Анализ сайта tydusky.github.io
Основное Готовность: 100%
Домен
tydusky.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://tydusky.github.io
301 MovedPermanently
https://tydusky.github.io/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 04.10.2026 22:45:22.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
en
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык документа указан явно: en.
Скорость загрузки
~0,57сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,57сек оптимальна.
Объем документа
42Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 42Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 5
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 5 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | assets/css/main.css | |
| stylesheet | assets/css/academicons.css | |
| js | https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.4/latest.js?config=TeX-MML-AM_CHTML | |
| js | assets/js/main.min.js | |
| js | https://www.googletagmanager.com/gtag/js?id=G-RCZNB0R4SP |
Серверные заголовки
Кол-во: 17
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 17шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "6a87d7ea-ab8e" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 0B14:1073C4:1CC30FD:1D0091E:6A899210 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 12:12:00 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230073-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787400720.401550,VS0,VE129 |
| Vary | Accept-Encoding |
| x-fastly-request-id | b52577d2a1cb7177477f6400ce24b38e810adcce |
CMS
WordPress
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
Сайт работает на CMS WordPress.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 48%
Title
Tianyu Du - Homepage
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение мало: 20, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Установите мета-тег description!
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
https://tydusky.github.io/
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Канонический Url прописан корректно.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
width=device-width, initial-scale=1.0
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Кол-во: 5
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph задана. Страница оптимизирована под социальные сети.
Показать полный список og мета-тегов
| Тип | Значение |
|---|---|
| og:locale | en |
| og:site_name | Tianyu Du |
| og:title | Tianyu Du |
| og:url | https://tydusky.github.io/ |
| og:description | Assistant Professor at Zhejiang University. Research interests include adversarial machine learning and security of LLMs. |
Все мета-теги
Кол-во: 12
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 12шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | HandheldFriendly | True |
| name | MobileOptimized | 320 |
| name | viewport | width=device-width, initial-scale=1.0 |
| name | msapplication-TileColor | #000000 |
| name | msapplication-TileImage | images/mstile-144x144.png?v=M44lzPylqQ |
| name | msapplication-config | images/browserconfig.xml?v=M44lzPylqQ |
| name | theme-color | #ffffff |
| property | og:locale | en |
| property | og:site_name | Tianyu Du |
| property | og:title | Tianyu Du |
| property | og:url | https://tydusky.github.io/ |
| property | og:description | Assistant Professor at Zhejiang University. Research interests include adversarial machine learning and security of LLMs. |
Оптимизация Готовность: 82%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют в одном экземпляре).
Контент
Ошибок нет
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 3 встречаются в тексте достаточно.
Абзацев с текстом 15 достаточно.
Среднее число слов в абзаце 20 достаточно.
Кол-во знаков контента 21304 на странице оптимально.
Кол-во слов 3487 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 10. Это прекрасно.
На странице присутствуют заголовки <h3> 1.
Тошнота
8,72
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
5,13%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота страницы в пределах нормы.
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| tianyu | 76 | 2,18% |
| shouling | 53 | 1,52% |
| accepted | 31 | 0,89% |
| [ccf-a] | 20 | 0,57% |
| adversarial | 17 | 0,49% |
| chunyi | 17 | 0,49% |
| xuhong | 17 | 0,49% |
| security | 16 | 0,46% |
| models | 15 | 0,43% |
| jianwei | 14 | 0,40% |
| jinfeng | 13 | 0,37% |
| university | 12 | 0,34% |
| learning | 11 | 0,32% |
| papers | 11 | 0,32% |
| against | 10 | 0,29% |
| changjiang | 10 | 0,29% |
| robustness | 8 | 0,23% |
| neurips | 8 | 0,23% |
| language | 8 | 0,23% |
| attacks | 8 | 0,23% |
Индексация Готовность: 60%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 124 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Найден корректный robots.txt
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Robots.txt настроен корректно. Размер файла: 47 байт. Загружен за: 1сек.
Проверяемая страница не запрещена в robots.txt.
Robots.txt доступен по постоянному адресу
Цепочка редиректов для файла robots.txt:
http://tydusky.github.io/robots.txt
301 MovedPermanently
https://tydusky.github.io/robots.txt
200 OK
Показать содержимое robots.txt
Sitemap: https://tydusky.github.io/sitemap.xml
Sitemap
Кол-во: 1
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt содержит карту сайта. Это прекрасно!
Robots.txt не содержит ошибок в карте сайта.
