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
1.1k累计阅读
1.1k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
secpol.msc 本地安全策略
事件查看器 eventvwr.msc
查看关键的日志，查看是否关机
通过系统 级别排序，可以知道是否强制关机、重启过
通过任务类别排序
任务类别为
（1)的为开机(2为系统关机(10）的磁盘运转(100）为电源更改(101）EFI时区更改（1014)在没有配置的DNS服务器响应之后，名称 wpad 的名称解析超时,（157）系统正在进入连接待机状态 ,（158）系统正在退出连接待机状态,（223）usb设备的弹出
查看用户审计是否单独组
services.msc
关闭不必要的服务
技巧：先启动类型排序，其次运行状态排序
高危端口
firewall.cpl
防火墙是否启用
可以看到一个高级设置，找到出站入站规则。
查看系统补丁（修补程序）
Systeminfo
禁用账户
设定阈值
本地安全策略 中的审核策略
防火墙设置
网络列表策略器
高级审核策略配置
Windows Server 2022 与 Win10/11 多用户 RDP 对比：2种方案与5个关键差异点
本文深入对比了Windows Server 2022与Win10/11在多用户RDP远程连接方面的两种方案：RDPWrap破解方案与Windows Server原生方案。从授权合规性、性能表现、管理复杂度等5个关键差异点进行分析，提供实战配置指南，帮助企业根据需求选择合规高效的多用户同时登录解决方案。
WINDOWS主机加固、安全加固
说明：该安全设置确定是否在 Windows 登录屏幕中显示最后登录到计算机的用户的名称。如果启用该策略，则不会在登录屏幕中显示最后成功登录的用户的名称。如果禁用该策略，则会显示最后登录的用户的名称。配置方法。
Windows 10安全加固实战：从零配置到等保2.0三级合规（附完整检查清单）
本文提供了一套为期七天的Windows 10安全加固实战方案，旨在帮助企业从零开始配置系统，以满足等保2.0三级合规要求。内容涵盖账户策略、系统补丁、服务精简、防火墙配置、Windows Defender高级防护以及审计日志管理等核心环节，并附有完整的自动化检查清单，帮助IT运维人员系统性地提升安全水位，实现可持续的合规运营。
系统安全加固(二) Windows系统加固
Windows系统常见的安全加固方法
Ansible管理Windows主机避坑大全：从Win7到Win10的PowerShell 5.1升级与WinRM认证那些事儿
本文详细介绍了使用Ansible管理Windows主机时的常见问题与解决方案，涵盖从PowerShell 5.1升级到WinRM认证配置的全流程。特别针对Windows 7到Windows 10系统的自动化运维需求，提供了实战经验与避坑指南，帮助工程师高效实现混合环境下的自动化管理。
Linux蓝牙开发实战：5分钟搞懂BlueZ与D-Bus通信原理（附D-Feet调试技巧）
本文深入解析Linux下BlueZ蓝牙协议栈与D-Bus通信的核心机制，提供实战开发指南。通过D-Bus对象模型、信号订阅等关键技术点的详细讲解，配合D-Feet工具的高效调试技巧，帮助开发者快速掌握蓝牙设备管理与性能优化方法，提升物联网开发效率。
Windows安全加固总结（非常详细）零基础入门到精通，收藏这一篇就够了
假设如果我们打开了自动播放功能，当攻击者插入一个带有恶意病毒的U盘时，windows就会自动的执行这个U盘上面的病毒，从而使我们的计算机处于非常危险的状态，所以必须要关闭windows的自动播放功能。有的时候，攻击者不一定要从网络上攻击你的计算机，也可能趁着你离开时时候操控你的计算机，偷取存在你计算机上面的重要资料！默认情况下，计算机的磁盘是默认开启共享的，如果配合windows特有的IPC$空链接的话，攻击者是可以不需要账户名密码就可以窃取你计算机上的资料的（后面的文章中小白会有介绍）
T型三电平关管顺序要求
摘要： T型三电平拓扑中，IGBT关断必须遵循“外管先关、内管后关”的时序，否则易导致器件损坏。正常导通时，外管与内管共同分担电压；正确关断时，外管先关使电流经内管续流至中点，避免电压过冲；若内管先关，电流路径被强制切断，杂散电感引发高压尖峰击穿器件。这一时序本质是为电流提供低应力续流路径，需通过硬件或软件严格保障。
Windows 10 21H2 安全加固指南（持续更新）
Windows Server 安全加固 一、系统信息 查看系统版本 命令 查看SP版本 wmic os get ServicePackMajorVersion 查看Hotfix wmic qfe get hotfixid,InstalledOn 查看主机名 hostname 查看网络配置 ipconfig /all 查看路由表 route print 查看开放端口 netstat -ano 二、补丁管理 2.1 安装补丁 操作目的 安装系统补丁，修补漏洞 检查方法 使用腾讯电脑管家企业版安装系统补丁，修补
