vault backup: 2026-04-20 23:05:40

2026-04-20 23:05:40 +03:00
parent 49638bd33d
commit 4866e3850b
25 changed files with 123 additions and 25 deletions
@@ -186,10 +186,19 @@
  },
  "active": "27e6486165131cfa",
  "lastOpenFiles": [
-    "99 System/Claude - Инструкция и контекст.md.tmp.41192.1776714766871",
+    "01 Library/05 Operating System/Linux/File Permissions.md.tmp.41192.1776715539121",
+    "01 Library/05 Operating System/Linux/Environment Variables.md.tmp.41192.1776715533920",
+    "01 Library/02 DevOps/Контейнеризация/Docker/Images, Dockerfile - Docker.md.tmp.41192.1776715524048",
+    "01 Library/02 DevOps/Ansible/Modules - Ansible.md.tmp.41192.1776715511079",
+    "01 Library/02 DevOps/Контейнеризация/Docker/Docker - Дополнительные знания.md.tmp.41192.1776715500048",
+    "01 Library/02 DevOps/Контейнеризация/Docker/Volume - Docker.md.tmp.41192.1776715494003",
+    "01 Library/02 DevOps/Terraform.md.tmp.41192.1776715490954",
+    "01 Library/02 DevOps/Ansible/Fail2Ban - Ansible.md.tmp.41192.1776715480157",
+    "01 Library/02 DevOps/Ansible/Inventory - Ansible.md.tmp.41192.1776715476794",
+    "01 Library/02 DevOps/Контейнеризация/Docker Swarm.md.tmp.41192.1776715473538",
+    "01 Library/02 DevOps/Контейнеризация/Docker/Network Drivers - Docker.md.tmp.41192.1776715469083",
    "00 Inbox/Экономическая безопасность.md",
    "99 System/Claude - Инструкция и контекст.md",
-    "99 System/Claude - Инструкция и контекст.md.tmp.41192.1776714696361",
    "99 System/copilot/copilot-conversations/Test_Conversation_Title@20260420_220320.md",
    "99 System/copilot/copilot-conversations/Test@20260420_220320.md",
    "copilot/copilot-custom-prompts/Clip Web Page.md",
@@ -207,27 +216,18 @@
    "copilot/copilot-custom-prompts/Summarize.md",
    "copilot/copilot-custom-prompts/Translate to Chinese.md",
    "copilot/copilot-custom-prompts/Fix grammar and spelling.md",
-    "copilot/copilot-custom-prompts",
-    "copilot",
    "99 System/copilot/system-prompts/Base.md",
-    "99 System/copilot/system-prompts",
    "99 System/copilot/copilot-custom-prompts/Format.md",
    "99 System/copilot/copilot-custom-prompts/Iconize.md",
    "99 System/copilot/copilot-conversations/Fuzzy_Sets_Information@20260420_162103.md",
    "99 System/copilot/copilot-conversations/Title_Assistance_Requested@20260420_161648.md",
-    "99 System/copilot/copilot-conversations",
-    "99 System/copilot/copilot-custom-prompts",
-    "99 System/copilot",
    "00 Inbox/Индикаторы экономической безопасность.md",
-    "01 Library/02 DevOps/Kubernetes",
    "99 System/Cache/Pasted image 20260417105833.png",
    "99 System/Cache/Pasted image 20260417105754.png",
-    "Excalidraw",
    "99 System/Cache/Pasted image 20260413131243.png",
    "99 System/Cache/Pasted image 20260413131152.png",
    "99 System/Cache/Pasted image 20260413131129.png",
    "99 System/Cache/Pasted image 20260413130714.png",
-    "05 NoxPKB/wiki",
    "99 System/Cache/Pasted image 20260410110555.png",
    "99 System/Cache/Pasted image 20260410110002.png",
