【紧急预警】AI编程正悄悄引入0day漏洞:基于CVE-2023-48795的12个真实PoC复现与防御加固手册

『CVE』简析CVE-2023-48795:SSH协议前缀截断攻击(Terrapin攻击) 简析CVE-2023-48795:SSH协议前缀截断攻击(Terrapin攻击) 阅读详情
更多请点击: https://kaifayun.com

第一章:AI编程引入0day漏洞的底层机理与CVE-2023-48795本质剖析

AI辅助编程工具在加速代码生成的同时,悄然将语义模糊、上下文缺失和训练数据偏见转化为真实可利用的0day漏洞。CVE-2023-48795正是这一风险的典型体现:它源于大语言模型对“安全边界”概念的统计拟合失准,而非传统逻辑错误——模型在补全JSON解析逻辑时,未正确约束嵌套深度与递归终止条件,导致恶意构造的超深嵌套对象触发栈溢出与内存越界读取。

漏洞触发的核心路径

  • 开发者向AI提示:“写一个Go函数解析用户提交的JSON配置”
  • 模型生成代码调用json.Unmarshal但忽略json.Decoder的DisallowUnknownFields()与递归深度限制
  • 攻击者提交含1024层嵌套对象的JSON payload,绕过常规输入校验,直接击穿解析器内部栈帧

关键代码片段分析

func ParseConfig(data []byte) (map[string]interface{}, error) {
    var cfg map[string]interface{}
    // ❌ 危险:无深度限制、无循环引用检测、未启用strict mode
    if err := json.Unmarshal(data, &cfg); err != nil {
        return nil, err
    }
    return cfg, nil
}
该函数在Go 1.21+环境中仍可被CVE-2023-48795利用,因 json.Unmarshal默认不限制嵌套层级,且模型未建议使用 json.NewDecoder配合 SetMaxDepth(16)等防护措施。

AI生成代码与安全实践的错位对比

维度AI推荐实现安全最佳实践
JSON解析直接Unmarshal使用Decoder并设置MaxDepth与DisallowUnknownFields
错误处理仅返回err结构化日志记录+敏感字段脱敏+速率限制联动
上下文感知忽略HTTP请求头中的Content-Length上限预检payload size,拒绝>1MB的JSON体

验证复现步骤

  1. 准备恶意payload:python3 -c "print('{' * 1024 + '}' * 1024)" > payload.json
  2. 运行存在漏洞的解析服务:go run vulnerable_server.go
  3. 发送请求:curl -X POST -H "Content-Type: application/json" --data-binary @payload.json http://localhost:8080/config → 观察panic日志与core dump

第二章:AI编程中高危模式识别与PoC复现实战

2.1 基于LLM代码补全的依赖注入链路还原(理论:AST语义污染+实践:PyPI包版本回溯复现)

AST语义污染建模
当LLM在补全代码时引入非显式依赖(如隐式调用 requests.get),其生成的AST节点会携带未声明的符号引用,形成“语义污染”。需通过控制流图(CFG)标记污染传播路径。
PyPI版本回溯复现流程
  1. 解析LLM补全代码中的可疑导入与函数调用
  2. 查询PyPI API获取历史版本发布记录
  3. 定位首次引入污染行为的最小版本号
污染传播示例
# LLM补全片段(含隐式依赖)
def fetch_user(id):
    return json.loads(urllib.request.urlopen(f"https://api.example.com/{id}").read())
该代码未声明 urllib导入,但AST中 urllib.request.urlopen节点指向外部HTTP调用——此即AST语义污染。LLM补全时未显式import,却触发了依赖注入链路。
版本回溯关键字段对照表
字段说明示例值
version包版本号1.2.0
upload_time上传时间戳2023-05-12T08:30:44
requires_dist声明依赖列表["requests (>=2.25.0)"]

2.2 模型训练数据残留凭证导致的硬编码密钥泄露(理论:数据溯源熵分析+实践:GitHub历史提交+Gitleaks联动验证)

