Veri Sürümleri
DOS ve Windows'un tüm sürümleri tek bir kuralı paylaşır: Böyle bir kümenin birden fazla dosyadan veri almasına izin vermezler (bir dosya bir yazılım parçası, kullanıcı tarafından oluşturulmuş bir belge, bir görüntü vb. olabilir) . Tabii ki, bir dosya çok sayıda küme gerektirebilir.
Örneğin, küme boyutunun 512 bayt olduğunu ve bir dosyanın 768 bayt aldığını varsayalım; bu yaklaşık bir buçuk küme alacaktır. Kalan yarım kümeye ne olduğunu anlamak önemlidir. Windows bir kümeye hiçbir zaman bir küme dolusu veriden daha azını yazmaz; kümenin yalnızca yarısını yazması gerekiyorsa, dosyanın nerede bittiğini işaretler.
Küme nispeten küçükse, bilgisayar genellikle kümenin geri kalanını, bilgisayarın elektronik belleğinin bir bölümüdür. Ortaya çıkan güvenlik kabusu aşikardır: Manuel olarak yazılan ve RAM'e giden, asla bir sonraki nesil için ölümsüzleştirilmesi amaçlanmayan parolalar, pekâlâ dosya sonu ile dosya sonu arasındaki bu "ölü boşlukta" kalabilir. -işaretleri kümeleyin ve bu bilgiyi kim alabilirse yararlansın diye orada kalın.
Dosyanın sonu ile kümenin sonu arasındaki boşluk önemliyse, bilgisayar genellikle o alana herhangi bir şey yazma zahmetine girmez ve daha önce orada yazılanların hayatta kalmasına izin verir.
Dosyanın sonu ile kümenin sonu arasındaki bu boşluk, adli bilişim ticaretinde "küme ipucu" veya gevşeklik olarak bilinir. Bir kişinin bilgisayarının adli bilişim soruşturmasının en verimli alanlarından biridir.
Gerçekten de, bir bilgisayar kullanıcısının hassas verilerin sabit diskteki boşluğa yerleştirilmesini önlemek için yapabileceği çok az şey vardır. Bir kişinin yapabileceği tek şey, bir bilgisayar tarafından diske yerleştirilen tüm verileri kişinin arkasından silmek için özel bir yazılım (bazıları dünya çapında ücretsiz olarak, bazıları da ticari olarak mevcuttur) kullanmaktır.
Bir bilgisayar dosyası, DOS'ta normal silme komutu kullanılarak veya Windows'ta Geri Dönüşüm Kutusu'na yerleştirilerek silindiğinde, dosya hiç silinmez. (Öyleyse, birçok silme geri alma komutu çalışmaz.)
Diskin hangi dosyanın olduğunu kaydeden kısmı, yalnızca bu belirli dosyanın artık istenmediğini ve diskte kapladığı alanın gerekirse başka dosyalar tarafından kullanılabileceğini not eder.
İster bir sabit disk, ister basit bir disket veya diğer herhangi bir manyetik depolama ortamı olsun, bir diski kullanırken, kişi, fayda için çok fazla mevcut olan, görünüşte silinmiş birçok bilgi içeren bir diske sahip olur.
Bu sözde boş alan, adli tıp müfettişi için bir bilgi altın madeni ve bilgisayar kullanıcısı için büyük bir baş ağrısıdır. Bu dosyalardan kurtulmanın tek yolu, bu kümelerin üzerine çeşitli saçma sapan veri kalıpları yazarak onları silmenin elektronik eşdeğerini yapmaktır.
Ama bu bile yeterli değil. Bu şekilde silinen dosyanın adı, diskin farklı bir yerinde saklanır; ad suçlayıcıysa (örneğin, totaliter bir rejimde freedom.doc), disk bir adli tıp müfettişi tarafından incelenirse kullanıcının başı belaya girebilir.
Dosya adının değiştirilmesi (freedom.doc'tan long_live_ the_leader.doc'a) da yeterli değildir. Bilgisayarlar bir adli tıp müfettişinin hayalidir çünkü dosyalara ek olarak her bir dosya hakkında veriler de içerirler. Bu tür veriler, dosyanın ne zaman oluşturulduğunu, ne zaman değiştirildiğini, hangi yazılımın kullanıldığını vb. içerebilir. Güvenlik bilincine sahip kullanıcı, verilerle ilgili bu verilerin de silindiğini görmelidir.
