Python

基于DJango的自动化运维监控平台 模块化可根据实际运维需要添加功能 （1）主页模块 主页模块主要负责用户的登录、监控信息的分组和可视化显示等功能，提供了显示数据信息的功能是此系统中最基本的模块之一。 （2）账号管理模块 账号管理模块现主要有账号密码修改和账号密码重置等功能负责对管理员账号的操作。 （3）设备管理模块 设备管理模块有被监控设备的IP地址、功能备注、当前状态等信息。主要用于对设备资产进行添加、修改、删除的操作，除此之外设备管理模块还具有监控显示设备状态信息的功能其工作原理为使用Ping功能实现。以实现对目前所监控设备的统一管理和状态监测，利于及时处理掉线设备。 （4）性能监控模块 性能监控模块中设备信息由设备管理模块提供，在设备监控模块中的设备均会被纳入性能监控列表中。其性能监控主要有CPU占用信息、内存占用信息以及网络上下行流量信息。通过脚本定时获取设备信息，使用Python对脏数据进行清洗得到可利用数据信息，最后前端通过ajax从后端获取信息以及使用Echart对数据生成可视化图表以便于运维人员能够快速掌握当前设备的性能信息。 （5）磁盘监控模块 磁盘监控模块中主要

背景：由于公司有数千台服务器，需要集中式管理，建设一套成体系的堡垒机架构，方便运维管理大批量设备 项目模块： 功能脚本模块： python shell 环境部署模块： jumpserver nginx ansible ssh免密 数据库设计： mysql 工具模块： docker 负责内容：负责整个项目的规划、功能脚本编写、环境部署、数据库设计、项目容器化、运维等

系统架构：Python + Pandas + Numpy +　FineReport　+　MySQL 项目描述： KUS-BWE 数据分析项目是针对线上教育平台的，主要目的是通过分析用户数据来优化课程、提升用户体验和加强教学服务。项目主要关注用户行为、咨询数据、课程报名和进度、学习成效等方面的分析，以及利用 RFM 模型对用户进行细分，识别关键用户群体并实施个性化策略。同时，构建用户画像以推荐合适的课程，收集和分析用户反馈以改善服务质量。这些数据分析工作有助于平台实现精准教学和高效运营，确保用户在友好的环境中取得最佳学习成果。 主要职责： 1. 业务理解：对业务需求进行深入分析。通过挖掘客户的交易记录和学习行为数据，识别出不同客户群体的特征。 2. 整理数据：使用 Python 编程语言配合 Pandas 数据分析库，对收集到的数据进行清洗和预处理。 3. 数据可视化：经过清洗后的数据被导入 FineReport 工具中，利用其强大的数据可视化功能，帮助团队直观地观察和理解用户行为模式。 4. 客户价值分析：对客户价值进行分析。帮助识别出哪些客户对平台最有价值，为管理层提供有针

1. 在线教育平台 2. 包含组织，老师，学生等端 3. 可以发布课程，学习课程，以及在线学习等功能 4. 前后端都有，都由个人开发

1. 测试应用app的托管 2. 提供相关的接口发布应用，发布后会生成对应的链接，以及二维码 3. 用户可以通过二维码下载测试app，包含安卓和ios

1. 完整的网站后端开发，由本人自己完成 2. 包含完整的用户管理，日志管理，用户分组，权限管理，以及实际的功能，容量预测，k值，hipot检测等功能

1.负责操作系统中子系统日志的识别、处理和分析，以及关键函数的匹配工作。 2.在沙箱环境中，成功适配了多种操作系统，包括 Windows、Linux、Unix、MacOS和 IOS ，并使用 Qemu 进行模拟仿真，为每种操作系统进行定制化的模拟仿真配置。针对 MacOS和 IOS ，我们还特别搭建了专有的运行环境。 3.负责整体运行环境的打包和批量部署工作，确保软件在各种环境中的稳定运行。 4.负责环境运维和部署分发，确保软件的顺利发布和更新。 5.针对性能要求，设计了多虚拟化环境并行运行的方案，以满足高性能的需求。 6.负责操作系统日志的收集和数据点的获取，通过收集日志数据，设计了在 Android 下创建 chroot 环境，并挂载内核 hook 钩子，以便更好地监控和管理系统运行状态。

采集各类所需网站。 国内外静态页面、小红书、抖音(视频、评论、直播流、直播实时评论)。twitter账户的推文以及历史。

智能婴儿恒温监护系统——“婴安宝” 摘要 本项目研发了一款名为“婴安宝”的智能婴儿保温箱，它以OpenHarmony操作系统为核心，利用ArkTS开发语言，结合云平台服务，实现对新生儿体温、氧气浓度、血压、心电图、血氧饱和度等关键生理指标的实时监测与调控。该系统具备分布式、可扩展和安全可靠的特性，集成了智能报警、自动调节、远程监控等多项功能，以满足现代医疗多样化的护理需求，尤其关注新生儿的实际应用需求，通过物联网、大数据、云计算等先进技术提高产品技术含金量，为新生儿健康保驾护航。 软件分类 医疗健康类软件 / 物联网智能硬件应用软件 应用领域 新生儿护理 / 医疗保健 / 家庭育儿 / NICU（新生儿重症监护室） 开放源码许可证类型 • Apache License 2.0 • GPL v3.0 作品概述 “婴安宝”智能婴儿恒温监护系统依托OpenHarmony的先进性，充分融合了尖端传感技术与智能算法，实现对新生儿生活微环境的精细化管理。系统不仅实时监测并显示各项生理数据，还能根据数据变化智能联动空调装置进行温度、氧气浓度调节，预防新生儿出现低体温症、缺氧等问题。同时，数据云端同步