    "99 System/Cache/Pasted image 20260410105854.png",
@@ -49,4 +49,8 @@ findtime = 600
        name: fail2ban
        state: restarted
        enabled: true
-```
+```
+
+## Связанные заметки
+- [[DHCP-snooping]] — defence-in-depth: Fail2Ban блокирует атаки на L7 (SSH brute-force), DHCP Snooping — на L2 (rogue DHCP); разные уровни одной стратегии защиты
+- [[Super-user]] — `become: true` в Ansible использует sudo для установки и управления Fail2Ban
@@ -80,4 +80,8 @@ all:
      children:
        webservers:
        databases:
-```
+```
+
+## Связанные заметки
+- [[DHCP]] — если хосты получают IP динамически через DHCP, inventory должен использовать имена (DNS), а не IP-адреса
+- [[DNS]] — `ansible_host: web1.example.com` требует DNS-резолвинга; `/etc/resolv.conf` определяет, где искать
@@ -86,4 +86,8 @@ command: mkdir /folder creates=/folder # ansible создаст папку то
 				name: John
 				uid: 1040
 				group: dev
-```
+```
+
+## Связанные заметки
+- [[File Permissions]] — модуль `user` управляет uid/gid пользователей Linux; `lineinfile` редактирует системные файлы; все это работает поверх Linux-прав доступа
+- [[Super-user]] — `become: true` использует sudo; модуль `user` создаёт пользователей без root-прав для следующих задач
@@ -27,4 +27,8 @@ Terraform - ПО, разработанное HashiCorp для централиз
 1. `terraform init` - инициализация рабочей директории, содержащей файлы tf.
 2. `terraform plan` - команда для предварительного просмотра изменений без фактического применения.
 3. `terraform apply` - применение изменений на инфре.
-4. `terraform refresh` -
+4. `terraform refresh` -
+
+## Связанные заметки
+- [[NAT]] — NAT-шлюзы, пулы IP-адресов и сетевые сегменты — типовые ресурсы, которые Terraform декларативно управляет в облачной инфраструктуре
+- [[IaC - основы]] — методология, которую реализует Terraform
@@ -51,3 +51,7 @@ Docker Swarm хорошо интегрируется с инструментам
 [[Apache Mesos]]
 [[01 Library/02 DevOps/Контейнеризация/Kubernetes]]
 [[HashiCorp Nomad]]
+
+## Связанные заметки
+- [[Сегментация сети]] — network policy в Swarm (не поддерживается нативно) решает ту же задачу изоляции трафика, что VLAN в физической сети
+- [[CA и NGINX.md|CA и NGINX]] — встроенный mTLS между нодами Swarm использует ту же PKI-инфраструктуру, что и SSL-сертификаты в NGINX
@@ -31,4 +31,8 @@ Docker решил предпринять попытки отказаться о
 - Логичной заменой есть Podman, написанный на golang, она уже rootless и daemonless по умолчанию.
 - Podman обратно совместим в docker (в т.ч. собирает свои образы из Dockerfile)
 - Существует podman builder, позволяющий описывать образы с помощью **bash**.
- Практически все команды докера существуют в подмане.
+- Практически все команды докера существуют в подмане.
+
+## Связанные заметки
+- [[Super-user]] — "не использовать root внутри контейнера" — прямое применение принципа наименьших привилегий из Linux; rootless Podman реализует его на уровне демона
+- [[Проблемы дистрибутивов]] — реальный кейс: запуск Rails в контейнере как решение проблемы OpenSSL на Arch Linux
@@ -82,4 +82,8 @@ COPY file1 file2 file3 ./dir