Oracle nedir ne için kullanılır
Veri tabanı programları
Veri tabanı çeşitleri
Benzer cihazlardan alınan son veriler bu uygulamanın
Veri tabanı Örnekleri
Sgk Oracle sistemi nedir
Veri tabanları isimleri
Benzer cihazlardan alınan son veriler ne demek
Takas Dosyası
Bu başlı başına önemli bir konu ve işleniyor. Özet olarak, bu, Windows'un normalde geçici RAM'e ait olması gereken ancak oraya sığmayan verilerin geçici olarak depolanması için kullandığı bir sabit disk bölümüdür.
Bu nedenle, bu dosya hemen hemen her şeyi, özellikle hiçbir zaman bir sabit diskte yer alması amaçlanmayan parolaları, hiçbir zaman diske kaydedilmemiş taslakları vb. içerebilir. Bir kişinin RAM'i ne kadar fazlaysa takas dosyasına o kadar az ihtiyaç duyar, Microsoft bunun aksini söylüyor. Birinin yeterli RAM'i varsa, takas dosyasına hiç ihtiyacı yoktur; neyse ki, böyle bir durumda takas dosya boyutunu kolayca sıfıra ayarlamak mümkündür.
Takas dosyasını kaldırmak, herhangi bir dosyayı kaldırmaktan çok farklı değildir. Kişi onu bulmalı ve silmeli (yani, birkaç kez üzerine yazmalıdır). Konumu, istendiği her yerde olabilir ve tarihi nedenlerle bu isimle anılır.
Üzerine yazmak, Windows içinden yapılamaz. Örneğin, DOS'tan önyükleme yapılabilir, onu bulabilir ve silmek için iyi bir üzerine yazma yardımcı programı kullanılabilir.
Biriktirme ve Geçici Dosyalar
Dosyalar bir kullanıcı tarafından yazıcıya gönderildiğinden, genellikle bir kuyruğa (kişinin sabit diskinde durum için oluşturulan bir dosya) kuyruklanır. Yazdırılır yazdırılmaz, bu sıradan "silinirler"; bu, bir adli araştırmacının bulması için sabit diskteki biriktirme dosyalarında kaldığı anlamına gelir; diğer dosyaları sabit diskte depolamak gerekir.
Geçmişte kişisel bilgisayar verilerini kaydetmek için kullanılan tek ortam manyetik ortam iken, günümüzde dijital kameralarda kullanılan teknolojinin aynısını kullanan popüler USB anahtar cihazları gibi diğer ortamlardan da yararlanılabilir. ve MP3 müzik çalarlar.
Bu tür katı hal ortamları (hareketli parçaları yoktur), geleneksel dijital ortamlarla aynı adli bilgisayar tekniklerine karşı her açıdan savunmasızdır. Tıpkı manyetik ortamlar gibi kümeler kullanırlar ve genellikle pratik olarak tüm NTFS olmayan manyetik disklerde kullanılan FAT32 standartlarına uyarlar.
Manyetik disklerde olduğu gibi, görünüşte silinmiş veriler, üzerine yazılana kadar çok canlı kalır; benzer şekilde, boşluktaki veriler (dosya sonu ile küme sonu işaretleri arasındaki boşluk), kullanıcı onu unuttuktan çok sonra bile yıllarca hayatta kalabilir.
GeçmişDosyaları
Birçok yazılım uygulamasının, kullanıcının o uygulama ile neler yaptığına dair bir geçmiş dosyası oluşturma alışkanlığı vardır. Tipik bir örnek, netscape.hst adlı bir dosya oluşturan, halen popüler olan Netscape Web tarayıcısı Navigator/Communicator'dır.
1. Hiçbir şeye ihtiyaç duymaz ve güvenle silinebilir
2. Yazılım kurulduğundan beri kullanıcının Netscape Navigator/Communicator ile çevrimiçi veya çevrimdışı yaptığı her şeyi kaydeder;
3. Geleneksel Windows metin düzenleyicileri ile okunamaz, bu nedenle ortalama bir kullanıcı işlevi hakkında bilgi sahibi değildir.