1、数据采集 2、数据大屏展示 3、使用TensorFlow搭建神经网络并预测模型 4、正常生产过程中的生产质量结果具有滞后性，使用模型预测可以提前预知结果并进行参数调整

【项目功能模块及对使用者的意义】 该项目旨在为上海维音总公司的财务部门打造一套定制化的财务软件，同时负责致远OA系统的流程设计和建设。项目分为两个主要功能模块，每个模块都针对特定的业务需求而设计，共同提升公司的财务管理效率和内部审批流程的自动化水平。 财务数据处理模块：此模块针对财务部门对预测、预估、预算及实际数据的处理需求，提供了一套全面的解决方案。它允许用户根据不同的时间周期（周、月、半年）生成相应的财务数据和报表，从而实现对公司财务状况的实时监控和精准预测。 OA系统流程设计模块：这一模块为公司各部门提供了定制化的审批流程设计功能。用户可以根据自身需求提出流程设计，然后由我们团队负责实现，最终形成可供各部门使用的审批流程。此外，模块还支持系统数据的同步，通过开发小程序满足特定的数据同步需求。 这两个模块共同确保了财务数据的准确性和审批流程的高效性，极大地提升了公司的运营效率和管理水平。 【个人任务、技术栈及成果】 作为该项目的核心开发者，我负责了从需求分析到系统设计、再到实现和测试的全过程开发任务。在技术实现方面，我运用了多元化的技术栈来应对不同的业务需求： 后端开发：

爬取几个证券网站的通告信息，功能包括： 1. 从指定的网站中获取指定的信息 2. 按照日期或内容进行筛选 3. 把每条通告信息按行打包到excel

用户高频交易系统 1.依托C++为底层，实现期货高频交易，定制化算法交易业绩策略实现 2.依托后台MYSQL数据库，实现高精度回测功能 3.提供客户端交互，实现盈亏展示和监控

背景：由于公司服务器数千台，需要建设一套成体系的监控系统、告警系统，监控内容包含：服务器状态、业务程序状态、业务数据监控、服务器各配件性能等 项目模块： 功能脚本模块： python shell 数据收集模块： prometheus grafana 数据库设计： mysql 工具模块： docker 负责内容：负责整个项目的规划、功能脚本编写、数据收集、数据库设计、项目容器化、运维等

1. 测试应用app的托管 2. 提供相关的接口发布应用，发布后会生成对应的链接，以及二维码 3. 用户可以通过二维码下载测试app，包含安卓和ios

【项目功能模块及对使用者的意义】 该项目旨在构建一个全面的项目管理和审计系统，以透明化项目流程，确保合规性，并维护公司利益。项目细分为多个功能模块，每个模块都针对特定的管理需求而设计，共同构成一个闭环的管理体系。 计划管理模块：此模块允许用户从已审批的月度计划出发，创建新的工作方案，定义项目目标和里程碑，并分配相应的责任人和资源。 方案执行模块：在这一模块中，用户可以根据工作方案创建详细的方案计划，包括任务分配、时间表和预期成果。它还允许用户跟踪方案执行过程，并实时更新进度。 反馈与沟通模块：该模块为项目成员提供了一个平台，以提交方案反馈，交流问题和进展，确保信息流畅并促进团队合作。 审计通知模块：该模块负责生成和发送审计通知，确保所有相关方都能及时了解审计进程和结果。 审计报告模块：这是项目的终极输出模块，它将收集的所有数据和信息汇总，自动生成详尽的审计报告，为管理层提供决策支持。 这些模块共同确保了项目从启动到完成的每个阶段都能得到有效监控和管理，大大提高了项目管理的效率和透明度。 【个人任务、技术栈及成果】 作为该项目的核心开发者，我承担了从需求分析到系统设计、再到实现和

Selenium实现根据网络核查层级，访问不同官方网站，获取校验结果并截图。难点在于webdriver自识别，页面分辨率，占用前端桌面资源。

本作品一共分为爬虫和可视化两部分，难点为破解反扒和sql语句编写，解决设置url请求池USER_AGENT_LIST = [ "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHT

实施了针对不同电梯信号类型的数据预处理，降噪，特征工程。 构建并优化了基于 CNN与 LSTM的 Autoencoder 无监督模型以及 LSTM与CNN结合的有监督模型，专门用于学习和检测异常信号。 参与了模型的网络架构优化、超参数调整、训练、测试，以及模型的压缩与加速过程。 难度在于正负样本极度不平衡，且容易过拟合产生误报

使用神经网络(LSTM)对样本存取频率进行预测，预测出未来哪些样本的存取频率高，并将其存放在离机械臂近的地方。 算法：长短期记忆网络（LSTM） 使用Pyside2来开发界面，使用Python语言编写 采用mysql数据库