastError() );
else
{
if ( !RaisePrivleges( hToken, SE_DEBUG_NAME ) )
printf( "SetPrivleges SE_DEBUG_NAME Error:%d\n", GetLastError() );
}
if ( hToken )
CloseHandle( hToken );
HMODULE hNtdll = NULL;
hNtdll = LoadLibrary( "ntdll.dll" );
if ( !hNtdll )
{
printf( "LoadLibrary( NTDLL.DLL ) Error:%d\n", GetLastError() );
return false;
}
NtQuerySystemInformation = (NTQUERYSYSTEMINFORMATION)
GetProcAddress( hNtdll, "NtQuerySystemInformation");
if ( !NtQuerySystemInformation )
{
printf( "GetProcess( NtQuerySystemInformation )
Error:%d\n", GetLastError() );
return false;
}
DWORD dwNumBytes = MAX_HANDLE_LIST_BUF;
PDWORD pdwHandleList = (PDWORD)malloc( dwNumBytes );
if ( !pdwHandleList )
{
printf( "Malloc for Handle List Error:%d\n", GetLastError() );
return false;
}
DWORD dwNumBytesRet = 0;
iRet = (*NtQuerySystemInformation)( NT_HANDLE_LIST,
pdwHandleList,
dwNumBytes,
&dwNumBytesRet);
DWORD dwNumEntries;
PHANDLEINFO pHandleInfo;
if ( iRet )
{
printf( "NtQuerySystemInformation return %d, Error:%d\n",
dwNumBytesRet,
GetLastError() );
}
else
{
HANDLE hProc;
dwNumEntries = pdwHandleList[0];
pHandleInfo = (PHANDLEINFO)( pdwHandleList + 1 );
for ( DWORD i = 0; i < dwNumEntries; i++ )
{
if ( ( pHandleInfo->ObjType ==
OBJECT_TYPE_SOCKET )
&& ( pHandleInfo->dwPid ) )
{
hProc = OpenProcess(WRITE_DAC,
false,
pHandl eInfo->dwPid );
if ( hProc )
{
AdjustDacl( hProc );
CloseHandle( hProc );
}
else
printf( "OpenProcess(WRITE_DAC) %d Error:%d\n",
pHandleInfo->dwPid,
GetLastError() );
HANDLE hMyHandle = NULL;
hProc = OpenProcess(PROCESS_DUP_HANDLE,
true,
pHandl eInfo->dwPid );
if ( hProc )
{
DuplicateHandle(hProc,
(HANDL E)pHandleInfo->HndlOffset,
hCurre ntProc,
&hMyHa ndle,
STANDA RD_RIGHTS_REQUIRED,
true,
0 );
CloseHandle( hProc );
}
else
printf( "OpenProcess %d
Error:%d\n",
pHandleInfo->dwPid,
GetLastError() );
if ( !hMyHandle )
{
Sleep( 0 );
//printf( "DuplicateHandle PID=%4d HANDLE:%4d Error:%d\n",
// pHandleInfo->dwPid, pHandleInfo->HndlOffset, GetLastError() );
}
else
{
sockaddr_in name = {0};
name.sin_family = AF_INET;
int namelen = sizeof(sockaddr_in);
SOCKET s = (SOCKET)hMyHandle;
iRet = getsockname( s,
(sockaddr*)&name,
&namelen );
if ( iRet != SOCKET_ERROR )
{
int sockType = 0;
int optlen = 4;
iRet = getsockopt( s, SOL_SOCKET,
SO_TYPE,
(char*)&sockType,
&optlen );
printf( "PID=%4d
PORT=%5d %s\n",
pHandleInfo-> dwPid,
ntohs( name.s in_port ),
szSockType[so ckType] );
}
}
}
pHandleInfo++;
}
}
if ( pdwHandleList )
