墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
3.1k累计阅读
3.1k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
未经许可，不得转载。
PostMessage是一个用于在网页间安全地发送消息的浏览器 API。它允许不同的窗口（例如，来自同一域名下的不同页面或者不同域名下的跨域页面）进行通信，而无需通过服务器。通常情况下，它用于实现跨文档消息传递（Cross-Document Messaging），这在一些复杂的网页应用和浏览器插件中非常有用。
在深入学习本文前，通过父子窗口间的消息传递示例代码+浏览器回显带领读者了解必要的知识。
1、send.html通过 postMessage 函数向receive.html发送消息：
超级会员免费看
<!--send.html-->
<!DOCTYPE html>
<html深入解析XSS漏洞：从原理到实战攻防
跨站脚本攻击（XSS）是Web安全领域最常见且危害巨大的漏洞之一，其核心原理在于浏览器对同源内容的信任机制被恶意利用。攻击者通过将恶意脚本注入到可信网站中，当其他用户访问时，浏览器会将其视为合法代码执行，从而突破同源策略的防护。这种攻击的技术价值在于它能直接窃取用户会话Cookie、发起键盘记录或钓鱼攻击，甚至结合其他漏洞形成蠕虫传播，对用户数据和应用安全构成严重威胁。在实际应用场景中，XSS漏洞广泛存在于用户输入点，如搜索框、评论区和URL参数等，攻击者常利用存储型XSS实现持久化攻击，或通过DOM型XS
XSS漏洞攻防实战：从原理到检测与防御全解析
跨站脚本攻击（XSS）是Web安全领域的核心漏洞之一，其本质是攻击者通过注入恶意脚本，利用浏览器对用户输入的信任执行非法操作。理解XSS的原理，关键在于掌握HTML注入与脚本执行机制，这直接关系到Web应用的用户输入与内容展示逻辑。从反射型、存储型到DOM型XSS，每种类型都揭示了前端与后端交互中的安全薄弱点。掌握XSS检测技术，不仅能提升渗透测试能力，更能帮助开发者构建更安全的代码。在实际工程中，通过搭建DVWA、bWAPP等靶场环境，结合Burp Suite等工具进行手动与自动化测试，可以有效发现并验证
CTF Web安全入门：XSS跨站脚本攻击原理、类型与实战利用
跨站脚本攻击（XSS）是Web安全领域的核心漏洞之一，其本质是攻击者通过注入恶意脚本，利用浏览器对用户输入的信任，在受害者浏览器中执行非授权代码。从原理上看，XSS源于Web应用未对用户输入进行充分过滤或转义，导致数据被错误解析为可执行代码。其技术价值在于揭示了客户端与服务器端信任边界的脆弱性，是理解Web安全模型的关键切入点。在应用场景上，XSS广泛存在于社交平台、论坛、电商网站等用户交互频繁的环节，常被用于窃取会话Cookie、发起钓鱼攻击或进行页面篡改。本文聚焦于CTF竞赛中的XSS实战，深入剖析反射
js中窗口的postMessage方法1
js中窗口的postMessage方法1
LLM and Embedding区别
LLM（大语言模型）和 Embedding（嵌入）是自然语言处理（NLP）中的两个核心概念，它们的核心区别在于。Embedding 计算向量。
你不知道的Postman的Mock接口测试，看这一篇就够了
创建Mock服务你可以从Postman已有的测试集(Collection)中创建Mock Server或者直接创建Mock Server（我们这里选择从已有的测试集中创建Mock Server）Mock server详细配置页面，在此页面中我们可以设置：命名Mock Server选择一个环境（可选的），我们可以选择之前设置过的环境，Mock Server将会使用对应环境中设置过的变量在对应的请求和响应中如果想要将Mock Server设置私有访问的，那么可以勾选此选项，不勾选则对所有人可见。
【即插即用模块】Transformer篇 | CVPR 2025 | SADA：多尺度+可变形采样，完美替换自注意力实现涨点！