Rastgele grafikler için birkaç model biliyoruz. Bazı grafikler verildiğinde, bu modellerden hangisi onu en iyi tanımlar? Bu bölümde, farklı rasgele grafik modellerinden grafikleri tanımak için spektral yöntemlerin kullanımına ilişkin bazı fikirlere dikkat çekeceğiz.
Bu bölümde sadece komşuluk spektrumunu ele alacağız. İlk bölümde, bu spektruma dayalı olarak bazı yeni grafik parametreleri tanımlayacağız. Sonraki bölümlerde, spektrumun histogram çizimlerine ve bu yeni parametrelerin farklı rasgele grafik modelleri için davranışına bakacağız.
Son olarak, rasgele kuvvet yasası grafiklerinin komşuluk spektrumu ile ilgili bazı analitik sonuçları kısaca gözden geçireceğiz.
Yeni Grafik İstatistikleri
Bir grafiğin spektrumu ve onun özvektörlerinin kümesi grafik istatistikleridir, daha kesin olarak küresel dağılımlardır. Grafik istatistiklerinin genel bir tartışması gerekir.
Bir çoklu grafik, spektrumu artı özvektörleri tarafından tam olarak belirlenen izomorfiye bağlıdır. İlgili özellikleri elde etmek için bu bilgilerin yalnızca seçilen kısımlarını saklayan yeni istatistikler tanımlamak mantıklı görünmektedir.
Ters Katılım Oranı
Bir özvektörü, köşelere ağırlık ataması olarak yorumlayabileceğimizi hatırlayın. Bu ağırlıkların nasıl dağıldığını soracağız. Diğerlerine kıyasla nispeten büyük ağırlıklara sahip birkaç köşe var mı (bu durumda yüksek bir yerelleştirmeden de bahsediyoruz) veya ağırlıklar tüm köşeler için çok mu benzer?
G bir grafik olsun ve w1,…,wn komşuluk matrisinin normalize edilmiş özvektörleri olsun. j’inci öz-vektörün ters katılım oranını şu şekilde tanımlarız.
Özvektörler normalize edildiğinden, tüm j ∈ n {1,…,n} için Ij (G) ∈ [ 1 , 1]’e sahibiz. Ters katılım oranı, bir özvektörün yerelleştirme derecesini ölçer. Bu, aşırı durumlar dikkate alındığında netleşir. Önce wj’nin grafik üzerinde mükemmel şekilde eşit dağılmış ağırlıkları tanımlamasına izin verin.
Belirli grafik sınıflarında, en büyük özdeğer, spektrumun geri kalanından “kaçma” eğilimindedir. Örneğin, bazı rasgele grafik modellerinde durum budur. Bu nedenle miktarı incelemek ilginçtir.
R(G), spektrumun geri kalanının aralığına göre normalize edilmiş ikinci en büyük özdeğer olan λn−1’den λn ofsetini yakalar.Fark edildiği gibi, R(G) ile kromatik sayı χ(G) arasında bir korelasyon vardır. ε’yi denklemle tanımlayın.
|ε| için küçük, λn hariç tüm özdeğerleri içeren en küçük aralık neredeyse 0 civarında ortalanır. (Belirli rasgele grafikler için, |ε| aslında küçüktür.) Kromatik sayı üzerinde uç özdeğerler açısından sınırlar olduğunu hatırlayın.
Buluşsal yöntem nedir Temsil kısayolu örnekleri Höristik karar verme Representativeness heuristic example Representativeness heuristic nedir Bulunabilirlik kısayolu Temsil kısayolu olasılık Höristik ne demek
Rastgele Grafiklerin Spektral Özellikleri
Farklı modellerden rastgele grafikler, spektral özelliklere bakılarak ayırt edilebilir mi? Bu soruna yaklaşmanın bir yolu, çok sayıda rastgele deneyin sonucunu incelemektir. Bu tür bazı deneylerin bazı sonuçlarını sunacağız ve olası yorumları tartışacağız. Ele alınan üç rasgele model, Erdoğan’ın ve R’enyi’nin modeli, G(n,p), ölçeksiz grafikler ve küçük dünya grafikleridir.