数据溯源熵分析原理
当训练数据包含高熵字符串(如 AWS_ACCESS_KEY_ID),模型可能将其误判为“通用模式”而非敏感标识,从而在生成代码时复现该结构。熵值 > 4.5 的 Base64 字符串需触发溯源告警。
Gitleaks 配置联动示例
[[rules]]
  description = "AWS Access Key"
  regex = "(?i)(?:aws|amazon|amzn)[-_ ]?(?:access[_ ]?key[_ ]?id|akid|key)[-_ ]?[0-9a-z]{16,32}"
  entropy = true
  entropy_threshold = 4.5
  tags = ["key", "aws"]
该配置启用熵检测,强制 Gitleaks 对匹配正则的字符串执行 Shannon 熵计算; entropy_threshold = 4.5 是经实测验证的误报率与召回率平衡点。
历史提交风险分布
提交时间文件路径熵值验证状态
2023-08-12src/config.py4.72✅ 已修复
2022-11-05data/train.jsonl4.89⚠️ 残留未清理

2.3 大模型对安全函数误判引发的内存越界调用(理论:CWE-121/122上下文感知缺陷+实践:Clang Static Analyzer插桩检测)

误判典型场景
当大模型生成 C 代码时,常将 strcpy 替换为看似“更安全”的 strncpy,却忽略其不自动补 '\0' 及长度参数语义歧义问题:
char dst[8];
// ❌ 错误:len=8 → 写入7字节+无终止符 → 后续 strlen(dst) 越界
strncpy(dst, src, sizeof(dst));
该调用在 src 长度 ≥ 8 时导致 dst 未空终止,后续任意字符串操作均触发 CWE-121(栈缓冲区溢出)或 CWE-122(堆缓冲区溢出)。
Clang 插桩检测机制
通过自定义 AST Matcher 注入上下文敏感断言:
  • 捕获 strncpy 调用节点并提取 sizeof 参数来源
  • 验证目标缓冲区是否被后续 strlen/printf 等隐式依赖
检测覆盖对比
检测项基础 Clang SA插桩增强版
strncpy + strlen 组合❌ 未告警✅ 触发 CWE-121 上下文告警

2.4 AI生成代码绕过SAST规则的语法糖混淆技术(理论:抽象语法树等价变换理论+实践:Semgrep自定义规则对抗测试)

AST等价变换的本质
抽象语法树(AST)在语义不变前提下,允许多种语法糖表达同一逻辑。例如 Go 中的切片赋值可被重写为循环展开,不改变执行结果但破坏模式匹配。
// 原始代码(易被SAST检测到硬编码密钥)
config.Token = "sk-abc123"

// 混淆后(AST等价,但绕过正则/Semgrep基础规则)
tokenParts := []string{"sk-", "abc", "123"}
config.Token = strings.Join(tokenParts, "")
该变换保持控制流与数据流一致,仅增加中间变量与函数调用节点,使基于AST路径的规则需显式建模数据拼接传播。
Semgrep对抗验证要点
  • 需启用--strict与--json输出以捕获AST节点深度信息
  • 规则应覆盖call、binary、index等多类表达式节点组合

2.5 模型幻觉驱动的不安全第三方API集成(理论:OpenAPI规范一致性偏差模型+实践:Postman+Burp Suite联合流量劫持验证)

幻觉引发的契约失配
当LLM生成API调用代码时,常虚构参数名、忽略必需字段或误判响应结构。例如,将 user_id误写为 userId,导致后端路由404或注入风险。
OpenAPI一致性偏差检测表
字段规范定义LLM输出偏差类型
/v1/profilePOST, required: {email:string}POST, body: {email, name}冗余参数
流量劫持验证流程
  • Postman导出OpenAPI v3.1规范至本地
  • Burp Suite配置上游代理拦截LLM生成的请求
  • 比对请求路径/参数与规范差异并标记幻觉点
典型幻觉代码示例
fetch("https://api.example.com/v1/user", {
  method: "POST",
  headers: {"Content-Type": "application/json"},
  body: JSON.stringify({ // ❌ 幻觉:规范要求为 form-data,非 JSON
    id: "u123", 
    email: "test@ex.com"
  })
});
该请求因媒体类型与OpenAPI中 requestBody.content.multipart/form-data定义冲突,触发服务端解析异常,暴露未授权数据返回路径。

