struts2文件上传突破2M限制

Struts2 S2-061漏洞深度剖析:OGNL沙盒绕过与实战利用 OGNL表达式注入是Java Web安全领域一个经典且高危的漏洞类型,其原理在于攻击者能够将恶意表达式注入到服务器端并执行,从而突破应用逻辑,实现远程代码执行。这种技术的核心价值在于它绕过了常规的输入过滤,直接利用了应用框架的动态求值能力。在Struts2等流行框架中,OGNL被广泛用于数据绑定和视图渲染,一旦处理不当,便成为严重的攻击面。S2-061漏洞正是这一场景的典型体现,它通过利用Tomcat的InstanceManager和Commons Collections的BeanMap等合法API,巧妙地 阅读详情

struts配置文件

	<action name="FileUpload" class="cn.timefly.strutsTest.FileUploadAction">
		<result name="success">/FileUploadResult.jsp</result>
		<result name="input">/FileUpload.jsp</result>
		<interceptor-ref name="fileUpload">
			<param name="maximumSize">5000000</param>
			<param name="allowedTypes">application/vnd.ms-powerpoint</param>
		</interceptor-ref>
		<interceptor-ref name="defaultStack" />
	</action>

 

struts2文件上传默认的大小是2M,如果需要强制吧大小改为超过2M就会报错

如果需要上传5M的文件,在struts.xml配置文件中就需要加入这样一句:

 <constant name="struts.multipart.maxSize" value="9000000"/>


发现struts.multipart.maxSize和fileUpload拦截器的maximumSize属性分工不同,总结如下:


1.struts.multipart.maxSize掌控整个项目所上传文件的最大的Size。超过了这个size,后台报错,程序处理不了如此大的文件。fielderror里面会有如下的提示:
the request was rejected because its size (16272982) exceeds the configured maximum (9000000)


2.fileUpload拦截器的maximumSize属性必须小于struts.multipart.maxSize的值。
struts.multipart.maxSize默认2M,当maximumSize大于2M时,必须设置struts.multipart.maxSize的值大于maximumSize。


3.当上传的文件大于struts.multipart.maxSize时,系统报错
   当上传的文件在struts.multipart.maxSize和maximumSize之间时,系统提示:
   File too large: file "MSF的概念.ppt" "upload__5133e516_129ce85285f__7ffa_00000005.tmp" 6007104
   当上传的文件小于maximumSize,上传成功。

 

从Struts2到WebLogic:我用Vulfocus靶场梳理的Java反序列化漏洞攻防演进史 本文详细回顾了Java反序列化漏洞从Struts2到WebLogic的攻防演进史,通过Vulfocus靶场复现经典漏洞案例,解析漏洞原理与防御策略。文章涵盖漏洞利用工具链、防御技术进化及企业级防护方案设计,为安全工程师提供实战参考。 阅读详情

相关推荐

手把手教你用Docker快速搭建Vulhub Struts2靶场(CVE-2020-17530实战)

本文详细介绍了如何使用Docker快速搭建Vulhub Struts2靶场,并深入分析了CVE-2020-17530漏洞的OGNL注入原理与实战复现方法。通过分步指南和代码示例,帮助安全研究人员快速掌握漏洞环境部署、检测与防御策略,提升网络安全防护能力。

weixin_30275415的博客 425

Android数据库存储的单行数据不宜超过2M

Android SQLite在光标返回行的窗口是指定了一个最大大小为2MB的config_cursorWindowSize值,如果你的行大小超过此限制,会出错。

weixin_41727741的博客 2853

基于Struts的带验证码与单点登录系统设计与实现

简介:登录系统是应用安全的核心,本实例结合验证码、单点登录(SSO)和Struts框架,构建了一个安全且用户友好的身份认证解决方案。系统通过用户名密码登录机制验证用户身份,引入图片验证码防止机器人攻击,利用Struts框架实现MVC架构下的请求处理与流程控制,并通过拦截器限制未授权访问。同时,集成单点登录技术,使用户一次登录即可访问多个关联应用,提升用户体验。项目包含完整的Java Web技术栈实践,适用于学习和实际项目参考。

weixin_35751412的博客 925

使用http协议实现文件的上传(http协议上传文件一般最大是2M,比较适合上传小于两M的文件)

import java.io.File;  import java.io.FileInputStream;  import java.io.FileNotFoundException;  import java.io.InputStream;    /** * 上传的文件 */  public clas