 - Использование легковесных базовых образов, где есть такая возможность

-![](Images,%20Dockerfile%20-%20Docke.png)
+![](Images,%20Dockerfile%20-%20Docke.png)
+
+## Связанные заметки
+- [[Environment Variables]] — инструкция `ENV` в Dockerfile устанавливает переменные окружения внутри контейнера; это расширение того же механизма Linux env vars
+- [[Volume - Docker]] — инструкция `VOLUME` в Dockerfile объявляет точки монтирования для Docker Volumes
@@ -72,4 +72,10 @@ Docker по умолчанию использует bridge-сеть, так ка

 Если нам нужна гибкая настройка сети внутри самого контейнера, потребуются доп. **capabilities** (например, **CAP_NET_ADMIN**)

-В качестве альтернативы можно рассмотреть CNI-плагины (сторонние - 3rd-party)
+В качестве альтернативы можно рассмотреть CNI-плагины (сторонние - 3rd-party)
+
+## Связанные заметки
+- [[Модель OSI]] — bridge/overlay/macvlan реализуют концепции L2/L3 из модели OSI; iptables работает на L3/L4
+- [[VLAN - Base]] — bridge-изоляция контейнеров ≈ VLAN-изоляция устройств: разные бриджи не видят друг друга, как разные VLAN
+- [[VPN]] — overlay-сеть реализует принцип VPN: инкапсуляция трафика одной сети поверх другой
+- [[Сегментация сети]] — изоляция контейнеров по bridge-сетям = программная сегментация сети
@@ -53,4 +53,8 @@ Docker volumes создают тома, которые монтируются в
 {
 	"userns-remap": "<username>"
 }
-```
+```
+
+## Связанные заметки
+- [[File Permissions]] — uid/gid маппинг в Docker Volumes напрямую зависит от Linux-прав доступа; проблема "владелец root по умолчанию" решается через chmod/chown
+- [[Active Storage]] — Active Storage в Rails хранит файлы вне БД; в Docker-деплое они должны персистироваться через Volume, иначе теряются при перезапуске контейнера
@@ -65,4 +65,5 @@ created: 2026-02-13
 Ссылки:

 - [[Стационарность - ВР]]
- 
+- [[Линейные модели]] — AR-модель — это линейная регрессия на лаговых значениях; параметры оцениваются МНК
+- [[Функции налогов и экономические циклы]] — циклическая компонента ВР (C) — математическая модель тех самых экономических циклов (7-11, 50-60 лет)
@@ -20,4 +20,8 @@ $$1-z=0$$$z=1$ - единичный корень, процесс нестаци
 $$\matrix{M(x_{t})=x_{0}+t*\delta \\ D(x_{t})=t*\delta^{2}}$$

 > Процесс случайного блуждания не стационарен, однако его первая разность является стационарным процессом.
-> $$x_{t}-x_{t-1}=\delta+\epsilon_{t}$$$$\Delta x_{t}=\delta+\epsilon_{t}$$
+> $$x_{t}-x_{t-1}=\delta+\epsilon_{t}$$$$\Delta x_{t}=\delta+\epsilon_{t}$$
+
+## Связанные заметки
+- [[Производные финансовые инструменты]] — случайное блуждание — фундаментальная модель динамики цен активов, лежащая в основе ценообразования фьючерсов и опционов
+- [[Стационарность - ВР]] — случайное блуждание — классический пример нестационарного процесса (единичный корень)
@@ -31,4 +31,7 @@ title: Принципы Дискриминантного Анализа

 ![[Pasted image 20260118190948.png]]

-   
+## Связанные заметки
+- [[Линейные модели]] — логистическая регрессия решает ту же задачу классификации; ДА — статистическая формализация, ML — вычислительная реализация
+- [[Метрические алгоритмы]] — kNN — ещё один метод классификации с обучающей выборкой; классифицирует по расстоянию, а не по плотности распределения
+- [[Функция потерь]] — функция потерь C → min как критерий оптимальной процедуры классификации
@@ -39,3 +39,7 @@ $C(j|i)=C_{0}=const,\ j \neq i,\ i,j=\overline{1,k}$
 Тогда задача минимизации средних удельных потерь $(C \to \min)$ сводится к **максимизации вероятности правильной классификации**.
 $$\sum\limits_{i=1}^{k}\pi_{i}*P(i|i) \to \max$$

+## Связанные заметки
+- [[Линейные модели]] — MSE → min в МНК и C → min в ДА — один и тот же принцип минимизации ошибки; в ML реализован численно через градиентный спуск
+- [[Принципы дискриминантного анализа]] — контекст применения функции потерь
+
@@ -42,3 +42,7 @@ title: Итерационные Методы
 Недостатками метода можно отметить:
 - неясно, как выбирать исходные центры кластеров.
 - число кластеров надо знать заранее.
+
+## Связанные заметки
+- [[Метрические алгоритмы]] — kNN также классифицирует по минимальному расстоянию до ближайших объектов; supervised-аналог K-means
+- [[Расстояние между объектами]] — метрики расстояния, используемые при вычислении $\min \rho_{il}$
@@ -34,3 +34,7 @@ title: Расстояние Между Объектами
 3) $p=3:\ d_{m}=\sqrt[3]{|3 - (-4)|^{3}+|2-6|^{3}} = \sqrt[3]{7^{3}+4^{3}}=\dots$
 4) центр классов => среднее арифметическое собираем в одну точку