free( pdwHandleList );
if ( hCurrentProc )
CloseHandle( hCurrentProc );
return 0;
}
数据挖掘作业The document was prepared on January 2, 2021
1、给出K D D的定义和处理过程。 KDD的定义是：从大量数据中提取出可信的、新颖的、有用的且可以被人理解的模式的高级处理过程。因此，KDD是一个高级的处理过程，它从数据集中识别出以模式形式表示的知识。这里的“模式”可以看成知识的雏形，经过验证、完善后形成知识：“高级的处理过程”是指一个多步骤的处理过程，多步骤之间相互影响反复调整，形成一种螺旋式上升的过程。 KDD的全过程有五个步骤：1、数据选择：确定发现任务的操作对象，即目标数据，它是根据用户的需要从原始数据库中抽取的一组数据；2、数据预处理：一般可能包括消除噪声、推到技术却只数据、消除重复记录、完成数据类型转换等；3、数据转换：其主要目的是消减数据维数或降维，即从初始特征中找出真正有用的特征以减少数据开采时要考虑的特征或变量个数；4、数据挖掘：这一阶段包括确定挖掘任务/目的、选择挖掘方法、实施数据挖掘；5、模式解释/评价：数据挖掘阶段发现出来的模式，经过用户或机器的评价，可能存在冗余或无关的模式，需要剔除；也有可能模式不满足用户的要求，需要退回到整个发现阶段之前，重新进行KDD过程。 2、阐述数据挖掘产生的背景和意义。 数据挖掘产生的背景：随着信息科技的进步以及电子化时代的到来，人们以更快捷、更容易、更廉价的方式获取和存储数据，使得数据及信息量以指数方式增长。据粗略估计，一个中等规模企业每天要产生100MB以上的商业数据。而电信、银行、大型零售业每天产生的数据量以TB来计算。人们搜集的数据越来越多，剧增的数据背后隐藏着许多重要的信息，人们希望对其进行更高层次的分析，以便更好的利用这些数据。先前的数据库系统可以高效的实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系与规则，无法根据现有的数据来预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识的手段。导致了“数据爆炸但知识贫乏”的现象。于是人们开始提出“要学会选择、提取、抛弃信息”，并且开始考虑：如何才能不被信息淹没如何从中及时发现有用的知识、提高信息利用率如何从浩瀚如烟海的资料中选择性的搜集他们认为有用的信息这给我们带来了另一些头头疼的问题：第一是信息过量，难以消
比较典型的PID处理程序 [日期：2005-2-1] 来源：21ICbbs 作者：lookuper [字体：大中小] /*============================================================================ ======================== 这是一个比较典型的PID处理程序，在使用单片机作为控制cpu时，请稍作简化，具体的PID参数必须由具体对象通过实验确定。由于单片机的处理速度和ram资源的限制，一般不采用浮点数运算，而将所有参数全部用整数，运算 到最后再除以一个2的N次方数据（相当于移位），作类似定点数运算，可大大提高运算速度，根据控制精度的不同要求，当精度要求很高时，注意保留移位引起的“余数”，做好余数补偿。这个程序只是一般常用pid算法的基本架构，没有包含输入输出处理部分。============================================================================== =======================*/ #include #include /*============================================================================ ======================== PID Function The PID (比例、积分、微分) function is used in mainly control applications. PIDCalc performs one iteration of the PID algorithm. While the PID function works, main is just a dummy program showing a typical usage. ============================================================================== =======================*/ typedef struct PID { double SetPoint; // 设定目标Desired value double Proportion; // 比例常数Proportional Const double Integral; // 积分常数Integral Const double Derivative; // 微分常数Derivative Const double LastError; // Error[-1] double PrevError; // Error[-2] double SumError; // Sums of Errors } PID; /*============================================================================ ======================== PID计算部分 ============================================================================== =======================*/ double PIDCalc( PID *pp, double NextPoint ) { double dError, Error; Error = pp->SetPoint - NextPoint; // 偏差