文章摘要 本文提出了一种尺度自适应可变形注意力模块（SADA），用于处理图像修复中的结构化伪影问题。SADA通过多尺度多头机制捕获远程依赖关系，并引入可变形采样偏移来有效处理非均匀空间分布的模式。该模块适用于底层视觉任务，可替代ViT自注意力，实验证明能显著提升性能。代码已开源，支持即插即用集成。 核心特点： 多尺度头适应不同大小的重复模式 可变形偏移优化非均匀分布采样 轻量级设计，易于集成到现有架构 适用场景：图像去噪、超分辨率等底层视觉任务。
断层错动和近断层地震动联合作用下软岩隧洞衬砌损伤分析
摘要 本文提出了一种基于Python的软岩隧洞衬砌损伤分析系统，重点研究断层错动和近断层地震动的联合作用效应。系统采用有限元方法建立隧洞-围岩体系模型，通过非线性动力分析评估衬砌结构损伤。研究内容包括：1)建立考虑应变软化的软岩本构模型；2)基于位错理论模拟断层错动过程；3)合成具有速度脉冲效应的近断层地震动；4)开发完整的动力响应分析流程。结果表明，所提出的方法能有效评估软岩隧洞在复杂地质条件下的抗震性能，为工程设计提供理论依据。 关键词：软岩隧洞、断层错动、近断层地震动、损伤分析、Python、有限元法
Linux驱动学习--HCI框架及源码分析
目录 一、引言 二、HCI框架 三、pcm_read简要分析 一、引言 最近一直在分析蓝牙驱动，发现在底层驱动与上层协议栈间还有一层HCI，主机控制层，两者之间通过HCI协议通讯 而Linux也将HCI协议抽象层了一个框架。 为上层提供一个统一的接口，让上层协议不依赖于具体硬件的实现。HCI在硬件中的固件与HCI在主机端的驱动通信方式有多种，比如像 UART、USB和PC Card等等。hci_core.c相当于一个框架，用于把各种具体通信方式绞合起来，并提供一些公共函数的实现。 今天就来简单的分析一下 二
【学习系列】SAP RAP 2：创建第一个RAP应用
本文介绍了从零开始创建基于SAP RAP（ABAP RESTful Application Programming Model）的Fiori应用的完整流程。首先说明了学习RAP需要结合官方文档和教程，并提供了相关资源链接。文章详细讲解了开发环境的准备要求，包括系统版本、开发工具和基本知识。重点演示了如何通过8个步骤创建支持CRUD操作和草稿功能的RAP应用：1)创建数据库表；2)定义CDS视图实体；3)创建投影视图；4)定义行为；5)创建行为投影；6)定义服务；7)绑定服务；8)添加UI注解。
把收款差异从扯皮变成闭环：SAP S/4HANA Dispute Resolution 模块到底解决什么问题？
本文摘要： SAP S/4HANA的争议解决模块（Dispute Resolution）通过标准化流程管理企业应收争议，解决发票与收款差异问题。核心是创建可追踪的Dispute Case工单，明确处理角色（Processor和Manager），并与财务系统联动实现自动清账。系统支持手工/自动创建争议工单，通过动态默认值减少错误，并最终实现争议金额归零的闭环管理。文中给出制造业客户扣款的完整处理案例，并强调组织落地需统一权限与目录。最后提供ABAP代码示例展示如何通过BAPI创建争议工单。（150字）
Java语音革命：用代码打造永不疲倦的AI客服，让客户支持效率飙升300%！
客户支持领域常面临“薛定谔困境”，即无法预知客户来电的意图是投诉还是表扬。通过Java技术，尤其是语音识别和自然语言处理（NLP），可以有效解决这一问题。文章展示了如何利用Java代码构建“声纹量子引擎”，实现客户支持的自动化。核心技术包括录音与预处理、语音识别和语义理解。通过百度AI API和Stanford NLP，系统能够快速、准确地识别客户语音并理解其意图。数据表明，优化后的AI处理时间从15分钟缩短至18秒，语音识别准确率提升至98.5%，并发处理能力达到单实例1000+请求。这些技术显著提升了客
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
330
扫一扫