芯片设计中的复位艺术——从异步复位同步释放到复位树构建
本文深入探讨了芯片设计中复位策略的核心技术与工程实践。重点解析了异步复位同步释放这一黄金方案的原理与优势，它通过复位同步器解决了异步复位释放时的时序风险。文章进一步阐述了如何构建稳健的复位树以应对大规模SoC设计，并分析了多时钟域与低功耗场景下的复位设计挑战，为提升芯片可靠性提供了系统性的方法论。
激光打标轴坐标计算分析
：基于坐标差的平方和开方运算，勾股定理将几何关系转化为代数计算，从而实现了从坐标到距离的精确转换12。直角三角形的应用从上图可以看到A,B,P三个点连起来就是一个直角三角形了。用勾股定理计算距离 C#有相关的方法直接传参数就可以了。很方便。
Kali Linux与Windows 10攻防靶场搭建与实战演练指南
网络安全的核心在于理解攻击与防御的对抗本质，这需要从基础概念入手。网络攻击通常遵循信息收集、漏洞利用、权限提升的链条，而防御则基于纵深防护、最小权限和补丁管理等原则。掌握这些原理对于构建健壮的安全体系具有重要价值，尤其在渗透测试、漏洞评估和应急响应等应用场景中。通过搭建可控的本地攻防实验室，安全从业者可以安全地实践这些技术，将理论转化为工程能力。本文聚焦于使用Kali Linux和Windows 10虚拟机，模拟真实环境中的渗透测试流程，涵盖从环境配置、漏洞扫描到利用与加固的完整闭环，特别涉及对永恒之蓝等经
基于YOLOv5/v8/v10的垃圾分类识别系统：设计实现与性能优化（附代码+数据集）
做完这个毕设，你已经掌握了从数据准备、模型训练到界面开发的全流程。把模型部署到树莓派上，做个真正的“智能垃圾桶”硬件装置；加入语音提示功能，检测到垃圾后自动语音播报类别；试试融合多个YOLO模型的优势，让分类精度再上一个台阶。按照这个教程一步步做，你的毕设不仅能顺利完成，还能做出很多亮点。要是过程中遇到啥问题，别慌，慢慢琢磨或者咱们一起聊聊，肯定能把这个毕设做成让你满意的作品。
服务器及电脑主机系统安全加固操作手册
目录 服务器系统安全加固操作手册 1 一、 总则 1 二、 适用范围 安全加固操作手册 v1.0 1 三、 主机安全加固 1 3.1. 帐户策略配置 1 3.2. 远程登录管理 2 3.3. 禁用文件共享 2 3.4. 本地安全策略 3 3.5. 安全审计 3 3.6. 入侵防御 4 3.7. 恶意代码防范 4 服务器系统安全加固操作手册 目录 服务器系统安全加固操作手册 1 一、 总则 1 二、 适用范围 安全加固操作手册 v1.0 1 三、 主机安全加固 1 3.1. 帐户策略配置 1 3.2. 远程登
Vue3 - 实现内网使用天地图离线地图，详解项目加载天地图的离线地图服务器部署与使用教程示例源码，vue3如何实现天地图的离线加载部署在内网访问（天地图资源下载/瓦片等流程教学，实现天地图各种功能）
Vue3中加载天地图的离线地图，天地图——内网使用离线地图，vue3+leaflet实现天地图离线访问，vue3项目中利用leaflet使用天地图，vue3项目中使用天地图离线地图，天地图离线瓦片的打包与发布（GeoServer）天地图离线瓦片数据下载及本地化部署，在内网中无法直接使用外网天地图资源怎么办，在vue3中openLayers加载地图 -使用天地图的瓦片数据。VUE3天地图离线怎么使用，内网部署天地图，天地图离线瓦片，部分瓦片数据，天地图如何离线，无需网络调用天地图API，vue天地图离线地图，
ardupilot BMI088加速度陀螺仪学习
本节主要记录ardupilot 中BMI088传感器的学习过程，欢迎批评指正。BMI088是一款高性能6轴惯性传感器，由16位数字三轴±24g加速度计和16位数字三轴±2000°/ s陀螺仪组成。 BMI088允许高精度测量方向和沿三个正交轴的运动检测。BMI088具有高振动鲁棒性和3 x 4.5 x0.95mm³的小尺寸，是用于无人机和机器人应用等恶劣环境的高性能IMU中的独特产品。 BMI088专门设计用于有效抑制由于PCB上的共振或整个系统的结构而可能发生的振动。 除了高振动稳定性外，BMI088的出
从零到一搞懂 Windows 主机安全：一套完整的「保命指南」
这篇技术文章分享了Windows主机安全防护的实用指南。作者从不同Windows版本的风险差异入手，分析了老系统和新系统的安全特点及防御重点。文章详细介绍了应急响应时抓取日志、进程和端口三大关键证据的方法，并提出了四层立体防御体系：网络层封堵入口、账户层强化认证、系统层修补漏洞、终端层培养良好习惯。还整理了常用排查命令清单，包括端口、账户、进程和日志相关的实用指令。最后强调安全防护需要持续学习和实践，建议结合靶场训练提升应急响应能力。全文以技术干货为主，适合Windows安全入门者参考学习。