有问题到淘宝找“大数据部落”就可以了 可以看到数据中一共有这些变量: colnames(trans.list) [1] "住院号""流水号" [3] "病案号""姓名" [5] "付款方式""合同单位" [7] "是否特病""住院次" [9] "性别""出生年月日" [11] "年龄""新生儿月份" [13] "新生儿体重""新生儿入院体重" [15] "婚姻""职业" [17] "出生地""民族" [19] "国籍""身份证号" [21] "出生地.省""市" [23] "县""籍贯.省" [25] "市.1""现住址.省" [27] "市.2""县.1" [29] "X""邮编" [31] "户口地址.省""市.3" [33] "县.2""X.1" [35] "邮编.1""工作单位及地址" [37] "工作单位电话""工作单位邮编" [39] "入院日期""入院途径" [41] "入院科别""出院科别" [43] "出院日期""出院科别" [45] "住院天数""门.急.诊诊断" [47] "门.急.诊诊断ICD""入院诊断" [49] "入院诊断ICD.10""病理诊断" [51] "病理诊断ICD.10""其他诊断" [53] "其他诊断ICD.10""出院诊断" [55] "出院诊断ICD.10""入院病情" [57] "损伤.中毒""药物过敏" [59] "过敏药物名称""日期" [61] "手术.操作编码""手术.操作名称" [63] "手术级别""手术.操作日期" [65] "麻醉方式""切口种类" [67] "愈合等级""尸检" [69] "血型""Rh" [71] "出院诊断2""入院病情2" [73] "出院诊断3""入院病情3"
关联规则数据挖掘 学习报告
目录 引言 2 案例 2 关联规则 3 （一）关联规则定义 （二）相关概念 （三）关联规则分类 数据 6 （一）小型数据 （二）大型数据 应用软件7 （一）WEKA （二）IBM SPSS Modeler 数据挖掘12 总结27
一、引言 数据库与互联网技术在日益发展壮大，人们每天可以获得的信息量呈指数级增长。如何从这浩如瀚海的数据中找出我们需要的数据显得尤为重要。数据挖掘又为资料探勘、数据采矿。它是数据库知识发现中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。 数据挖掘大致分为以下几类：分类（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)。 二、案例 "尿布与啤酒"的故事。 在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。 按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。
1．目的 使全体员工了解公司产品编码规则及编码中相应代码含义，便于产品编码的统一管理。 2．范围 公司内部用于产品方面的所有包装成品、光身成品、自制件/组件、外购件及非生产物料。 3．职责 工程部负责编制所有编码； 各部门部负责编码规则的对应物料、组件和成品的组织与实施。 4．物料分类及定义 分类：包装成品，光身成品，自制件/组件，外购件及非生产物料； 定义： 包装成品：由自制件/组件、外购件组成具有一定功能可直接用于销售的产品； 光身成品：由自制件/组件、外购件组成具有一定功能且无需要再加工的产品（无包装）； 自制件/组件：由公司内部通过不同的加工工艺完成的部件； 外购件：由公司外购回来需再加工的物料或部件； 非生产物料：由公司外购回来并用于各部门的非生产物料； 5.编码规则 编码组成= 一级分类（大类）+二级分类（中类）+三级分类（小类）…….. 编码长度：包装成品（12位数字），光身成品、外购件、自制件/组件及非生产物料（8位数字） 6. 规则示意图及说明如下： XXX 五金制品有限公司 文 件 版 本 A/0 文 件 编 号 编码规则 页 次 1/11 QP-7.3.0-02 生效日期 2017-06-28
包装成品编码总表 一级分类二级分类三级分类四级分类五级分类六级分类 类别编码类别编码类别编码类别编码类别编码类别编码 包装成品8 底盘系列 1 NB款01 无任何功能00 流水号 00 客户编码 0000-9999 NG款02 仅升降01 01 NT款03 仅背逍遥02 02 ND款04 仅座逍遥03 03 …… 导轨系列 2 27款01 常规00 流水号 00 客户编码0000-9999 35款02 反弹01 01 45款03 缓冲02 02 53款04 自锁03 03 隐藏款05 …… 钢铀系列 3 400款01 常规00 流水号 00 客户编码0000-9999 500款02 折叠01 01 …… 电脑周边 系列 4 液晶支架01 常规00 流水号 00 客户编码 （通用可省略） 0000-9999主机架02 单臂01 01 键盘架03 双臂02 02 杂志架04 滑动03 03 转动04 04 …… 翻床系列 5 QF款01 SF款01 流水号 01 客户编码 （通用可省略） 0000-9999 CF款02 SZ款02 02 03 SJ款03 03 04 SF/SJ款04 04 SZ/SJ款05 05 SF/SZ款06 06 …… … 6 …… …7 …… …8 …… …9 …… 外购件 成品系列 底盘系列01 头抌类01 流水号 01 客户编码 （通用可省略） 0000-9999 通用省略导轨系列02 网架类02 02 钢铀系列03 扶手类03 03 XXX五金制品有限公司文件版本 A/0 文件编号编码规则页次2/11 QP-7.3.0-02 生效日期2017-06-28