Показать карту сайта
| Url | Статус |
|---|---|
| https://tydusky.github.io/sitemap.xml |
|
Внутренние ссылки
Кол-во: 13
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 13 оптимально.
Внутренние ссылки не запрещены к индексации в robots.txt.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| / |
Beyond the Payload: How User Invocation Shapes Coding Agent Vulnerability to Repository Poisoning
|
|
Анализировать url |
| / |
Leveraging Teacher-Forcing Token-Level Anomaly Signals for Heterogeneous Backdoor Filtering in LLMs
|
|
Анализировать url |
| / |
ARC: An Audit-Guided Risk Calibration Attack for Jailbreaking Multimodal Large Language Models
|
|
Анализировать url |
| / |
Beyond Over-Refusal: Defending Indirect Prompt Injection via Latent Instruction Manifolds
|
|
Анализировать url |
| / |
NeuroBreak: Unveil Internal Jailbreak Mechanisms in Large Language Models
|
|
Анализировать url |
| / |
Understanding and Mitigating Prompt Leaking Attacks in Real-World LLM-Based Applications
|
|
Анализировать url |
| / |
Customization under Fire: Plugin Poisoning in Text-to-Image Ecosystem
|
|
Анализировать url |
| / |
The Boy Who Cried Wolf: Adversarial Misclassification of Safe Inputs as Unsafe in Multimodal Guardrails
|
|
Анализировать url |
| / |
LoRAShield: Data-Free Editing Alignment for Secure Personalized LoRA Sharing
|
|
Анализировать url |
| / |
Leveraging Machine Unlearning for Cost-Efficient Preference Alignment
|
|
Анализировать url |
| / |
Content-Adaptive Implicit Neural Representations for Resolution-Agnostic Remote Sensing Watermarking
|
|
Анализировать url |
| / |
Compiling Activation Steering into Weights via Null-Space Constraints for Stealthy Backdoors
|
|
Анализировать url |
| / |
PerMemSafe: Benchmarking Implicit Personalized Safety of Long Horizon Self-Evolving Agents
|
|
Анализировать url |
Внешние ссылки
Кол-во: 106
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 106 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| scholar.google.com |
<i class="fas fa-fw fa-graduation-cap"></i> Google Scholar
|
Анализировать url |
| scholar.google.com |
<i class="fas fa-fw fa-graduation-cap"></i>
|
Анализировать url |
| alps-lab.github.io |
Ting Wang
|
Анализировать url |
| nesa.zju.edu.cn |
Shouling Ji
|
Анализировать url |
| aisecure.github.io |
Bo Li
|
Анализировать url |
| alps-lab.github.io |
Ting Wang
|
Анализировать url |
| scholar.google.com |
Tao Wei
|
Анализировать url |
| scholar.google.com |
Jie Shi
|
Анализировать url |
| 2026.emnlp.org |
EMNLP 2026
|
Анализировать url |
| ieeevis.org |
VIS 2026
|
Анализировать url |
| sigsac.org |
CCS 2026
|
Анализировать url |
| sigsac.org |
CCS 2026
|
Анализировать url |
| kdd2026.kdd.org |
KDD 2026
|
Анализировать url |
| signalprocessingsociety.org |
TIFS 2026
|
Анализировать url |
| icml.cc |
ICML 2026
|
Анализировать url |
| icdm2026.neu.edu.cn |
ICDM 2026
|
Анализировать url |
| icmr2026.org |
ICMR 2026
|
Анализировать url |
| 2026.aclweb.org |
ACL 2026
|
Анализировать url |
| iclr.cc |
ICLR 2026
|
Анализировать url |
| www2026.thewebconf.org |
WWW 2026
|
Анализировать url |
| kdd2026.kdd.org |
KDD 2026
|
Анализировать url |
| signalprocessingsociety.org |
TIFS 2025
|
Анализировать url |
| aaai.org |
AAAI 2026
|
Анализировать url |
| 2025.emnlp.org |
EMNLP 2025
|
Анализировать url |
| acmmm2025.org |
MM 2025
|
Анализировать url |
| iccv.thecvf.com |
ICCV 2025
|
Анализировать url |
| 2025.aclweb.org |
ACL 2025
|
Анализировать url |
| 2025.ijcai.org |
IJCAI 2025
|
Анализировать url |
| iclr.cc |
ICLR 2025
|
Анализировать url |
| aaai.org |
AAAI 2025
|
Анализировать url |
| coling2025.org |
COLING 2025
|
Анализировать url |
| 2024.emnlp.org |
EMNLP 2024
|
Анализировать url |
| ndss-symposium.org |
NDSS 2025
|
Анализировать url |
| 2024.acmmm.org |
MM 2024
|
Анализировать url |
| sigsac.org |
CCS 2024
|
Анализировать url |
| 2024.aclweb.org |
