Je me suis longuement demandé ce qu’on pouvait faire d’intelligent avec un téléphone portable, autre que de casser des briques/bulles/billes, d’échanger des messages stériles en moins de 200 caractères ou de faire défiler des images en moins de temps que le cerveau n’en a besoin pour les visualiser. Qu’est-ce qui justifie un calculateur puissant, autonome et fonctionnant sur batterie, idéalement géolocalisé en recevant les signaux de satellites équipés d’horloges atomiques (GPS/Galileo/GLONASS/Beidou), et capable d’accéder à une base de données ? Finalement au cours des missions de terrain, la révélation se trouva dans QField, l’outil embarqué pour téléphone portable et tablette sous Android, permettant de visualiser un projet QGIS afin d’emporter partout sa base de données géoréférencées et de la mettre à jour avec les nouvelles observations.

Lorsqu’il s’agit de résoudre des problèmes de Machine Learning sur données tabulées, c’est-à-dire issues de base de données relationnelles ou de fichiers de type CSV, les grandes gagnantes sont les méthodes de Gradient Boosting. Pour preuve, XGBoost, LightGBM, ou encore CatBoost se retrouvent généralement en tête des meilleurs algorithmes dans les concours de type Kaggle. Dans cet article, nous allons entrer dans le détail de leur fonctionnement, à l’aide de code, pour en cerner toutes les subtilités.

Cette entrée CVE restera dans l'histoire comme une réelle aberration. Elle désigne en effet une vulnérabilité découverte dans l'outil pkexec, de la boîte à outils Polkit, permettant à n'importe quel utilisateur local d'élever ses privilèges illégalement.

Chacun sait très bien qu’à ce jour, les processeurs n’ont jamais été aussi puissants, que ce soit pour un usage professionnel en production, avec notamment des serveurs toujours plus gourmands en ressources, ou encore les postes de travail multimédia (montage vidéo, création musicale, imagerie 3D) et multitâches. Si cela est en partie dû à la célèbre loi de Moore [1] , il faut également prendre en compte le nombre de fonctionnalités qui sont venues augmenter les capacités des puces centrales de nos machines. D’où l’intérêt de veiller au bon fonctionnement de celles-ci.

Dans un article précédent, nous avons mis en place une infrastructure OpenNebula basique [1]. Nous allons maintenant configurer cette plateforme pour proposer aux utilisateurs un guichet de libre-service de machines virtuelles. L’idée est que les utilisateurs puissent créer eux-mêmes leurs machines virtuelles.

Nous présentons ici l’utilisation d’OpenVPN pour fournir un accès complet entre les différents sites d’une entreprise, d’une part et aux utilisateurs nomades d’autre part. Nous commençons par la mise en place de l’infrastructure à clef publique. Nous configurons le VPN pour fournir un accès au réseau d’entreprise aux postes distants. Puis nous montrons comment bannir des ordinateurs. Enfin, nous indiquons comment étendre les accès aux serveurs des autres composantes de l’entreprise.

La première partie du guide se concentrait sur le travail qui doit être fait en amont du déploiement public d’un site : le code, le nom de domaine et les contenus. Évidemment, on partait du postulat que le lecteur démarrait une nouvelle activité à proprement parler. Qu’on se rassure, la plupart des éléments indiqués en première partie peuvent parfaitement être corrigés en cours de route. L’auteur de ces lignes confesse avoir pris à la légère, certaines de ses propres recommandations. Reprenons là où nous nous étions arrêtés : les backlinks.

La configuration proposée par défaut par MariaDB n’est pas forcément optimale pour un environnement de production. Découvrons comment optimiser nos processus de déploiement, durcir la configuration du service ou encore augmenter son niveau de sécurité global.