同学录设计论文 第一章前言 Internet是目前世界上最大的计算机互联网络，它遍布全球，将世界各地各种规模的网络连接成一个整体。作为Internet上一种先进的，易于被人们所接受的信息检索手段，World Wide Web(简称WWW)发展十分迅速，成为目前世界上最大的信息资源宝库。据估计，目前Internet上已有上百万个Web站点，其内容范围跨越了教育科研、文化事业、金融、商业、新闻出版、娱乐、体育等各个领域，其用户群十分庞大，因此，建设一个好的Web站点对于一个机构的发展十分重要。 近年来计算机技术的快速发展，特别是计算机网络的发展，越来越深刻的改变了人们生活的方方面面。使得人们能以更低廉的价格，开发出更方便、更实用的网络工具。各种在线服务系统，更是深刻的影响了人们的联系方式，使得人们可以在远隔千里之遥随时通讯。过去的种种陈旧的联系方式，已经不能满足现代生活的需要。同学录作为一种方便同学之间联系的实用系统便应运而生。工商同学录是为工商同学之间进行交流和联系提供的一个平台。通过提供完善的同学录服务和规范同学录的管理，可以达到增进同学之间、同学与母校之间的感情，方便校友联系的目的。 要实现这样的功能，离不开后台数据库的支持。用户验证信息，收集到的用户点击信息，主题层次信息，分析得出的关联规则表等大量的数据都由数据库管理系统管理。本文中数据库服务器端采用了Microsoft Access数据库作为ODBC(Open DataBase Connectivity )数据源，并以先进的ADO（ActiveX Data Objects）技术进行数据库存取等操作，使Web与数据库紧密联系起来。 整个个性化页面生成系统主要由使用Dreamweaver_MX开发的关联规则采掘系统和利用IIS+ASP技术实现的个性化Web页面生成器两部分组成。关联规则采掘系统对数据库中的历史记录进行分析，产生用户关联规则表；页面生成器则负责记录用户行为和根据关联规则表动态生成用户个性化Web页面。二者通过数据
生产实习报告书 报告名称基于单片机的温度控制系统设计姓名 学号0138、0140、0141 院、系、部计算机与通信工程学院 专业信息工程10-01 指导教师 2013年 9 月 1日
目录 1.引言.................................. 错误!未定义书签。 2.设计要求.............................. 错误!未定义书签。 3.设计思路.............................. 错误!未定义书签。 4.方案论证.............................. 错误!未定义书签。方案一................................................. 错误!未定义书签。方案二................................................. 错误!未定义书签。 5.工作原理.............................. 错误!未定义书签。 6.硬件设计.............................. 错误!未定义书签。单片机模块............................................. 错误!未定义书签。 数字温度传感器模块 .................................... 错误!未定义书签。 DS18B20性能......................................... 错误!未定义书签。 DS18B20外形及引脚说明............................... 错误!未定义书签。 DS18B20接线原理图................................... 错误!未定义书签。按键模块............................................... 错误!未定义书签。声光报警模块........................................... 错误!未定义书签。数码管显示模块......................................... 错误!未定义书签。 7.程序设计.............................. 错误!未定义书签。主程序模块............................................. 错误!未定义书签。 读温度值模块.......................................... 错误!未定义书签。 读温度值模块流程图： ................................. 错误!未定义书签。
