20202418 2022-2023-2 《网络与系统攻防技术》实验四实验报告

20212408 2023-2024-2 《网络与系统攻防技术》实验六实验报告 由于VBScript脚本执行引擎(vbscript.dll)存在代码执行漏洞,攻击者可以将恶意的VBScript嵌入到Office文件或者网站中,一旦用户不小心点击,远程攻击者可以获取当前用户权限执行脚本中的恶意代码,该漏洞影响最新版本的IE浏览器及使用了IE内核的应用程序。这个漏洞是今年来说危害严重性最大的漏洞,换句话说,该漏洞是“可传播的”,这意味着任何利用该漏洞的恶意软件都可能从受影响的计算机传播到受影响的计算机,就像2017年Wanna Cry恶意软件在全球蔓延一样, 跟勒索,永恒之蓝病毒差不多。 阅读详情

20202418 2022-2023-2 《网络与系统攻防技术》实验四实验报告

1.实验内容

(1)对提供的rada恶意代码样本,进行文件类型识别,脱壳与字符串提取,以获得rada恶意代码的编写作者
(2)使用IDA Pro静态或动态分析crackme1.exe与crakeme2.exe,寻找特定输入,使其能够输出成功信息
(3)分析一个自制恶意代码样本rada,并撰写报告
(4)取证分析实践Windows 2000系统被攻破并加入僵尸网络

2.实验过程

2.1 恶意代码文件类型标识、脱壳与字符串提取

2.1.1使用文件格式和类型识别工具,给出rada恶意代码样本的文件格式、运行平台和加壳工具

使用Linux的file指令,将文件放到虚拟机中中,可扫描得到rada文件格式。
在这里插入图片描述
同时使用PEiD软件,能获取到rada的加壳信息。
在这里插入图片描述
通过上述操作,可知rada的文件格式为 PE32 executable (GUI) Intel 80386,运行平台为windows系统,加壳工具为UPX。

2.1.2 使用超级巡警脱壳机等脱壳软件,对rada恶意代码样本进行脱壳处理

下载超级巡警脱壳机,拖入文件可得到脱壳后的代码。
在这里插入图片描述

2.1.3 使用字符串提取工具,对脱壳后的rada恶意代码样本进行分析,从中发现rada恶意代码的编写作者是谁

使用windows自带的strings指令,可看出来脱壳后rada存在的字符串样本。在windows中,strings命令在对象文件或二进制文件中查找可打印的字符串。字符串是4个或更多可打印字符的任意序列,以换行符或空字符结束。 strings命令对识别随机对象文件很有用。
在这里插入图片描述
可看出在软件中有两个人名,那大概率就是Raul Siles和David Perez两位国际友人了。

2.2 使用IDA Pro静态或动态分析crackme1.exe与crakeme2.exe,寻找特定输入,使其能够输出成功信息

2.2.1 下载IDA Pro,利用IDA Pro分析文件

在这里插入图片描述

2.2.2 利用反编译查看软件的高级语言

2.2.2.1 要反编译谁?

选择“View”→“Graphs”→“Function calls”,查看函数调用图。
可以看到,_main函数可以调用_fprintf和_printf。据此,我们判断_main中包含选择输出哪些信息的逻辑结构。
在这里插入图片描述

2.2.2.2 如何反编译?

通过“Jump”→“Jump to function”→“_main”查看_main函数。按下F5(或“View”→“Open subviews”→“Generate pseudocode”)进行反编译。
在这里插入图片描述
如图所示,得到main函数的代码。
在这里插入图片描述
其中arcg指的是指令的参数数量(包括文件名本身),如果输入I know the secret的话,就会打印出来You know how to speak to programs, Mr. Reverse-Engineer。如果输入两个参数,但第二个参数不是我知道秘密的话,就会输出pardon? what did you say?。如果是其他参数数量就是I think you are missing something.
因此只需要在命令行中输入crackmel. exe "I know the secret“即可
在这里插入图片描述

2.2.3 仿照上述操作获得crackme2的输入

在这里插入图片描述
如图所示,这个就要求第一个输入参数为crackmeplease.exe,但问题在于如果输入这个,就无法调用这个程序本身。
正解是直接修改文件名,修改成crackmeplease.exe即可。

在这里插入图片描述

2.3 分析一个自制恶意代码样本rada

2.3.1 提供对这个二进制文件的摘要,包括可以帮助识别同一样本的基本信息

输入所示,打开对应的网站,获取对应的摘要信息。
在这里插入图片描述
在这里插入图片描述
使用file指令,可以获得一些样本的基本信息。

2.3.2 找出并解释这个二进制文件的目的

2.3.2.1打开Process Explorer,然后搜索RaDa

在这里插入图片描述

2.3.2.2打开unpacked的rada,注意弹出窗口后不要点击确定!

在这里插入图片描述
双击对应的进程,点击字符串,可以看到
在这里插入图片描述

在这里插入图片描述
可知该二进制文件有以下行为:

1、该文件通过HTTP协议请求10.10.10.10\RaDa\RaDa_commands.html。
2、在C盘中创建一个RaDa文件夹,包含tmp和bin两个子文件夹,其中将RaDa.exe复制在bin子文件夹中。
对注册表进行读、写和删除。
3、添加2个注册表项,路径为分别为HKLM(即HKEY_LOCAL_MACHINE)\Software\Microsoft\Windows\CurrentVersion\Run\和HKLM\Software\VMware, Inc.\VMware Tools\InstallPath。其中HKLM类型为REN_SZ,数据内容为C:\RaDa\bin
4、远程控制电脑,如put、get、screenshot、sleep。

2.3.3 识别并说明这个二进制文件所具有的不同特性

1、当文件被执行时,其将自身安装到系统中,拥有修改注册表项的能力。
2、文件能够请求页面并获得来自攻击者的指令。
3、文件能够使用put、get、screenshot、sleep等指令。

2.3.4 识别并解释这个二进制文件中所采用的防止被分析或逆向工程的技术

使用了upx加壳技术

2.3.5 对这个恶意代码样本进行分类(病毒、蠕虫等),并给出你的理由

鉴定为后门程序
一是这个恶意代码没有传播的迹象,其次是这个代码也没有伪装成正常的程序,同时他具有拍摄截屏等敏感操作的功能,有很强的控制能力,故属于某种后门软件。

2.3.6 给出过去已有的具有相似功能的其他工具

实验二使用的msfvenom生成的后门软件也能够进行截图等相关操作,有些类似。

2.3.7 可能调查处这个二进制文件的开发作者吗?如果可以,在什么样的环境和什么样的限定条件下?

可以,在Windows环境中,输入–author即可弹出开发作者。
在这里插入图片描述

2.4 取证分析实践 Windows 2000系统被攻破并加入僵尸网络

2.4.1 IRC是什么?当IRC客户端申请加入一个IRC网络时将发送那个消息?IRC一般使用那些TCP端口?

IRC即Internet Relay Chat,互联网中继聊天,是一种使用客户端-服务器架构的多用户聊天系统。客户端用户可以加入特定的频道(channel)与该频道中的所有用户聊天,也可以采用私聊的方式。特点是速度非常之快,聊天时几乎没有延迟的现象,并且只占用很小的带宽资源。

使用IRC首先要进行注册,注册时需要发送的消息有三种,分别是口令、昵称和用户信息。当IRC客户端申加入一个IRC网络时将发送JOIN信息来加入频道

IRC服务器通常在6667端口监听

2.4.2 僵尸网络是什么?僵尸网络通常用于什么?

僵尸网络(BotNet)是指攻击者(botmaster)出于恶意目的,传播僵尸程序(Bot)控制大量主机(Zombie,傀儡主机、肉鸡),并通过一对多的命令与控制信道所组成的网络。

僵尸网络构成了一个攻击平台,利用这个平台可以有效地发起各种各样的攻击行为,可以导致整个基础信息网络或者重要应用系统瘫痪,也可以导致大量机密或个人隐私泄漏,还可以用来从事网络欺诈等其他违法犯罪活动。
拒绝服务攻击
利用Botnet发动DDos攻击是当前最主要的威胁之一,攻击者可以向自己控制的所有bots发送指令,让它们在特定的时间同时开始连续访问特定的网络目标,从而达到DDos的目的。
发送垃圾邮件
一些bots会设立sockv4、v5代理,这样就可以利用Botnet发送大量的垃圾邮件,而且发送者可以很好地隐藏自身的IP信息。
窃取秘密
Botnet的控制者可以从僵尸主机中窃取用户的各种敏感信息和其他秘密,例如个人帐号、机密数据等。同时bot程序能够使用sniffer观测感兴趣的网络数据,从而获得网络流量中的秘密。
滥用资源
攻击者利用Botnet从事各种需要耗费网络资源的活动,从而使用户的网络性能受到影响,甚至带来经济损失。例如:种植广告软件、利用僵尸主机搭建假冒的银行网站从事网络钓鱼的非法活动。
网络挖矿
网络安全商fortiguard labs的网络安全研究报告指出,虚拟货币的僵尸挖矿ZeroAccess已经成为全球网络当下主要威胁。

2.4.3 蜜罐主机(IP地址:172.16.134.191)与那些IRC服务器进行了通信?

使用wireshark,将体验提供的.bat文件拖入打开后,将端口设置为IRC端口,ip源设置为蜜罐主机的ip地址,发现抓包如下所示:
在这里插入图片描述
不难发现该主机和五个IRC服务器进行了通信,分别是:
209.126.161.29
66.33.65.58
63.241.174.144
217.199.175.10
209.196.44.172

2.4.4 在这段观察期间,多少不同的主机访问了以209.196.44.172为服务器的僵尸网络?

这个包数量巨大,因此需要一些高科技来协助我们分析这个数据。

2.4.4.1 在kali中安装tcpflow

TCPflow是一款功能强大的、基于命令行的免费开源工具,用于在Unix之类的系统(如Linux)上分析网络流量。它可捕获通过TCP连接接收或传输的数据,并存储在文件中供以后分析,采用的格式便于协议分析和调试。

它实际上是类似tcpdump的工具,因为它处理来自网络或存储文件的数据包。它同样支持tcpdump支持的功能强大的过滤表达式。唯一的区别是,tcpflow让所有TCP数据包井然有序,并在单独的文件(每路方向的数据流有一个文件)中组装每路数据流,供以后分析。
tcpflow

2.4.4.2 利用tcpflow分析数据包

tcpflow -r botnet_pcap_file.dat ‘host 209.196.44.172 and port 6667’ # 进行抓包,-r读取该数据包

可以得到:209.196.044.172.06667-172.016.134.191.01152、172.016.134.191.01152-209.196.044.172.06667、
report.xml。
在这里插入图片描述
使用管道命令进行分析(这里我的指令包含:/ 不知道怎么着就给我转义成一个表情了哈哈哈哈):

cat 209.196.044.172.06667-172.016.134.191.01152 | grep -a “^:irc5.aol.com 353” | sed “s/^:irc5.aol.com 353 rgdiuggac @ #x[^x]*x 😕/g” | tr ’ ’ ‘\n’ | tr -d “\15” | grep -v “^$” | sort -u | wc -l

在这里插入图片描述
其中

cat命令:连接209.输出文件
grep:搜索获取昵称输出行
sed:去除前缀
tr:将空格转换为换行
tr -d:删除\r
grep -v:去除空行
sort -u:排序并去除重复
wc -l:输出行数

因此共3457台电脑与其连接。

2.4.5 哪些IP地址被用于攻击蜜罐主机?

由于蜜罐具有引诱攻击的属性,因此所有进入蜜罐的流量都视为可疑流量,都是攻击。用下列命令将所有连接蜜罐主机的IP地址输出到2.txt。可知共有165个IP地址被用于攻击蜜罐主机,具体IP见2.txt。

tcpdump -n -nn -r botnet_pcap_file.dat ‘dst host 172.16.134.191’ | awk -F " " ‘{print $3}’ | cut -d ‘.’ -f 1-4 | sort | uniq | more> 2.txt;wc -l 2.txt
cut -d ‘.’ -f 10截取以’.'为分隔符的第10列;uniq检查并删除 文本文件中重复出现的行列;wc -l获得行数

在这里插入图片描述
在这里插入图片描述
因此共有165个地址被用于攻击,具体见2.txt。

2.4.6 攻击者尝试攻击了那些安全漏洞?

直接使用wireshark自带的统计功能(统计->协议分级)
在这里插入图片描述
在这里插入图片描述
即只有两种包,其中大部分为TCP,少部分为UDP,为了精准分析,我们需要看和哪些端口进行了通信。
输入指令

tcpdump -r botnet_pcap_file.dat -nn ‘src host 172.16.134.191 and tcp[tcpflags]== 0x12’ | cut -d ’ ’ -f 3 | cut -d ‘.’ -f 5 | sort | uniq

cpdump -r botnet_pcap_file.dat -nn ‘src host 172.16.134.191’ and udp | cut -d ’ ’ -f 3 | cut -d ‘.’ -f 5 | sort | uniq

可以得到对应的TCP响应端口和UCP响应端口


如上图所示,可以发现得到的TCP端口有:

135(rpc)、139(netbios-ssn)、25(smtp)、445(smb)、 4899(radmin)、 80(http)

UDP端口为137端口,此端口在局域网中提供计算机的IP地址查询服务,处于自动开放状态,可用于NetBIOS查点。
接下来逐个分析:

2.4.6.1 tcp.port == 135

如图所示,无实质性内容,仅仅是相互连接的过程。依据信息安全概论的相关知识推测是某种扫描。
在这里插入图片描述

2.4.6.2 tcp.port == 139

在这里插入图片描述

Tree Connect AndX Request(树连接和请求)数据报,列出要访问的网络资源的名称(匿名管道共享),靶机会发送一个Tree Connect AndX Response(树连接和响应)数据报,同意访问资源,并列出访问者的权限,如图所示,攻击主机提出想要访问\PC0191\C的可共享资源。但未发现Tree Connect AndX Response的数据报,推测是攻击失败了,没有成功共享到那个资源。

2.4.6.3 tcp.port == 25


无实质性内容,推测仅仅为某种扫描。

2.4.6.4 tcp.port == 445

首先发现了大量重复的树请求,而每次都会返回Bad Userid,推测可能有暴力口令破解的嫌疑。在这里插入图片描述
其次还发现有删除响应请求的迹象,应该是攻击者删除入侵证据的举措。
在这里插入图片描述
在后来的数据包中,还出现了PSEXESVC.EXE软件,而且是攻击者发出请求共享,被攻击者同意共享,应该是此时已经被注入恶意软件,而且可以看到被攻击者成功响应!说明已经被成功攻击了。

2.4.6.5 tcp.port == 4899

4899端口是一个远程控制软件(remote administrator)服务端监听的端口,他不能算是一个木马程序,但是具有远程控制功能。通常杀毒软件是无法查出它来的。
在这里插入图片描述
有这么多的流量,且双方通信正常,一堆ACK,可以知道已经形成了控制和被控制的关系了。

2.4.6.5 tcp.port == 80

在这里插入图片描述


在1840和32889包中,我们发现请求了好多重复字母的请求包,猜测为缓冲区溢出攻击。

2.4.6.6 udp.port == 137

在这里插入图片描述
这里的NBNS是NetBIOS name service的缩写,是NetBIOS的命名服务。可知此处是在进行NetBIOS查点。

2.4.7 那些攻击成功了?是如何成功的?

由2.4.6分析可知,缓冲区溢出的攻击、445的口令爆破攻击与蠕虫注入攻击、4899的远程攻击、137的查点都成功了。具体实现过程见2.4.6的分析。

3.问题及解决方案

  • 问题1:面对如此冗长的流量报分析,实在是难以下手。
  • 问题1解决方案:面对不明白的东西多百度,同时向优秀的学长学姐学习,遇见不常见的数据包点进去仔细去思考。
  • 问题2:使用ProcessExplorer中发现rada不会稳定存在。
  • 问题2解决方案:这个和ProcessExplorer关系不到,主要是双击RaDa后会弹出一个错误信息,如果此时我们点击确定后,rada的进程会自行消失,所以双击rada后,不要急着点确定,应该在弹出错误信息的情况下点开ProcessExplorer进行分析。

4.学习感悟、思考等

在本次实验中,我完成了对恶意代码进行脱壳、提取字符串、分析函数调用关系等操作,并且多方面分析了一个恶意代码样本和一个dat数据源,掌握了wireshark和linux中tcpflow的使用。
这次实验知识涉及面广,大量技术融合交织、技术原理错综复杂,我对这些命令和工具的使用还有待加深,其他需要掌握的与网络攻防相关的命令还有很多。
通过这次实验证明,恶意代码在我们现实生活中很常见,防不胜防!所以作为一名网络空间安全专业的学生,一定要能够对其进行准确分析,找到清楚恶意软件的方法,净化网络环境!

参考资料

20202418 2022-2023-2 《网络与系统攻防技术》实验1实验报告 这个是我修改后的文件内容。在本次实验中,我学会了很多基本的Linux指令的使用方法以及Shellcode的构建方式,并更加充分的明白缓冲区溢出的相关原理,还学会了如何在一台linux系统上开放一个端口等待别的主机链接。栈溢出 Stack Overflow,基于栈的溢出,利用不安全方法,通过写入指定长度的数据到栈空间,从而做到对程序跳转地址的控制,执行指定的代码。在foo函数中,lea留下了0x1c的缓冲区空间,因此我们想要通过缓冲区溢出的方法,输入一个很长的字符串,成功覆盖下一条mov语句的内容。 阅读详情

相关推荐

20202418 2022-2023-2 《网络与系统攻防技术》实验二实验报告

今天做完实验后,我是真感觉自己是个网络空间安全专业的学生了,我居然能够自己制作一个后门软件(虽然很容易被封杀而且必须在同一局域网内),远程操控电脑,获得目标主机的录音权限、截屏权限、摄像头权限、键盘记录权限等,真成一个正儿八经的黑客了。通过这一次的实验,我熟悉了ncat和socat以及meterpreter的使用,同时还熟悉了上一次实验一的gdb调试和地址的查找,学会了很多新的知识。能够轻而易举的获得目标主机的摄像头和麦克风权限,还能够进行截屏,获得键盘记录等,甚至能够尝试提权,让人感慨。

Fish_eggs的博客 273

Linux下抓包命令tcpflow使用总结

tcpflow实际上也是一个抓包工具,这个抓包工具与tcpdump不同的是它是以流为单位显示数据内容,而cpdump以包为单位显示数据。我们平常会经常分析HTTP数据,用tcpflow会更便捷。 tcpflow可以理解为是一个抓包工具,其工具看起来更像wireshark的命令行版本,他可以直接从网卡抓包,并且解析出来,支持http ftp这些L7协议,也支持tcp udp抓包,还可以从tcpdu

kobejayandy的专栏 1万+

ms17-010 (永恒之蓝)漏洞复现及利用+Wireshark抓包分析

1.实验环境 攻击机:Kali 1)攻击工具:msf 2)分析工具:wireshark 3)IP地址:192.168.109.154(自动获取,NAT模式) 靶 机:Windows7 1)版本 2)开启网络共享(SMB协议) 3)关闭防火墙 4)IP地址:192.168.109.132(自动获取,NAT模式) 2.测试攻击机与靶机的连通性 3.数据库配置...

7Riven's blog 6258

20202409 2022-2023-2 《网络与系统安全技术》实验四报告

本次实验内容比较丰富,用到了许多分析软件,结合相关学习资料进行深入学习会发现其涉及到的知识也同样众多,需要静下心来研究才能搞明白。本次实验不仅让我见识了五花八门的分析手段,还同时让我了解了种种样样的攻击方法,我不得不感慨,网络安全领域真的需要过硬的知识本领的加持,路漫漫其修远兮,吾将上下而求索!参考资料关于cygwin的基本配置与基本操作实验相关操作的参考博客1实验相关操作的参考博客2常见高危端口process explorer下载。

m0_53980546的博客 675

网络攻防34个实验

sniffer和Wireshark工具软件的使用,运用ping抓IP结构,

网络攻击与防范实验

1、了解密码破解工具的使用方法,掌握安全口令的设置原则; 2、了解常见的木马程序进行远程控制的使用方法,掌握木马传播和运行的机制; 3、掌握防范木马、检测木马以及手动删除木马的方法

20222948 2022-2023-2 《网络攻防实践》第8周作业

网络攻防实践

Henry__Zhang的博客 513

PTA-浙大版 《Python程序设计》 第三章编程题目及答案

博主第一次写优快云的博客,所以排版上可能有些不尽人意,代码部分均为自己的思路,可能复杂或者考虑欠妥,欢迎大家一起讨论~ 第一题:大于身高的平均值 这里用了np数组求得平均数,当然for循环累加也是可以的 import numpy as np data = input().split() data = list(map(int,data)) avg = np.mean(data) for i in data: if i > avg: print(i,end = '

Legendwqs的博客 1万+

SMB攻击的相关资料

Volume 0x0b, Issue 0x3c, Phile #0x0b of 0x10│=---------------------=[ SMB/CIFS BY THE ROOT ]=------------------------=││=-----------------------------------------------------------------------=│

jimlee070128的专栏 1642

Ubuntu20.04安装Eigen3.3.7、模板类Sophus和Ceres

Sophus的使用必须依赖3.3以上的Eigen版本。如果版本太低,Sophus库将无法安装使用。

qq_62964142的博客 3422

Windows系统下com0com虚拟串口安装与驱动签名禁用全攻略

本文详细介绍了在Windows系统下安装com0com虚拟串口工具的全过程,包括驱动签名问题的解决方法。通过禁用驱动程序强制签名,用户可以顺利安装并使用这款开源工具创建虚拟串口对,适用于软件开发测试、硬件调试等场景。文章还提供了验证虚拟串口功能的实用技巧和常见问题解决方案。

weixin_28720573的博客 387

20202418 2022-2023-2 《网络与系统攻防技术》实验八实验报告

我们的道路前方总是一片灰色的阴沉天空,希望和绝望混杂在一起,难以分辨,虽然这非常可怕,但只等待的话什么都不会改变,向着前途叵测的未来,我们一步一步迈进,思念着重要的人,仰望着天空,想着明天一定会放晴。

Fish_eggs的博客 938

AI 生成 CAN 通信测试用例实战

本文分享了AI辅助汽车电子测试用例编写的实战经验。通过某车企CAN网络测试项目案例,对比传统方式(需27天)与AI辅助方式(仅5天)的效率差异,展示81%的效率提升。文章详细介绍了从DBC文件提取信号信息的方法,包括DBC文件结构解析、信号定义说明,并提供了完整的Python解析脚本代码,可将信号信息导出为JSON或Excel格式,为后续AI批量生成测试用例奠定基础。

小明的博客 694

20202418 2022-2023-2 《网络与系统攻防技术》实验五实验报告

如何使用linux命令和在线网站查询了域名和IP的相关信息,实验Nmap和Nessus对目标机器进行了全方位扫描,还学习了如何高效使用搜索引擎。

Fish_eggs的博客 651

保姆级教程:ABAP 通过 HTTP POST 调用 OData 服务创建业务数据的具体例子

笔者之前的文章发布之后,有朋友在评论区留言,询问 ABAP 除了 Web Service 之外,是否也支持 HTTP 呢?ABAP 这么强大的语言,支持 HTTP 当然不在话下。网上有很多在 ABAP 系统基于 CL_HTTP_CLIENT 工具类,通过 HTTP 协议和第三方系统交互的代码例子。本文介绍笔者项目中一个实际例子,实现的是在 ABAP 系统 A 通过 HTTP 调用 OData 服务,在 ABAP 系统 B 创建业务数据的需求。下面我们按照这个套路来一步步实现。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 700

RK3588平台开发系列讲解(项目篇)常见模型结构

📢 AI 模型常采用人工神经网络来模拟人脑神经的记忆和处理信号的能力。常见的人工神经网络类型有深度神经网络(Deep Neural Network,DNN)、卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)等。

内核笔记 1759

20202418 2022-2023-2 《网络与系统攻防技术》实验三实验报告

20202418 2022-2023-2 《网络与系统攻防技术》实验三实验报告1.实验内容1.1实践目标1.2 课前回答1.2.1 杀软是如何检测出恶意代码的?1、特征码扫描法2、启发式恶意软件检测3、基于行为检测的主动防御4、病毒云查杀5、加密文件分析1.2.2 免杀是做什么?1.2.3 免杀的基本方法有哪些?1、修改特征码2、花指令免杀3、加壳免杀4、内存免杀5、行为免杀2.实验过程2.1.正确使用msf编码器2.1.1 使用msf编码器输出不同编码次数的可执行性文件2.1.2 使用msf编码器输出不同

Fish_eggs的博客 1489

运放单电源供电和双电源供电的实际应用案例

文章摘要:本文对比分析了运放单电源与双电源供电的典型应用场景及电路设计要点。单电源供电适用于低成本、小体积设备,如便携音箱(5V供电+中点偏置)、工业4-20mA信号转换(12V供电+电压跟随)和物联网传感器(3.3V低功耗设计);双电源供电则适合高精度要求场景,如Hi-Fi音响(±15V对称输出)、医疗设备(±5V微弱信号放大)和精密仪器(±15V宽动态范围)。文末提供常见运放选型对照表,涵盖LM324、TL082等型号的供电参数与核心特性,为不同应用场景提供选型参考。(149字)

qq_37999850的博客 609

20202418 2022-2023-2 《网络与系统攻防技术》实验七实验报告

当我现在重新审视2.3.2的内容时,我认为问题应该不出现在http和https协议上,按理说我ping 百度的时候,都能直接转到kali的ip地址了。

Fish_eggs的博客 722

超详细!Linux 服务器 6 大核心性能测试(附自动脚本 + 结果分析秘籍)---Linux 服务器性能测试文档

本文档旨在提供 Linux 服务器的 CPU、内存和磁盘性能测试方案,包括详细的测试大纲、操作步骤以及一键化测试脚本,帮助管理员快速评估服务器性能状况。通过以上测试方案,可以全面评估 Linux 服务器的 CPU、内存和磁盘性能,为系统优化、容量规划和问题排查提供重要参考依据。使用 sysbench 进行 CPU 基准测试。使用 sysbench 测试内存读写性能。使用 fio 工具进行更全面的磁盘测试。使用 dd 命令测试磁盘顺序读写性能。使用 dd 命令测试内存读写速度。记录磁盘 IO 性能。

jundao1997的专栏 381

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。

20202418 2022-2023-2 《网络与系统攻防技术》实验六实验报告

SMB(ServerMessageBlock)协议作为一种局域网文件共享传输协议,常被用来作为共享文件安全传输研究的平台。但是,SMB协议中采用控制文件安全传输的机制是使用客户身份验证的方式,通过客户端向服务器端发送验证密码来获取文件传输的权限。针对该机制的网络攻击相对严重,攻击程序通过对验证密码的截获来窃取文件的访问权限,局域网下文件传输的安全性得不到保障。使用Metasploit渗透框架可以进行SMB服务版本扫描。

Fish_eggs的博客 1184

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

网络安全攻防实验室通关教程-脚本关

网络安全攻防实验室地址: 传送门:http://hackinglab.cn 脚本关: 很多题目都是可以通过写python发暴力破解或者爬虫,写脚本比较花时间,所以我优先使用burpsuite 题目一:key又又找不到了 小明这次哭了,key又找不到了!!! key啊,你究竟藏到了哪里,为什么我看到的页面上都没有啊!!!!!!  还是开启fiddler抓数据包。 点击“到这里找ke

黑面狐 1万+

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

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")

网络攻防技术——TCP攻击实验

本实验的学习目标是让学生获得有关漏洞以及针对这些漏洞的攻击的第一手经验。聪明人从错误中学习。在安全教育中,我们研究导致软件漏洞的错误。研究过去的错误不仅有助于学生理解为什么系统容易受到攻击,为什么“看似良性”的错误会变成灾难,以及为什么需要许多安全机制。更重要的是,它还帮助学生了解漏洞的常见模式,从而避免将来犯类似的错误。此外,使用漏洞作为案例研究,学生可以学习安全设计、安全编程和安全测试的原则。TCP/IP协议中的漏洞代表了协议设计和实现中的一种特殊类型的漏洞;

wion03的博客 4858

网络安全攻防实验:WPA-PSK口令攻击

1) 掌握WLAN的工作原理;2) 理解RSN的密钥层次;3) 理解4次握手原理。

Floatremote的博客 2794

网络攻防实验——MAC泛洪攻击、ARP DOS、ARP中间人

网络攻防实验——MAC泛洪攻击、ARP DOS、ARP MiddleMan 合肥工业大学 网络攻防实验 项目二实验报告 项目二 一、搭建实验环境 1.实验要求: 利用VMware的NAT模式或Host模式构筑一个类似下面的虚拟网络 2、实验原理: (1)在NAT模式下,虚拟系统需要借助NAT(网络地址转换)功能,通过宿主机器所在的网络来访问公网。也就是说,使用NAT模式虚拟系统可把物理主机作为路由器访问互联网。NAT模式下的虚拟系统的TCP/IP配置信息是由VMnet8(NAT)虚拟网络的DHCP服务器提

Sarahing的博客 1万+

SMB协议详解

一、概述     SMB(ServerMessage Block)通信协议是微软(Microsoft)和英特尔(Intel)在1987年制定的协议,主要是作为Microsoft网络的通讯协议。SMB 是在会话层(session layer)和表示层(presentation layer)以及小部分应用层(application layer)的协议。SMB使用了NetBIOS的应用程序接口 (Ap...

IT技术分享 8万+
上一篇: 20202418 2022-2023-2 《网络与系统攻防技术》实验三实验报告
下一篇: 20202418 2022-2023-2 《网络与系统攻防技术》实验五实验报告
超高校级的划水师
博客等级 码龄5年 3粉丝 10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