+## Связанные заметки
+- [[Метрические алгоритмы]] — те же формулы (Евклид, Манхэттен, Минковский, Махаланобис) реализованы в sklearn; ML-нота даёт практическое применение
+- [[Итерационная классификация. Метод K-средних (K-means)]] — использует $\min_{1 \leq l \leq k} \rho_{il}$ для отнесения объекта к кластеру
+
@@ -27,3 +27,7 @@ $$Im(Z(x)) = \frac{D_{z_{1}}+\dots+D_{z_{m}}}{D_{x_{1}}+\dots+D_{x_{k}}}$$ - о
 **<u>Замечание</u>**: 
 1) В случае нормирования признаков, $\text{ковариационная матрица признаков}\ x^{*}==\text{корелляционной матрице исх.признаков}$ $\Sigma_{x^{*}}=R_{x}$  
 2) Если признаки имеют разный масштаб, то необходимо провести их нормирование, т.е. перейти $$X_{j}^{*}=\frac{X_{j}}{\sqrt{DX_{j}}},\ DX_{j}^{*}=1,\ \forall j = \overline{1,k}$$
+
+## Связанные заметки
+- [[Линейные модели]] — снижение размерности (PCA) используется как предобработка перед линейными моделями в ML; матрица X в обоих случаях одинакова
+- [[Метрические алгоритмы]] — kNN страдает от проклятия размерности; снижение размерности напрямую улучшает качество kNN
@@ -36,3 +36,7 @@ title: Логические операции над нечеткими множ
 ## Разность
 Разностью двух множеств называется множество $A - B = A \cap \overline{B}$ с функцией принадлежности: $$\mu_{A-B}(u)=\mu_{A \cap \overline{B}}(u) = \min(\mu_{A}(u),\mu_{\overline{B}}(u)) = \min(\mu_{A}(u), 1-\mu_{B}(u))$$

+## Связанные заметки
+- [[Линейные модели]] — линейная разделимость в ML (жёсткая граница) vs нечёткие операции (мягкая граница); оба решают задачу разделения классов
+- [[Функция принадлежности]] — операции определены через μ
+
@@ -38,3 +38,7 @@ title: Функция принадлежности
 ### S - функция
 ![[Pasted image 20260227164805.png]]

+## Связанные заметки
+- [[Метрические алгоритмы]] — $\hat{P}_c(x)$ в kNN возвращает значение в [0,1], аналогично μ_A; оба представляют "мягкую" принадлежность классу
+- [[Линейные модели]] — сигмоидальная функция принадлежности = та же сигмоида в логистической регрессии
+
@@ -25,4 +25,7 @@ created: 2025-12-17
 |PWD|Текущая рабочая директория (`pwd`)|
 |Для просмотра всех доступных переменных окружения, используется утилита `env`/`printenv`||