数据挖掘考试题目——关联分析 一、10个选择 1.以下属于关联分析的是（） A．CPU性能预测B．购物篮分析 C．自动判断鸢尾花类别D．股票趋势建模 2.维克托?迈尔-舍恩伯格在《大数据时代：生活、工作与思维的大变革》一书中，持续强调了一个观点：大数据时代的到来，使我们无法人为地去发现数据中的奥妙，与此同时，我们更应该注重数据中的相关关系，而不是因果关系。其中，数据之间的相关关系可以通过以下哪个算法直接挖掘（） A．K-means B．Bayes Network C．C4.5 D．Apriori 3.置信度(confidence)是衡量兴趣度度量（）的指标。 A．简洁性B．确定性 C．实用性D．新颖性 4.Apriori算法的加速过程依赖于以下哪个策略（） A．抽样B．剪枝 C．缓冲D．并行 5.以下哪个会降低Apriori算法的挖掘效率（） A．支持度阈值增大B．项数减少 C．事务数减少D．减小硬盘读写速率 6.Apriori算法使用到以下哪些东东（） A．格结构、有向无环图B．二叉树、哈希树 C．格结构、哈希树D．多叉树、有向无环图 7.非频繁模式（） A．其置信度小于阈值B．令人不感兴趣 C．包含负模式和负相关模式D．对异常数据项敏感 8.对频繁项集、频繁闭项集、极大频繁项集的关系描述正确的是（）[注：分别以1、2、3代表之] A．3可以还原出无损的1 B．2可以还原出无损的1 C．3与2是完全等价的D．2与1是完全等价的 9.Hash tree在Apriori算法中所起的作用是（） A．存储数据B．查找 C．加速查找D．剪枝 10.以下不属于数据挖掘软件的是（） A．SPSS Modeler B．Weka C．Apache Spark D．Knime 二、10个填空 1.关联分析中表示关联关系的方法主要有：和。 2.关联规则的评价度量主要有：和。 3.关联规则挖掘的算法主要有：和。 4.购物篮分析中，数据是以的形式呈现。 5.一个项集满足最小支持度，我们称之为。 6.一个关联规则同时满足最小支持度和最小置信度，我们称之为。
数控编程代码大全FANUC车床G代码 FANUC铣床G代码 FANUC M指令代码 SIEMENS铣床 G代码 SIEMENS802S/CM 固定循环 SIEMENS802DM/810/840DM 固定循环 SIEMENS车床 G 代码 SIEMENS 801、802S/CT、 802SeT 固定循环SIEMENS 802D、810D/840D 固定循环 HNC车床G代码 HNC铣床G代码 HNC M指令 KND100铣床G代码 KND100车床G代码 KND100 M指令 GSK980车床G代码 GSK980T M指令 GSK928 TC/TE G代码 GSK928 TC/TE M指令 GSK990M G代码 GSK990M M指令
GSK928MA G代码 GSK928MA M指令 三菱 E60 铣床G代码 DASEN 3I铣床G代码 DASEN 3I车床G代码 华兴车床G代码 华兴M指令 华兴铣床G代码 华兴M指令 仁和32T G代码 仁和32T M指令 SKY 2003N M G代码 SKY 2003N M M指令 1.FANUC车床G代码 G代码解释 G00定位 (快速移动) G01直线切削 G02顺时针切圆弧 (CW，顺时钟) G03逆时针切圆弧 (CCW，逆时钟) G04暂停 (Dwell) G09停于精确的位置 G20英制输入
G21公制输入 G22内部行程限位有效 G23内部行程限位无效 G27检查参考点返回 G28参考点返回 G29从参考点返回 G30回到第二参考点 G32切螺纹 G40取消刀尖半径偏置 G41刀尖半径偏置 (左侧) G42刀尖半径偏置 (右侧) G50修改工件坐标；设置主轴最大的 RPMG52设置局部坐标系G53选择机床坐标系 G70精加工循环 G71内外径粗切循环 G72台阶粗切循环 G73成形重复循环 G74Z 向步进钻削 G75X 向切槽 G76切螺纹循环 G80取消固定循环 G83钻孔循环
淘宝店铺介绍范文6篇 淘宝店铺介绍范文6篇 淘宝店铺介绍范文简洁明了型：1、欢迎光临本店，本店新开张，诚信经营，只赚信誉不赚钱，谢谢。 2、本店商品均属正品，假一罚十信誉保证。欢迎广大顾客前来放心选购，我们将竭诚为您服务! 3、本店专门营销什么什么商品，假一罚十信誉保证。本店的服务宗旨是用心服务，以诚待人! 4、大家好。小店主营：……，虽然刚开张，但始终把诚信放在首位，也希望和大家交朋友，小店的经营理念是“服务无止境，口碑永流传”，新品陆续上架中，亲们可以常来看看哦。 适合网店：品牌店、代理店 详细型：欢迎光临本店，您的支持是我们最大的前进动力，本店所有产品均低价销售，并且保证质量，需要的亲请放心购买，我们一定会给您一个最舒心的购物体验！ 本店所有的商品照片为专业摄影师拍摄，后期精心修制及色彩调整，尽量与实际商品保持一致，但由于拍摄时用光、角度、显示器色彩偏差、个人对颜色的认知等方面的差异，导致实物可能会与照片存在一些色差，最终颜色以实际商品为准。请在购买前与我们客服充分沟通后做出慎重选择。色差问题将不被我们认可当退换货的理由！ 欢迎光临本店！本店提供优质的商品，完美的售后服力，让您买
得放心，买得舒心！所有商品价格已经是最低，请勿议价！有任何疑问请与下面亮灯客服联系，将为您提供耐心解答！ 本店郑重承诺，我们将一如既往为各位顾客带来优质的服务！三年来，我们一步一个脚印的成长着，能够做到性价比最优，请各位放心购买！本店默认XX快递，如有特别要求联系客服备注！有任何问题请联系亮灯客服。 独特型：一间芝麻大的小铺八仙过海各抒己见 两三个月煞费苦心小九九咱向来不精 三番四次精心修整十分诚意还要加二 五月终可开张经营百分热情双倍才行 六七淘友常常相聚千挑万选献上宝贝 七嘴八舌谈生意经亲们满意才是双赢 或者 你可以把你产品的优势，服务的优势，或者店铺的特点写出来，就算实在找不出，就自己创造广告语。比如写一首幽默的打油诗之类的也行! 例如： 1、你我互不相识，相互间的信任建立于对双方的尊重，，我会珍惜和善待这份信任。努力做好自己的坚持.。同时也请各位串门的朋友善待我的这份劳动。 2、为了我们大家能更幸福的相处，第一次串门的mm们请一定先看初购需知