ACL 2024
|
Анализировать url |
| iclr.cc |
ICLR 2024
|
Анализировать url |
| nips.cc |
NeurIPS 2023
|
Анализировать url |
| iccv2023.thecvf.com |
ICCV 2023
|
Анализировать url |
| usenix.org |
USENIX Security 2023
|
Анализировать url |
| cybersecurity.springeropen.com |
Cybersecurity
|
Анализировать url |
| dl.acm.org |
Cert-RNN: Towards Certifying the Robustness of Recurrent Neural Networks
|
Анализировать url |
| usenix.org |
TextShield: Robust Text Classification Based on Multimodal Embedding and Neural Machine Translation
|
Анализировать url |
| ndss-symposium.org |
TextBugger: Generating Adversarial Text Against Real-world Applications
|
Анализировать url |
| arxiv.org |
ACIArena: Toward Unified Evaluation for Agent Cascading Injection
|
Анализировать url |
| arxiv.org |
“I See What You Did There”: Can Large Vision-Language Models Understand Multimodal Puns?
|
Анализировать url |
| openreview.net |
When Agents “Misremember” Collectively: Exploring the Mandela Effect in LLM-based Multi-Agent Systems
|
Анализировать url |
| arxiv.org |
FraudShield: Knowledge Graph Empowered Defense for LLMs against Fraud Attacks
|
Анализировать url |
| arxiv.org |
The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks
|
Анализировать url |
| arxiv.org |
Bridging the Copyright Gap: Do Large Vision-Language Models Recognize and Respect Copyrighted Content?
|
Анализировать url |
| arxiv.org |
HogVul: Black-box Adversarial Code Generation Framework Against LM-based Vulnerability Detectors
|
Анализировать url |
| arxiv.org |
DP-GenG: Differentially Private Dataset Distillation Guided by DP-Generated Data
|
Анализировать url |
| arxiv.org |
FedAU^2: Attribute Unlearning for User-Level Federated Recommender Systems with Adaptive and Robust Adversarial Training
|
Анализировать url |
| arxiv.org |
LSHFed: Robust and Communication-Efficient Federated Learning with Locally-Sensitive Hashing Gradient Mapping
|
Анализировать url |
| arxiv.org |
IPIGuard: A Novel Tool Dependency Graph-Based Defense Against Indirect Prompt Injection in LLM Agents
|
Анализировать url |
| arxiv.org |
VideoEraser: Concept Erasure in Text-to-Video Diffusion Models
|
Анализировать url |
| arxiv.org |
CLMTracing: Black-box User-level Watermarking for Code Language Model Tracing
|
Анализировать url |
| arxiv.org |
Enkidu: Universal Frequential Perturbation for Real-Time Audio Privacy Protection against Voice Deepfakes
|
Анализировать url |
| arxiv.org |
An Inversion-based Measure of Memorization for Diffusion Models
|
Анализировать url |
| arxiv.org |
Probing the Geometry of Truth: Consistency and Generalization of Truth Directions in LLMs Across Logical Transformations and Question
|
Анализировать url |
| arxiv.org |
Scalable Multi-Stage Influence Function for Large Language Models via Eigenvalue-Corrected Kronecker-Factored Parameterization
|
Анализировать url |
| arxiv.org |
CollabEdit: Towards Non-destructive Collaborative Knowledge Editing
|
Анализировать url |
| arxiv.org |
Bridging Context Gaps: Leveraging Coreference Resolution for Long Contextual Understanding
|
Анализировать url |
| arxiv.org |
Tool-Planner: Task Planning with Clusters across Multiple Tools
|
Анализировать url |
| arxiv.org |
DP-MemArc: Differential Privacy Transfer Learning for Memory Efficient Language Models
|
Анализировать url |
| arxiv.org |
DROWN: Towards Tighter LiRPA-based Robustness Certification
|
Анализировать url |
| arxiv.org |
CLIBE: Detecting Dynamic Backdoors in Transformer-based NLP Models
|
Анализировать url |
| arxiv.org |
SecCoder: Towards Generalizable and Robust Secure Code Generation
|
Анализировать url |
| arxiv.org |
TransLinkGuard: Safeguarding Transformer Models Against Model Stealing in Edge Deployment
|
Анализировать url |
| dl.acm.org |
Cons2Plan: Vector Floorplan Generation from Various Conditions via a Learning Framework based on Conditional Diffusion Models