吊打BEVFormer！GaussianBeV实战：用3D高斯开启BEV分割新范式
GaussianBeV是一种基于3D高斯建模的BEV分割新方法，在自动驾驶感知任务中实现了SOTA性能。其核心创新在于将场景元素表示为3D高斯分布，通过均值、协方差和权重精确描述物体位置、形状和置信度，相比传统BEV方法具有更强的空间建模能力。文章详细介绍了GaussianBeV的原理、环境配置、训练推理流程及其在自动驾驶和城市3D重建中的应用，并讨论了优化方向和未来发展趋势。该方法在nuScenes等数据集上表现出色，为BEV分割任务提供了新的解决方案。
windows主机加固和评测
账户 默认账户安全 禁用Guest账户。 禁用或删除其他无用账户（建议先禁用账户三个月，待确认没有问题后删除。） 1.Guest账户为临时账户，但是该账户允许用户登录到网络、浏览internet以及关闭计算机。黑客可以通过guest用户提权到administrator组得到管理员权限，进行后渗透。 2防止提权 3因为直接删除，有些正常用户就无法使用了，为了避免影响业务所以先禁用三个月，在三个月之内需要使用的用户发现异常会联系你，也就知道哪些是正常用户哪些该用户该删除。 实操
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
内网渗透靶场搭建实战指南 (AD 域环境版)
搭建靶场的过程本身就是学习。当你亲手配置好 DNS、AD 和文件共享，你就已经理解了内网的一半原理。
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")
5个关键步骤：如何免费解锁Windows远程桌面无限连接功能？
想象一下这样的场景：你正在使用Windows家庭版，突然需要远程访问办公室的电脑处理紧急工作，却发现系统提示"您的版本不支持远程桌面"。这种限制不仅影响工作效率，还让人感到挫败。幸运的是，RDP Wrapper Library为我们提供了一个完美的解决方案，它能够绕过微软的系统限制，让所有Windows版本都支持专业级的远程桌面功能。远程桌面连接功能、远程桌面主机支持和并发远程桌面会话，这些原本只
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
终极指南：如何在Windows家庭版上免费启用远程桌面多用户会话
你是否曾经因为Windows家庭版不支持远程桌面而烦恼？或者需要在同一台电脑上同时运行多个远程会话？**RDP Wrapper Library**就是解决这些问题的完美方案！这个开源工具让你可以在任何Windows版本（从Vista到Windows 10）上免费启用远程桌面主机支持，并实现并发RDP会话功能。 ## 1. 痛点分析与解决方案概述 ### 🎯 Windows家庭版用户的远程桌面
Windows远程桌面终极解锁指南：RDP Wrapper完整教程
RDP Wrapper Library是一款革命性的开源工具，它能够让你在Windows家庭版和专业版上免费启用远程桌面主机功能，并支持多人同时连接。无论你是家庭用户想要远程访问自己的电脑，还是企业需要多人共享服务器资源，这个工具都能完美解决Windows远程桌面的限制问题。 ## 🚀 RDP Wrapper是什么？ RDP Wrapper Library是一个轻量级的软件层，它位于Wind
Windows操作系统的安全加固
实验网络拓扑如下： 工具简介 Kali操作系统 Kali Linux是安全业内最知名的安全渗透测试专用操作系统。它的前身就是业界知名的BackTrack操作系统。BackTrack在2013年停止更新，转为Kali Linux。Kali Linux集成了海量渗透测试、网络扫描、攻击等专用工具。通过系统更新，用户可以快速获取最新的各类工具。所以，Kali Linux是专业人员的不二选择。 Nmap Nmap（网络映射器）是一款用于网络发现和安全审计的网络安全工具，它是自由软件。软件名字Nmap是Ne
对应win10的服务器系统,我的系统变成win10远程服务器系统
我的系统变成win10远程服务器系统 内容精选换一换等保建设助手为用户提供等保定级和差距评估咨询，根据系统情况提供定级参考意见和相关技术建议书以及等保条款分析情况汇总，根据等保差距要求，服务类型以远程或现场方式提供安全加固建议。购买时，用户需要反馈基础版、高级版的数量，以及用户信息。在成功购买服务后，华为安全专家团队将根据用户IT系统的实际情况提供定级意见、差距分析以及安全加固建议。购买实仅在部分...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
255
扫一扫