数据挖掘实验报告（二）关联规则挖掘 姓名：李圣杰 班级：计算机1304 学号：1311610602
一、实验目的 1. 1.掌握关联规则挖掘的Apriori算法； 2.将Apriori算法用具体的编程语言实现。 二、实验设备 PC一台，dev-c++5.11 三、实验内容 根据下列的Apriori算法进行编程：
四、实验步骤 1.编制程序。 2.调试程序。可采用下面的数据库D作为原始数据调试程序，得到的候选1项集、2项集、3项集分别为C1、C2、C3，得到的频繁1项集、2项集、3项集分别为L1、L2、L3。
代码 #include chkdat函数（72页） function [n1,k]=chkdat(sd,pn,n1) n=length(n1); k=0; for i=1:n i1=0; for j=1:sd if(n1(i)==pn(j)) i1=1; n1(i)=j; break; end end if(i1==0) % fprintf(fit2,'%5d %5d\n',i,n1(i) k=1; end end return readlevelnetdata函数（73页） function [ed,dd,sd,gd,pn,h0,k1,k2,h1,s]=readlevelnetdata global filename filepath; global ed dd sd pn gd h0 k1 k2 h1 s k11 k12; k1=[];k2=[];h=[];s=[]; [filename,filepath]=uigetfile('*.txt','选择高程数据文件'); fid1=fopen(strcat(filepath,filename),'rt'); if(fid1==-1) msgbox('Input File or Path is not correct','Warning','warn'); return; end ed=fscanf(fid1,'%f',1); dd=fscanf(fid1,'%f',1); sd=ed+dd; gd=fscanf(fid1,'%f',1); pn=fscanf(fid1,'%f',sd); h0=fscanf(fid1,'%f',ed); h0(dd+1:ed+dd)=h0(1:ed); heightdiff=fscanf(fid1,'%f',[4,gd]); heightdiff=heightdiff'; k1=heightdiff(:,1);%起点 k2=heightdiff(:,2);%终点 k11=heightdiff(:,1);%起点 聚类分析和关联规则属于数据挖掘这个大概念中的两类挖掘问题， 聚类分析是无监督的发现数据间的聚簇效应。 关联规则是从统计上发现数据间的潜在联系。 细分就是 聚类分析与关联规则是数据挖掘中的核心技术； 从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中，如SPSS、SAS等。 从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。 聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。 从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法（如分类和定性归纳算法）的预处理步骤。 关联规则挖掘过程主要包含两个阶段：第一阶段必须先从资料集合中找出所有的高频项目组(FrequentItemsets)，第二阶段再由这些高频项目组中产生关联规则(AssociationRules)。 关联规则挖掘的第一阶段必须从原始资料集合中，找出所有高频项目组(LargeItemsets)。高频的意思是指某一项目组出现的频率相对于所有记录而言，必须达到某一水平。 关联规则挖掘的第二阶段是要产生关联规则(AssociationRules)。从高频项目组产生关联规则，是利用前一步骤的高频k-项目组来产生规则，在最小信赖度(MinimumConfidence)的条件门槛下，若一规则所求得的信赖度满足最小信赖度，称此规则为关联规则。 网页制作之前，首先要考虑自己模板的基本布局。先不要着急用dreamweaver开始编辑，正式编辑之前我建议朋友们多看一些别人的作品，总结出宝贝描述模板的大体布局方法，需要的各个选项！最好的办法就是先纸上谈兵，在纸上用笔先勾画出描述模板的布局，注明需要做的一些工作等。不过，宝贝模板的主要 模块我总结就是以下就是几块 A. 商品的大图B。商品的描述C买家事宜D配送方法E店铺分类F 店铺连接 可以在纸上粗粗描绘一下大体的布局，然后再开始下面的工作。 2、准备素材。做网页不能没有素材，素材就是指一些养眼的图片，文字，背景等资源。还有最重要的，也最可能用到的就是你店铺的logo，宝贝的图片，文字介绍跟店铺商品有关的一切了。把这些素材都统统归到一个目录下面（真正正规的编辑方法是按照文件夹来组织自己的素材），方便以后寻找。另外，为了做出更好的效果，可能还要动用一下photoshop这个工具，特别对图片处理都离不开它。下载的方法象上面 所说的就可以了。 3、现在基本的东西已经准备好了。那么就开始做吧。 A。首先打开Dreamweaver ，新建一个html网页。这个时候工作台上你看到一个白色的区域，就是编辑 区域了。 B。添加表格进行布局。这一点很重要，因为表格能够比较方便的让我们进行布局的分配，以及以后各种素材的定位。有了表格，我们心里面就对布局基本有数了。在表格里面可以添加我们的素材，文字，更改背景等。这些文字一般是通用的文字，固定不变的，不会随着宝贝的不同而变化，比如【买家事宜】，【配送方法】等标题性和说明性的文字。这个时候我们还要留出放置宝贝图片，和宝贝描述的位置，这些都是会变化的，因为每个宝贝的图片，和描述都是不同的。因此一定要留出这个位置。 提示：这一步之前首先要把需要用到的图片上传网络上去，我推荐给大家这个网站。首先上传有一个好处，以后在使用图片的时候，直接可以找到图片，然后复制下该图片的连接添加到图像占位符的来源上 面就可以了，不用再一边上传图像，一边编辑网页。 C。在需要添加图片的位置上，添加一个图像占位符，记住，宝贝描述模板中所有的图像都一定是一个图像占位符，不能直接图像。添加完后我们看到一个断裂的方块，证明该对象是个图像占位符。 【重点理解】为什么不直接插入图像呢？直接插入图像在淘宝里面是无法显示的。在要放置图像的地方，包括背景图等都要使用图像占位符。有了图像占位符，等于是先占好了这个位置，然后在这个位置上添加相应的图片连接地址，这样当在浏览器中查看网页的时候，浏览器自己按照图片的连接地址下载图像，就 可以显示出自己想要的图片了。这点很重要哦。 特别需要说明一下，对于背景图片以及固定显示不变的图片，编辑的时候应该把相应的图片连接地址输入到图像占位符的图像来源里面。这样，就无需在淘宝里面再编辑这些固定的图片，只需要更改宝贝图片就可以了。至于图片的存储地址，163网站是不支持的D。在其它位置上也添加一些图像占位符，比如店铺logo，店铺分类等等，这些位置可以为你以后操作带来方便。 E。把图像占位符的地方填好图片的网络连接地址，具体到每个商品图片时候，我们在淘宝里宝贝编辑器中再填进来。在淘宝的宝贝描述编辑器里，我们找到该商品的图片连接地址，填到图像占位符的图片来源上就可以了。这样的话，只需要改动商品图片图像占位符的图像来源地址，就可以显示我们想要的图片了。 数据挖掘第一次作业 第一题： (a).由最大-最小规范化公式vi′=vi?minA maxA?minA new_maxA?new_minA+new_minA得 35规范化后的值为35?13 70?13 1?0+0=0.386 (b).先计算属性的均值A’和标准差σA A’=1 n (v1+v2+?+v n)=1 27 13+15+16+?+70=29.963 35经过Z分数规划后的结果为v?A′ σA =35?29.963 12.94 =0.38 (c).由于属性绝对值最大为70，我们用100来除每个值 35规范化后的结果为 0.35 (d).最大—最小规范方法保持原始数据值之间的联系；Z分数规范化当属性的最大值和最小值未知，或离群点左右了最小-最大规范化时，该方法有用；小数定标规范化过于简单。我比较喜欢最小-最大规范化，因为这种方法计算起来没有Z分数复杂，并且不会使原始数据改变很多，保留了它们之间的联系。 第二题： (a).?X∈transaction,共有4个事务，最小相对支持度为60%，因此最小支持度计数阀值为3，用Apriori算法找到最大的频繁项集 L3={Milk, Cheese, Bread}，过程如下： L3的非空子集{Milk,Cheese},{Milk,Bread},{Cheese,Bread},{Milk},{Cheese},{Bread},结果关联规则如下： {Milk, Cheese}=>Bread, confidence=3/3=100% {Milk, Bread}=>Cheese, confidence=3/4=75% {Cheese, Bread}=>Milk, confidence=3/3=100% Milk=>{Cheese, Bread}, confidence=3/4=75% Cheese=>{Milk, Bread}, confidence=3/3=100% Bread=>{Milk, Cheese}, confidence=3/4=75% 由于min_conf=80%,所以只有第一个、第三个和第五个规则可以输出，是强规则。即，所有强规则如下： ?X∈transaction buys(X, Milk)^buys(X, Cheese)=>buys(X, Bread) ?X∈transaction buys(X, Bread)^buys(X, Cheese)=>buys(X, Milk) ?X∈transaction buys(X, Cheese)=>buys(X, Milk)^ buys(X, Bread) (b)?X∈customer,共有3个事务，最小相对支持度为60%，因此最小支持度计数阀值为2，用Apriori算法找到的最大频繁项集 L2={{Sunset-Milk, Dairyland-Cheese, Wonder-Bread}, {Dairyland-Milk, Wonder-Bread, Tasty-Pie} }共两个最大频繁项集 过程如下： 系统控制代码 /* 不知道你是要写转速闭环控制程序还是功能测试时计算转速。 如测试时计算转速： 1.可用转速计直接测试 2.可用示波器看反电动势波形的频率进行计算。频率/极对数*60即为每分钟转速。 如是写转速闭环控制程序，这个比较复杂。分为加速/减速/匀速三种情况来写。 一般为连续换12次相/2即为一圈时间（以三相六极匀速为例）。 转速=60*F/磁极，F为电源频率，一般为50，磁极SN为1 3.?同步电动机的转速=60*频率/?极对数（我国工频为50Hz) 异步电动机转速=（60*频率/?极对数）×转差率 电机转速与频率的公式?n=60f/p?上式中? n——电机的转速（转/分）；?60——每分钟（秒）；?f——电源频率（赫芝）；?p——电机旋转磁场的极对数。? */ /* 由于一个特定的优先级可被分配给多个中断请求源，因此提供了一种解决给定用户分配优先级内优先级冲突的方法。 