伍新的博客 4178

TSMaster实战:如何用LIN总线唤醒你的汽车电子系统(附波形分析)

本文通过TSMaster工具实战解析LIN总线唤醒机制。详细介绍了LIN网络唤醒的协议要求、时序参数计算,并演示了如何在TSMaster中配置唤醒信号、捕获分析波形,以及验证休眠流程。文章结合常见问题排查,为汽车电子工程师提供了从理论到实践的完整调试指南。

weixin_28308325的博客 464

【硬件开源实战】STM32G070RBT6开发板从设计到避坑全解析

本文全面解析了STM32G070RBT6开发板从硬件设计到避坑的实战经验。详细介绍了电源设计、时钟电路、PCB布局等关键环节,分享了成本控制、焊接测试、软件开发和外设驱动的实用技巧,帮助开发者高效完成项目开发。

weixin_26897585的博客 246

android上传大文件亲测可用,上传200M个文件,不到3分钟

之前贴过个例子是android 入门学习笔记 上传大文件 这种的文件大小限制很严,一般30M以上就报错了。网上查了一下,还是推荐用Socket连接进行大文件上传。 今天测试了一下之前网上找的例子,通过Socket实现的android下大文件上传,服务器端用java接收。测试上传了个200M的文件,不到三分钟!还是可以接受的。 只是做了个简单的测试例子,还没有考虑到权限问题(手机上传

Dream It Possible 7404

Icarus Verilog和GTKwave使用简析

本简要介绍Icarus Verilog和GTKwave的使用,使用iverilog(Icarus Verilog)编译仿真verilog而使用GTKWave查看仿真数据波形下载安装 基本使用 iverilog使用 GTKWave使用 iverilog常用选项 使用库 注意

husipeng86的专栏 1万+

struts2文件上传突破2M大小限制的问题

最近项目需要加一个问答功能,其中在写struts2上传附件的时候,老是出一些莫名其妙的错:   其中,最关键的原因是的struts2默认的文件大小2M,如何突破这个限制,上传一定范围内大小的附件呢   出现的错误有如下: 1、2012-02-24 11:06:31,937 ERROR (org.apache.struts2.dispatcher.Dispatcher:512) -

薄技在身 924

Jupyter Lab 无法启动 Kernel 问题排查与解决总结

使用 curl,telnet,或 Python websocket-client 库可以本地模拟 WebSocket 握手行为,帮助分析服务端响应状态。避免使用 http:// + ws:// 组合方式部署 Jupyter Lab,特别是在远程或跨域访问场景。建议统一采用 https:// + wss:// 方式部署,确保浏览器信任并兼容。确认 WebSocket 已升级为 wss://,内核可正常启动。但在远程访问时,浏览器出于安全策略,默认拒绝 ws:// 协议。

weixin_43866043的博客 1862

微信小程序 - 最新实现项目适老化设计全流程及源码,老年模式大字版与常规版页面样式切换,老年人大字模式字体与布局更换关怀版解决方案(新老项目均适用的方案,全局页面统一修改文本字号/DOM排版元素等)

微信小程序,vue2,vue3,老年大字版设计,小程序开发如何实现适老化方案,放大字体字号及改变页面的布局,小程序关怀模式实现思路及代码,统一将布局都改了,全局修改字体大小适配老年人看不清问题,小程序怎么接入老年模式并根据模式改变页面的UI设计,实现全局修改字体大小适老化/关怀版改造,最新详细示例代码全流程,字体放大/缩小,老项目怎么适配老年人模式方案,小程序适老化设计指南,当切换成老年模式时页面所有排版都会发生变化,小程序vue开发,新手详细教程,老年模式字体设置思路和UI布局的设计,开发者可以通过wx.

🏆 前端领域优质创作者 7313

struts2 html post large data,struts2文件上传限制大小问题

struts2默认文件上传大小为2M,如需改动默认大小,解决方法例如以下:/success.jsp/error.jsp5242880struts.multipart.maxSize和fileUpload拦截器的maximumSize属性分工不同1、struts.multipart.maxSize控制整个项目所上传文件的最大size。超过这个值,后台报错the request was rejecte...