|
Анализировать url |
| arxiv.org |
Unveiling the Vulnerability of Private Fine-Tuning in Split-Based Frameworks for Large Language Models: A Bidirectionally Enhanced Attack
|
Анализировать url |
| arxiv.org |
ERA-CoT: Improving Chain-of-Thought through Entity Relationship Analysis
|
Анализировать url |
| arxiv.org |
RA-ISF: Learning to Answer and Understand from Retrieval Augmentation via Iterative Self-Feedback
|
Анализировать url |
| openreview.net |
ReMasker: Imputing Tabular Data with Masked Autoencoding
|
Анализировать url |
| openreview.net |
Defending Pre-trained Language Models as Few-shot Learners against Backdoor Attacks
|
Анализировать url |
| openreview.net |
UniT: A Unified Look at Certified Robust Training against Text Adversarial Perturbation
|
Анализировать url |
| openreview.net |
VLATTACK: Multimodal Adversarial Attacks on Vision-Language Tasks via Pre-trained Models
|
Анализировать url |
| arxiv.org |
An Embarrassingly Simple Self-supervised Trojan Attack
|
Анализировать url |
| arxiv.org |
On the Security Risks of Knowledge Graph Reasoning
|
Анализировать url |
| ieeexplore.ieee.org |
NeuronFair: Interpretable White-Box Fairness Testing through Biased Neuron Identification
|
Анализировать url |
| dl.acm.org |
Cert-RNN: Towards Certifying the Robustness of Recurrent Neural Networks
|
Анализировать url |
| ieeexplore.ieee.org |
Enhancing Model Robustness by Incorporating Adversarial Knowledge into Semantic Representation
|
Анализировать url |
| par.nsf.gov |
SirenAttack: Generating Adversarial Audio for End-to-End Acoustic Systems
|
Анализировать url |
| usenix.org |
TextShield: Robust Text Classification Based on Multimodal Embedding and Neural Machine Translation
|
Анализировать url |
| ndss-symposium.org |
TextBugger: Generating Adversarial Text Against Real-world Applications
|
Анализировать url |
| researchgate.net |
Invisible Poisoning: Highly Stealthy Targeted Poisoning Attack
|
Анализировать url |
| link.springer.com |
Symmetric Frame Cracking: a Powerful Dynamic Textual CAPTCHA Cracking Policy
|
Анализировать url |
| link.springer.com |
Neural Network Model for Classifying the Economic Recession and Construction of Financial Stress Index
|
Анализировать url |
| ieeexplore.ieee.org |
Quantifying Graph Anonymity, Utility, and De-anonymity
|
Анализировать url |
| ieeexplore.ieee.org |
Online E-Commerce Fraud: A Large-scale Detection and Analysis
|
Анализировать url |
| link.springer.com |
You Are What You Search: Attribute Inference Attacks Through Web Search Queries
|
Анализировать url |
| nesa.zju.edu.cn |
Static taint analysis method for intent injection vulnerability in android applications
|
Анализировать url |
| nesa.zju.edu.cn |
Influence Spread in Social Networks with both Positive and Negative Influences
|
Анализировать url |
| arxiv.org |
Automatic Red Teaming LLM-based Agents with Model Context Protocol Tools
|
Анализировать url |
| arxiv.org |
G^2uardFL: Safeguarding Federated Learning against Backdoor Attacks via Attributed Client Graph Clustering
|
Анализировать url |
| onlinelibrary.wiley.com |
DetectSec: Evaluating the Robustness of Object Detection Models to Adversarial Attacks
|
Анализировать url |
| ieeexplore.ieee.org |
Your labels are selling you out: Relation leaks in vertical federated learning
|
Анализировать url |
| sciencedirect.com |
FineFool: A Novel DNN Object Contour Attack on Image Recognition Based on the Attention Perturbation Adversarial Technique
|
Анализировать url |
| 159.226.43.17 |
Robustness Certification Research on Deep Learning Models: A Survey
|
Анализировать url |
| jos.org.cn |
Security and Privacy of Machine Learning Models: A Survey
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Выполнен подробный анализ сайта tydusky.github.io: готовность к продвижению на 72%.
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: