第七周个人周报-197241-栗园茜

197241-栗园茜 2026-05-11 21:09:34

一、 本周计划任务与实际完成情况

计划任务完成情况计划用时实际用时
新增 Post 数据表字段,适配隐私验证逻辑0.5h0.5h
实现基于问题验证的前端隐藏/展示联系方式动态效果2h3h
实现后端设置、编辑隐私验证问题的业务链路2h2h
梳理并补充/同步项目最终阶段的需求规格说明文档2h1.5

 

二、 现存问题与应对措施

存在问题:

  • 隐私安全机制的“伪隐藏”风险:在初步开发“隐藏联系方式”功能时,我发现如果仅仅是在前端通过 Vue 的条件渲染(如 v-if)来隐藏数据,而后台接口依然下发了完整的联系方式,那么懂技术的用户完全可以通过浏览器的“开发者工具(F12)”抓包窃取隐私,这违背了该功能的初衷。
  • 研发末期的“文档债”与细节疲劳:随着项目进入尾声,早期编写的需求文档与历经三次迭代后实际落地的功能之间存在较大的割裂(即文档债)。同时,长期的开发让大家对项目产生了“审美疲劳”,在打磨最后一公里的交互细节时容易缺乏耐心。

解决方案:

  • 实施后端 API 级别的数据脱敏:重新调整前后端联动逻辑。严格要求后端在用户未正确回答问题前,对返回的数据载荷(Payload)中的联系方式字段进行 null 化或掩码处理(如:138****1234)。只有当验证接口返回 true 时,才下发真实的明文数据,从根本上杜绝了数据泄露的风险。
  • 集中清算文档债与切换视角:主动承担起文档的统筹与修正工作,结合最终版的代码逆向梳理业务流程,确保代码与文档的强一致性。同时,强迫自己切换到“产品体验官”的视角,跳出代码逻辑,专注于测试验证和边缘场景的细节体验,以此克服研发末期的疲劳感。

三、 知识点学习情况

接口级数据脱敏与传输安全

  • 学习内容:通过本周的隐私保护功能开发,我深刻认识到了“前端防君子,后端防小人”的安全开发准则。学习了如何在 Spring Boot 后端进行数据切面拦截和实体类序列化控制,掌握了针对手机号、微信号等敏感信息在网络传输过程中的脱敏(Data Desensitization)技术,明白了真正的安全必须建立在服务端的鉴权之上。
  • 学习途径:查阅网络安全相关技术博客,参考业内成熟的 API 安全传输规范。

四、 本周感悟

本周是项目开发的冲刺与收尾期,当我和另外三位队友再次将各自负责的核心模块推送到主干分支时,整个合并过程竟然异常的丝滑与顺利——没有了迭代一时面对成百上千行冲突代码的抓狂,也没有了迭代二时因为私改接口而产生的争执。代码一经合并,系统直接正常运转!

这一刻,我深切地体会到了大家肉眼可见的蜕变与成长。这种顺利绝非偶然,它是我们团队经历了无数次试错后结出的硕果:无论是前期越来越清晰合理的模块解耦与职责划分,还是开发中越来越规范的代码编写习惯,亦或是大家已经深深印在脑子里的“面向接口编程”的契约精神。经过这几周高强度的实战演练,我们每个人的技能不仅越发熟练,工程素养也实现了质的飞跃。

从最初拿到项目时的一脸茫然、毫无头绪,到在泥泞中摸爬滚打、踩坑重构,再到如今游刃有余地完成功能的闭环与打磨。我意识到,这不仅是一个系统从 0 到 1 的构建过程,更是我们从“会写几行代码的学生”向“具备工程化思维的软件开发者”成长的缩影。看着这个由我们亲手设计、编码并最终跑通的完整产品,一种巨大的成就感油然而生。这不仅是对我们这几个月努力的最好回报,也为这段开发旅程画上了一个圆满的句号。

 

...全文
231 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文提出了一种基于直方图的自动模糊C-均值聚类(FCM)算法,用于遥感图像分割,该方法通过Matlab代码实现。该算法创新性地结合图像灰度直方图信息,自动确定聚类数目和初始聚类中心,有效克服了传统FCM算法对初始参数敏感以及需预先设定聚类数的固有局限。通过深入分析直方图的波峰与波谷分布特征,实现聚类参数的自适应初始化,并融合优化的隶属度矩阵更新策略,从而显著提升了图像分割的精度与算法收敛速度。实验验证表明,该方法在多种复杂的遥感图像数据上均表现出优异的分割效果和强鲁棒性,尤其适用于地物类别未知、分布复杂或背景干扰严重的遥感图像处理任务。; 适合人群:具备一定图像处理基础和Matlab编程能力,从事遥感科学、地理信息系统(GIS)、计算机视觉或模式识别等相关领域研究的研发人员和研究生。; 使用场景及目标:①解决遥感图像自动分割中聚类数目难以预先确定的关键问题;②提升模糊C-均值聚类算法在无监督图像分割中的自动化水平和分割精度;③为缺乏先验知识的实际图像分析任务提供一种高效、可靠的自适应聚类解决方案。; 阅读建议:读者应结合提供的Matlab代码,深入理解直方图分析与FCM算法融合的具体实现步骤,重点关注聚类数自动确定和初始中心选取的逻辑推导过程,并通过实际遥感图像数据进行调试与验证,以全面掌握该方法的核心原理与应用技巧。
内容概要:本文提出了一种基于改进粒子群算法的多无人机协同航迹规划方法,并提供了完整的Matlab代码实现。该方法针对多无人机系统在复杂动态环境中的协同飞行需求,通过改进的粒子群优化(PSO)算法解决航迹规划问题,重点优化路径最优性、飞行安全性及多机协作冲突规避能力。文中系统阐述了算法的设计原理、改进策略及其在多无人机协同场景下的应用流程,通过引入动态障碍物建模与任务约束机制,增强了算法在实际任务中的适应性。仿真实验验证了该方法在降低飞行能耗、提升路径质量、加快收敛速度以及增强系统鲁棒性方面的显著优势,适用于侦察、巡检、灾害救援等多无人机集群任务场景。; 适合人群:具备一定编程基础和智能优化算法知识,从事无人机控制、路径规划、智能调度或群体智能相关研究的研发人员及研究生,尤其适合工作1-3年的科研与工程技术人员。; 使用场景及目标:①解决多无人机在复杂环境下协同避障与高效路径规划问题;②提升传统粒子群算法在高维、多约束航迹规划中的搜索效率与全局寻优能力;③为无人机集群执行多样化任务(如区域覆盖、目标搜索、编队飞行)提供稳定可靠的路径规划解决方案; 阅读建议:建议读者结合所提供的Matlab代码进行仿真实践,按照文档结构逐步理解算法实现细节,重点关注粒子群算法的改进机制、多无人机协同约束建模与适应度函数设计部分,同时可通过调整环境参数与无人机数量深化对算法性能的认知与优化能力。

259

社区成员

发帖
与我相关
我的任务
社区描述
CUG软件工程基础学习社区
团队开发软件工程敏捷流程 高校 湖北省·武汉市
社区管理员
  • EasonBeckham
  • Lucky_Limp
  • h6ldZywoo
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