weixin_35747785的博客 259

借助Gemini 3 Pro高效解决课题申报中的五大核心痛点,亲测有效经验分享

之前给大家分享过关于AI辅助课题申报的相关的内容,涵盖了申报书部分撰写技巧,但没针对性拆解各位同仁在实际申报时遇到的卡壳的地方。比如选题范围拿捏不准,定的太大,根本没法落地完成;定的太小,研究价值则体现不了;写综述时,容易单纯罗列文献,缺乏批判性视角,没办法自然融入自己的判断,找不到研究缺口;研究方法部分,可能担心方法设计不够严谨,别人难以复现.....针对这些申报中的高频痛点,接下来七哥会从五个核心要点出发,借助Gemini 3 Pro高效解决这些痛点。

智能AI让学术科研更容易 702

ESXi 8.0.3 挂载USB外置硬盘:从数据存储到直通的完整指南

在虚拟化环境中,存储管理是保障业务连续性的核心环节。ESXi 作为主流虚拟化平台,对 USB 外置硬盘的处理机制与普通物理机截然不同——它通过 USB Arbitrator 仲裁设备的归属权,默认将设备保留给虚拟机直通而非宿主机存储。理解这一原理,是正确配置的前提。从技术价值看,USB 外置硬盘既能扩展 ESXi 的数据存储容量,用于存放虚拟机备份、ISO 镜像;也能通过直通方式成为虚拟机专属数据盘,满足移动存储或缓存需求。在实际应用中,家庭服务器、测试环境及临时备份节点均常见其身影。针对 ESXi 8.0

weixin_34345753的博客 283

从零开始学习PX4源码20(遥控器模式切换如何执行)

本节主要学习PX4的手动遥控器切换模式,具体是如何实现的,具体改变了哪些变量,和模式管理有什么联系。

陌城烟雨 319

MIPI RFFE 信号完整性与硬件设计

MIPI RFFE信号完整性设计关键点 摘要:MIPI RFFE作为射频前端控制总线,其信号完整性设计需平衡速率、驱动能力与抗干扰性。核心挑战在于确保接收端在52Mb/s速率下保持足够的电压和时序裕量。关键设计考量包括: 驱动能力优化:过强导致过冲/振铃和射频杂散,过弱则恶化时序裕量,需与总线负载匹配。 波形质量指标:严格控制上升/下降时间(兼顾EMC和时序要求),抑制过冲/振铃幅度,管理VIO电源纹波和耦合噪声。

sinat_15150363的博客 241

Struts2上传文件突破2M限制

在使用struts2提供的fileUpload组件进行文件上传时,我们可以在配置上传使用的拦截器的时候配置一个文件最大为多少的限制:   &lt;action name="contribute" class="contributeAction"&gt; &lt;interceptor-ref name="fileUpload"&gt; &lt;param name="allowe.

u011374091的博客 207

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

java struts注意事项_Struts2文件上传,以及各种注意事项

首先肯定是要配置好struts2环境,这个在另一篇《struts2环境搭建,以及一个简单实例》里已经讲过了首先是网页部分,upload_file.jspUpload File查看代码上传文件的表单,metho必须设置成post,enctype必须设置成multipart/form-data。从上面代码中可以看到这个表单提交给了UploadFile这个action来处理,那我们在struts.xml...

weixin_42332647的博客 193

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

java中Struts2文件上传问题详解

java中Struts2文件上传问题详解 文件上传和文件下载是我们在web应用程序中常用的两个功能,在java中,实现这两种功能的方式也有很多种,其中struts2就给我们提供了一种算是比较简单的方式吧,下面我们就一起来看一下,首先是网页部分,upload_file.jsp?12345678910111213&lt;%@ page language="java" import="java.util...

qq_38136705的博客 229

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

struts2 文件上传

1.单文件上传,不多说,见图: [img]http://dl.iteye.com/upload/attachment/273183/ce2f2c93-7715-3591-9b1e-4329033f2cea.jpg[/img] 注意第3步action中的属性名,以及get和set方法,名称不能乱写,属性名后缀不能变(contentType是得到文件的类型,fileName是得到上传的文件名)...

zwei5686的博客 141

从Struts2漏洞看Java Web安全:一个OGNL表达式注入引发的十年“血案”

本文深入分析了Struts2框架中OGNL表达式注入漏洞的十年演进历程,从S2-001到S2-019等多个高危漏洞的复现与修复策略,揭示了Java Web安全的设计缺陷与防护措施。文章还提供了现代Web框架的安全设计启示和开发者防护指南,帮助读者全面理解并防范类似安全风险。

weixin_30776545的博客 480
上一篇: tomcat编码修改
下一篇: 统一设置Eclipse编码
Android_Robot
博客等级 码龄15年 62粉丝 88原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值