-Для задания новой переменной окружения, используется синтаксис: `export NAME=VALUE` - для текущей сессии. `echo 'export NAME=VALUE' >> ~/.bashrc` - для текущего пользователя на постоянной основе.
+Для задания новой переменной окружения, используется синтаксис: `export NAME=VALUE` - для текущей сессии. `echo 'export NAME=VALUE' >> ~/.bashrc` - для текущего пользователя на постоянной основе.
+
+## Связанные заметки
+- [[Images, Dockerfile - Docker]] — инструкция `ENV` в Dockerfile задаёт переменные окружения внутри контейнера; тот же механизм, что `export` в Linux
@@ -59,4 +59,9 @@ chgrp <group> <file>
 - **SUID (set user ID,** `**s**`**)** — исполняемый файл запускается с правами владельца.
    Пример: `/usr/bin/passwd` запускается с правами root, хотя ты обычный пользователь.
 - **SGID (set group ID)** — аналогично, но для группы. У директорий — новые файлы наследуют группу.
- **Sticky bit (**`**t**`**)** — на директориях запрещает пользователям удалять чужие файлы. Классический пример: `/tmp`.
+- **Sticky bit (**`**t**`**)** — на директориях запрещает пользователям удалять чужие файлы. Классический пример: `/tmp`.
+
+## Связанные заметки
+- [[Volume - Docker]] — uid/gid и права доступа в Docker Volumes определяются Linux-правами; проблема "root как владелец" решается через userns-remap + chown
+- [[Modules - Ansible]] — модуль `user` управляет uid/gid; `file`/`copy` задают владельца и режим файлов через те же chmod/chown
+- [[Сегментация сети]] — принцип наименьших привилегий: на уровне ФС — rwx для owner/group/others; на уровне сети — VLAN для Admin/Employee/Guest
@@ -14,4 +14,7 @@ title: Производные Финансовые Инструменты
 Основные ПФИ:
 1) <u>Форвард</u> - индивидуальный договор между двумя сторонами на поставку актива по заранее оговоренной цене в определенный срок в будущем. (вне биржи)
 2) Фьючерс - стандартизированный контракт, **торгуемый на бирже**, который обязывает покупателя приобрести, а продавца продать базовый актив по заранее установленной цене на заранее оговоренный срок.
-3) Опцион - контракт, дающий право, но не обязанность, купить ("**колл**") или продать ("**пут**") актив по заранее оговоренной цене в определенный срок или до его окончания. 
+3) Опцион - контракт, дающий право, но не обязанность, купить ("**колл**") или продать ("**пут**") актив по заранее оговоренной цене в определенный срок или до его окончания.
+
+## Связанные заметки
+- [[Случайное блуждание]] — стохастическая модель динамики цен базовых активов; лежит в основе ценообразования ПФИ (модель Блэка-Шоулза предполагает Броуновское движение)
@@ -22,4 +22,8 @@ title: Функции Налогов И Экономические Циклы
  При росте экономики, налоги повышаются, накапливая резерв.
  При спаде, налоги понижаются - рост соц.расходов.
 - <u>Длинный (50-60 лет)</u> - каждый 50-60 лет - супер-кризис.
+
+## Связанные заметки
+- [[ВР - основы]] — экономические циклы формализованы в ВР как циклическая компонента C; математический аппарат для их моделирования
+- [[Стационарность - ВР]] — налоговые поступления нестационарны: содержат тренд и циклическую компоненту
  
@@ -2963,3 +2963,10 @@ print(metrics.classification_report(y, y_pred))
 * [Лекции по машинному обучению от Дмитрия Макарова](https://www.dmitrymakarov.ru/opt/logistic-regression-05/#0-binarnaya-logisticheskaya-regressiya) (есть теория и базовая практика)
 * [Лекции по машинному обучению от Cornel Tech](https://kuleshov-group.github.io/aml-book/contents/lecture4-classification.html) (английский, есть базовый код, МНОГО формул с выводом и доказательством)
 * [Учебник по машинному обучению от Яндекса](https://education.yandex.ru/handbook/ml/article/linear-models) (0 кода, но много математики и красивых картинок)
+
+## Связанные заметки
+- [[Принципы дискриминантного анализа]] — статистическая формализация той же задачи классификации; обучающая выборка + матрица "объект-свойство" = постановка задачи ML
+- [[Функция потерь]] — C → min в ДА и MSE → min в МНК — один и тот же принцип минимизации ошибки классификации
+- [[Постановка задачи снижения размерности признакового пространства]] — PCA как предобработка перед линейными моделями
+- [[ВР - основы]] — AR-модель — это линейная регрессия, где регрессоры — лаговые значения той же переменной; оценивается МНК
+- [[Логические операции над нечеткими множествами]] — нечёткие границы классов vs линейная разделимость в пространстве признаков
@@ -1693,3 +1693,9 @@ knn_reg = KNeighborsRegressor(n_neighbors=5, weights=gaussian_kernel)
 * [Документация scikit-learn по kNN](https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbor-algorithms)
 * [Учебник по машинному обучению от Яндекса](https://education.yandex.ru/handbook/ml/article/metricheskiye-metody)
 * [Статья с примерами применения K-d- и Ball- деревьев](https://www.geeksforgeeks.org/ball-tree-and-kd-tree-algorithms/)
+
+## Связанные заметки
+- [[Расстояние между объектами]] — формулы метрик (Евклид, Манхэттен, Минковский, Махаланобис) идентичны тем, что реализованы в sklearn; Math-нота даёт строгие определения
+- [[Итерационная классификация. Метод K-средних (K-means)]] — K-means тоже классифицирует по минимальному расстоянию $\min \rho_{il}$; unsupervised-аналог kNN
+- [[Наивный Байесовский алгоритм]] — альтернативный метод классификации с учителем из той же обучающей выборки
+- [[Функция принадлежности]] — μ_A: U → [0,1] аналогична вероятности принадлежности классу $\hat{P}_c(x)$ в kNN