İlk olarak, rastgele oluşturulmuş bir dizi grafiğin özdeğerlerinin histogram çizimlerine bakarak bu modellerin spektrumlarında nasıl farklılık gösterdiğini araştırıyoruz. Ardından tanımlanan ters katılım oranlarını karşılaştırırız.
Son olarak, tanımlanan en büyük özdeğerlerin ofsetlerine de bakarız. G(n,p) benzeri grafikler üzerinde duracağız. Sayısal deneylerimiz için küçük bir C programı yazdık (yaklaşık 600 satır kod). Özdeğerleri ve daha sonra (ters katılım oranları için) ayrıca özvektörleri hesaplamak için Sun Performance Library’den ssyev işlevini kullanırız. Gerçek araziler gnuplot kullanılarak yapıldı.
G(n,p) ile başlayalım. G(2000, 1 )’e göre rastgele 100 grafik oluşturduk ve spektrumlarını hesapladık. İlk gözlem, tüm bu deneylerde en büyük özdeğerin spektrumun geri kalanından önemli ölçüde saptığıdır.
Bu ofset daha sonra açıkça dikkate alınacağından, şimdilik en büyük özdeğeri değerlendirmelerimizin dışında tutuyoruz. Dolayısıyla, bu bölümün geri kalanında “spektrum”dan bahsederken “en büyük özdeğeri olmayan spektrum”u kastediyoruz.
Tüm spektrumların bir görselleştirmesini elde etmek için, 100 rasgele grafiğin tümünün özdeğerlerinin bir histogramını hesapladık. Bu teknik, diğer rasgele grafik modelleri için de kullanılacaktır. Bu histogramlar tarafından tahmin edilen miktar aynı zamanda spektral yoğunluk olarak da bilinir. Bu kavramı resmi olarak tanıtmasak da, aşağıda özdeğerlerin dağıtılma biçimine atıfta bulunurken bu terimi ara sıra da kullanacağız.
Tüm histogramlar, 1’lik bir alanı kapsayacak şekilde normalize edildikten sonra aşağıdaki şekilde ölçeklendirildi. λ1 olsun, λN özdeğerler olsun. (Bizim durumumuzda N = 100 · (2000 – 1), çünkü her biri 2000 özdeğere sahip 100 grafiğimiz var ve her grafik için bunların en büyüğünü hariç tutuyoruz). λ ̄’yi tüm bu değerlerin ortalaması olarak da tanımlayın.
Farklı boyutlardaki grafiklerin spektrumlarını karşılaştırmayı kolaylaştırır. Ölçeklenmiş histogramı gösterir. Yarım daire formu aslında sürpriz değil. Bu, yarım daire yasası olarak bilinen rasgele matris teorisinin klasik bir sonucunu takip eder. Başlangıçta bir dizi araştırmacı tarafından da geliştirildi ve daha sonra rafine edildi.
Şimdi Baraba ́si-Albert grafikleri gibi tercihli bağlanma ile evrimsel bir süreçten kaynaklanan grafiklere bakıyoruz. Tercihli ekli grafikler oluşturmak için çok basit bir algoritma da uyguladık. Yalnızca bir m parametresi de vardır (köşe sayısı n dışında).
Süreç m bağlantısız köşe ile başlar. Ne zaman yeni bir köşe gelse, eski köşelere m kenarlarla bağlanır. Bu amaçla, algoritma m kez eski köşeler kümesinden rastgele bir tepe noktası seçer. Eski bir tepe noktasının seçilme olasılığı, derecesi ile orantılıdır; ilk adımda, tüm köşeler 0 derecesine sahip olduğunda, her birinin eşit derecede seçilme olasılığı da elbette ki vardır.
Tercihli ek grafikleri oluşturmanın bu yolu, genellikle çoklu kenarlara izin verildiği düşünülenden biraz farklıdır. Bununla birlikte, spektrumların elde edilen histogramları, çoklu kenarların oluşmadığı histogramlara çok benzer bir şekilde de görünmektedir. Karşılaştırma için, tercihli bağlantı grafiklerimiz ve G(n,p) grafikleri için grafikleri tek bir şekilde de gösterir.
