成員推斷攻擊（Membership Inference Attack）

目標： 判斷某筆資料是否曾經出現在模型的訓練集中。

攻擊原理&手段

模型對於訓練過的資料會表現出「過度自信」——因為見過這筆資料，所以預測時損失更低、信心度更高。

攻擊者輸入一筆資料 x
        ↓
查詢模型輸出（機率分佈、損失值、logits）
        ↓
觀察信心度是否異常高？損失是否異常低？
        ↓
推斷：x 是否在訓練集中？

- 閱讀剩餘部分 -

使用 GPT Image2 + Stitch + Claude Code 設計新風格本篇示範一套 AI 輔助 UI 風格設計的完整工作流程，從圖像生成到前端套用，全程透過工具鏈串接完成。

1、用 GPT Image2 生成風格參考圖

首先在 GPT Image2 中輸入風格描述提示詞，例如「深色星空背景、粒子光點、漸層藍紫色調」，生成一張視覺風格參考圖。

- 閱讀剩餘部分 -

一、權限規則設定

Claude Code 提供多層級的權限控制，避免 AI 誤操作關鍵檔案或執行危險指令。

1.1 啟動模式

/config
查看配置
/model
切換模型
/clear
清楚上下文

- 閱讀剩餘部分 -

把服務器上面的 CentOS7 升級到 Rocky

Rocky Linux / AlmaLinux（最接近 CentOS 的替代）

完全相容 RHEL，指令習慣幾乎一樣
適合原本用 CentOS 的團隊，遷移成本最低
Rocky Linux 由原 CentOS 創始人主導，社群活躍
推薦給：習慣 yum/dnf、SELinux 環境的用戶

Ubuntu Server LTS（最廣泛使用）

GCP 官方支援最完整，文件與社群資源最豐富
LTS 版本提供 5 年支援（如 22.04、24.04）
套件最新，apt 生態完善
推薦給：新專案、容器化環境、需要最新軟體版本

下面是遷移筆記

- 閱讀剩餘部分 -

優化 RDS 碎片

之前資料庫雖然持續在刪除 log，但實際占用空間並沒有減少。問題在於 InnoDB 刪除資料後不會自動釋放空間，必須執行 OPTIMIZE TABLE 才能回收碎片。但這個操作會鎖表，而遊戲伺服器需要不停服維護，所以無法直接使用。

改用 pt-online-schema-change 進行線上遷移，整個過程不影響業務讀寫。

- 閱讀剩餘部分 -