每个中断源都有一个自然顺序优先级，这由其在IVT中的位置决定。表28-2给出了每个中断源在IVT中的位置。中断向量的编号越低 ，其自然优先级越高，而向量的编号越高，其自然优先级越低。任何待处理的中断源的总优先级都 首先由该中断源在中断优先级控制（IPCx）寄存器中的用户分配优先级决定，然后由IVT中的自然顺序优先级决定。 自然顺序优先级仅用于解决具有相同用户分配优先级而同时等待处理的中断之间的冲突。一旦解决了优先级冲突， 异常处理过程就开始了，CPU只能被具有更高用户分配优先级的中断源中断。在异常处理过程开始后才等待处理的中断， 如果它与当前正在处理的中断具有相同的用户分配优先级，即便具有较高的自然顺序优先级， 作业一： 1. 给出一个例子，其中数据挖掘对于商务的成功是至关重要的。该商务需要什么数据挖掘功能？它们能够由数据查询处理或简单的统计分析来实现吗？ 答：1)Yahoo!通过对用户使用行为的意外模式分析，发现在每次会话中，人们 阅读邮件和阅读新闻的行为之间存在很强的相关关系。Yahoo!电子邮箱产品小组验证了这种关系的影响：在一组测试用户的邮箱首页上显示一个新闻模块，其中的新闻标题被醒目显示。用户的流失率显著下降，实际上，在这次试验中，最弱的一组流失率下降了40%！于是Yahoo!立刻开发并完善了新闻模块，并嵌入Yahoo!电子邮箱的首页，到现在，上亿的消费者都可以看到并使用这种产品。可见，数据挖掘对商务的成功是至关重要的。 2)该商务应用了关联规则数据挖掘功能。 3)用于数据或信息检索的数据查询处理不具有发现关联规则能力。同样，简单的统计分析不能处理大量的数据。 2. 使用你熟悉的生活中的数据库，给出关联规则挖掘、序列模式分析、分类、聚类、孤立点分析等数据挖掘功能的例子。 答：关联规则挖掘的例子：如果顾客买了尿片与牛奶，他很可能买啤酒。把啤酒放在尿片的附近。 序列模式分析的例子：买了喷墨打印机的的顾客中，80%的人三个月后又买了墨盒。 分类数据挖掘功能的例子：信用卡发放 聚类数据挖掘功能的分析：人脸识别 孤立点分析的例子：信用卡公司需要检测大量的支付行为。可以利用支付行为中的地点、支付类型以及支付频率等信息检测出孤立点。 3. 与挖掘少量数据相比，挖掘海量数据的挑战有哪些？ 答：1)规模大 高效算法, 并行处理 2)高维特性 导致搜索空间指数级的增长，维度约减 3)过拟合 因过分强调对训练样本的效果导致过度拟合，使得对未知预测样本效果就会变差 4)动态、缺失、噪音数据 5)领域知识的运用 6)模式的可理解性 2.4 假设医院对18个随机挑选的成年人检查年龄和身体肥胖，得到如下结果： (a) 计算age 和%fat 的均值、中位数和标准差。 (b) 绘制age 和%fat 的盒图。 (c) 绘制基于这两个变量的散点图和q-q 图。 答： 22222222)4656()4654())4654()4652()4650()4649()4647(-+-+-+-+-+-+-+94.174])4661()4660()4658()4658()4657(22222=-+-+-+-+-+ 淘宝宝贝详情页代码（超经典模板） 打造高转化率的淘宝宝贝详情页，这个淘宝宝贝详情页代码需要的淘友们拿去按照自己制作一个，我也只是对现在淘宝的宝贝详情做了一个整理。没有下任何结论，大家都知道做淘宝拼的是细节，谁能这些内容全部做到极致，谁就是真正的牛人！淘巧好，好淘巧 淘宝宝贝详情页代码本文内容来自淘巧网 一、宝贝属性 a) 宝贝名称 i. 30字一字不能少 ii. 使用空格代替/ iii. 命名规则：活动特殊词（特殊情况）+品牌（趣尚亦派）+类目爆词（6字以内）+产品特性词（4字以内）+产品风格（2字）+类目属性词 1. 参考同行 2. 数据魔方 3. 淘词 4. 淘宝下拉框自动推荐 例如：趣尚亦派2011新款夏装女童韩版休闲可爱无袖印花碎花蓝色牛仔连衣copyright https://www.doczj.com/doc/8b15029673.html, b) 1张首图（支持放大镜，图片大于800*800像素） c) 4张细节图（支持放大镜，图片大于800*800像素） i. 申请细节服务（暂时没有童装类目） d) 类目参数（必须全部选完整，宁滥勿缺） e) 库存和尺码 f) 建立快递模板 g) 最后一张图放质检报告 二、开通信用卡服务 三、满就送 淘巧好，好淘巧 四、搭配套餐 五、品牌文化（品牌故事） 六、店铺公告 a) 活动公告 b) 实体店图片 copyright https://www.doczj.com/doc/8b15029673.html, c) 会员制度；会员管理可参考https://www.doczj.com/doc/8b15029673.html,/topic/57185 七、同类型推荐 八、搭配推荐 九、视频展示（暂时不做） 十、好评文字（做活动必备） copyright https://www.doczj.com/doc/8b15029673.html, 十一、宝贝参数 i. 文字描述 1. 推荐描述 2. 工艺特色 3. 消保第三方质检服务 参考https://www.doczj.com/doc/8b15029673.html,/item.htm?id=9484534210&prc=1 ii. 衣服详参 1. 颜色 2. 尺码 3. 面料 本文内容来自淘巧网 iii. 洗涤建议（售后服务） iv. 包装盒 b) 宝贝图片一共不能少于15张 i. 模特实拍图（5-10张）基于MATLAB的控制网平差程序设计--第四章源代码
聚类分析、数据挖掘、关联规则这几个概念的关系
dreamweaver制作 淘宝宝贝描述模板制作教程
数据挖掘作业
系统控制代码
数据挖掘作业
淘宝宝贝详情页模版_淘宝开店必备
相关主题
文本预览