【国内电子数据取证厂商龙信科技】大疆无人机如何导出日志并解析

优质文章学习记录

— 3 min read
【国内电子数据取证厂商龙信科技】大疆无人机如何导出日志并解析

一、前言

我们在提取无人机数据的时候，可能会遇到由于无人机自身没有存储介质从而导致无法对无人机进行镜像解析数据的情况，今天给大家讲解下如何通过无人机自带的功能界面导出日志并解析。

二、对于没有存储介质的无人机设备如何导出日志

2.1安装软件

一般来说，无人机官方都有配套的查看工具。我们以大疆无人机为例，首先我们需要在计算机上安装大疆厂商官方发布的软件DJl Assistant2 For Mavic工具。

2.2连接设备

将无人机设备用usb线连接至电脑

打开DJl Assistant2 For Mavic工具

2.3导出日志

设备连接上后可以看见日志导出模块，可以将日志全选或者根据需要的时间段进行选择，勾选上点击下载到本地即可。

导出之后，即是dat文件

将dat日志导入到龙信物联网取证系统 LX-A501-V1进行解析。

打开龙信物联网取证系统 LX-A501-V1软件——新建案件

选择正确的设备类型、品牌

提取方式选择文件——添加文件选择我们导出的日志

开始取证——等待解析完成即可

解析完成后即可查看数据，包含设备基本信息、飞行记录，可以详细查看设备的飞行轨迹，时间、经纬度、高度等数据。

三、总结

以上针对大疆无人机的日志分析，但前提是基于了取证软件去进行采集分析，在实际案件中，我们是可以手动去对日志进行分析，以后在案件中也会遇到各种各样的物联网检材，希望大家一起交流学习。

Read more

FastAPI：Python 高性能 Web 框架的优雅之选

FastAPI：Python 高性能 Web 框架的优雅之选

🚀 FastAPI：Python 高性能 Web 框架的优雅之选 * 🌟 FastAPI 框架简介 * ⚡ 性能优势：为何选择 FastAPI？ * 性能对比表 * 🔍 同步 vs 异步：性能测试揭秘 * 测试代码示例 * 测试结果分析 * 🛠️ FastAPI 开发体验：优雅而高效 * 1. 类型提示与自动验证 * 2. 交互式 API 文档 * 🏆 真实案例：为什么企业选择 FastAPI * 📚 后续学习引导 * 🎯 结语 🌟 FastAPI 框架简介 在当今快速发展的互联网时代，构建高效、可靠的 API 服务已成为后端开发的核心需求。FastAPI 作为 Python 生态中的新星，以其卓越的性能和开发者友好特性迅速赢得了广泛关注。 框架概述：FastAPI 是一个现代化的 Python Web 框架，专为构建
【AI深究】随机森林（Random Forest）全网最详细全流程详解与案例（附Python代码演示）|集成学习|数学原理、案例流程、代码演示及结果解读|参数与调优、工程启示、单棵决策树的对比、优缺点

【AI深究】随机森林（Random Forest）全网最详细全流程详解与案例（附Python代码演示）|集成学习|数学原理、案例流程、代码演示及结果解读|参数与调优、工程启示、单棵决策树的对比、优缺点

大家好，我是爱酱。本篇将会系统地讲解随机森林（Random Forest）的原理、核心思想、数学表达、算法流程、代码实现与工程应用。内容适合初学者和进阶读者，配合公式和可视化示例。 注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！ 注：随机森林（Random Forest）与决策树（Decision Tree）息息相关，因此不了解决策树的同学建议先去了解一下，爱酱也有文章深入探讨决策树，这里也给上链接。 传送门： 【AI深究】决策树（Decision Tree）全网最详细全流程详解与案例（附Python代码演示）|数学原理、案例流程、代码演示及结果解读|ID3、C4.5、CART算法|工程启示、分类、回归决策树-ZEEKLOG博客 一、随机森林是什么？
半小时用OpenClaw搭一套AI量化系统：开源三件套实测分享

半小时用OpenClaw搭一套AI量化系统：开源三件套实测分享

作者：老余捞鱼 原创不易，转载请标明出处及原作者。 写在前面的话：见过太多人想用量化，却被各种复杂的代码和环境配置劝退。无论你是刚开始接触数据科学的学生，还是想提升自己投资工具箱的实践者，今天就把我用最近很火的OpenClaw如何搭建AI量化系统的过程完整分享给你。 自从有了OpenClaw后，说实话，个人搭建一套量化系统没你想的那么难。半小时，三行代码，不花钱。 一、先说效果：我一次跑通的回测 先别急着看代码，咱们看看效果。 用这套方案跑了一趟回测，最终跑出来的结果是 59%。当然，这是回测数据，不代表实盘收益，但足以说明这套开源工具链的潜力。 你可能要问我这个收益是怎么算的。说白了就是：系统基于历史数据，按照你设定的策略规则模拟交易，最后算出来的年化结果。 核心观点：回测收益 ≠ 实盘收益，但回测能帮你验证策略逻辑是否靠谱。 二、开源三件套：数据 + 框架 + AI 这套方案的精髓在于开源三件套的组合搭配。用个表格梳理清楚： 组件作用开源地址数据源选股基础数据供给长桥 SDK / AKshar
TinyML：边缘设备上的轻量化 AI 模型开发与部署

TinyML：边缘设备上的轻量化 AI 模型开发与部署

摘要 TinyML作为边缘计算与人工智能融合的新兴技术，旨在将机器学习模型部署到资源极度受限的微控制器上。本文系统阐述了TinyML的技术体系、核心挑战、关键框架及应用案例。研究表明，通过模型量化、剪枝、知识蒸馏等压缩技术，结合专用推理框架（如TensorFlow Lite Micro），能够在保持模型精度的同时，将内存占用降低至KB级别，功耗控制在毫瓦级别。TinyML技术为物联网设备上的实时智能推理提供了可行方案，在语音唤醒、视觉检测、工业预测性维护等领域展现出广阔应用前景。未来，随着算法优化与硬件协同设计的深入，TinyML将在超低功耗AI领域发挥更为关键的作用。 1 引言 随着物联网技术的迅猛发展，全球已部署的微控制器数量超过2500亿个，并且每年新增约400-500亿个。这些设备遍布从智能家居到工业监控的各个领域，产生了海量的实时数据。传统的云计算处理模式需要将数据传输至云端处理，面临延迟高、隐私泄露风险、网络依赖性强等问题。在此背景下，TinyML（Tiny Machine Learning）应运而生，它代表了机器学习模型在资源极度受限的边缘设备上运行的新范式。