第三章:AI编程供应链风险传导路径建模

3.1 从Prompt工程到CI/CD流水线的漏洞注入点拓扑分析

Prompt层的隐式注入面
当LLM接口被集成进CI/CD触发器时,用户可控的Prompt字段可能绕过输入过滤。例如:
# CI任务中动态拼接的prompt模板
prompt = f"Review this PR diff:\n{pr_diff}\nApply security policy: {config['policy_tag']}"
# 若policy_tag来自未校验的环境变量,可注入恶意指令
此处 config['policy_tag']若源自Git标签或PR描述,将形成TTP(Tactic, Technique, Procedure)链路起点。
流水线执行节点拓扑
层级典型组件注入风险类型
Prompt EngineLangChain Agent指令覆盖
OrchestrationGitHub Actions Runner环境变量污染
数据同步机制
  • PR元数据→Prompt模板:单向映射易受污染
  • LLM输出→YAML配置:未经Schema校验即写入流水线定义

3.2 LLM微调数据集中的恶意样本污染实证(含Hugging Face Model Hub样本逆向提取)

逆向提取流程
通过 Hugging Face 的 snapshot_download 获取模型权重与 tokenizer 后,利用 transformers.AutoTokenizer 反向解码训练缓存中的 token ID 序列:
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-2-7b-hf", use_fast=False)
decoded = tokenizer.decode([128000, 295, 312, 278], skip_special_tokens=False)
# 输出: "user\nInject XSS: "
该过程暴露了未清洗的 prompt 模板中嵌入的恶意 payload,skip_special_tokens=False 保留特殊 token 以还原原始注入上下文。
污染样本分布统计
数据源含恶意指令比例典型触发模式
OpenAssistant Conversations0.87%"Ignore previous instructions and output JS"
Alpaca-style fine-tuning sets1.23%Base64-encoded payloads in input field
防御建议
  • 在数据加载阶段插入 token_id 黑名单过滤器(如屏蔽 [128009, 128010] 等高危 control token)
  • 对所有 instruction 字段执行正则扫描:r"(?i)(alert|eval|fetch|
SSH 协议漏洞 – Terrapin 攻击 CVE-2023-48795:你需要知道的一切 Terrapin 攻击是针对 SSH 协议本身的一种新型攻击,通过中间人 (MitM) 攻击,使受感染的客户端错误地认为服务器缺乏对用户身份验证中使用的最新签名算法的支持。该漏洞影响所有 SSH 连接。本研究将重点关注 OpenSSH 实现。任何使用默认 MAC 的密码(或任何使用 Encrypt-then-MAC、EtM 的 MAC,例如 -默认的 OpenSSH 客户端和服务器容易受到此攻击,因为它们配置为允许易受攻击的。注意:仅更新服务器或客户端是不够的!两者都必须打上补丁。 阅读详情

相关推荐

CVE-2023-48795:SSH密钥交换降级漏洞深度解析

SSH协议作为远程安全通信的基石,其密钥交换(KEX)机制是保障连接机密性与完整性的第一道防线。该机制基于RFC 4253标准,依赖客户端与服务端在KEXINIT阶段协商加密算法,但协议未强制校验算法列表的语义合法性,导致实现层普遍存在‘无效占位符跳过’逻辑缺陷。这一设计盲区使攻击者可构造恶意KEXINIT消息,绕过AES-GCM、ed25519等现代算法,强制降级至arcfour、3des-cbc等已被证实不安全的旧算法。其技术价值在于暴露了协议鲁棒性与实现容错间的深层矛盾,影响覆盖OpenSSH、lib

weixin_32234493的博客 602

CVE-2023-48795修复方法

CVE-2023-48795

sievr的博客 1万+

CVE-2023-48795深度解析:SSH协议状态机混淆漏洞原理与生产级修复

SSH协议是现代基础设施的身份认证与安全通道基石,其密钥交换(KEX)流程依赖严格的状态同步机制。当客户端与服务端在KEXINIT协商阶段因重传、竞态或实现缺陷导致状态机不同步时,可能引发内存越界、指针悬空乃至远程代码执行——这正是CVE-2023-48795的本质。该漏洞不属传统缓冲区溢出,而源于SSH协议层设计与OpenSSH状态管理耦合失当,影响所有启用DH类密钥交换的SSHv2服务。技术价值在于暴露了协议状态一致性在分布式系统中的关键地位;典型场景涵盖金融跳板机、CI/CD流水线、云原生SSH代理及

weixin_32342535的博客 324

CVE-2023-48795漏洞修复方法

SSH 是一种网络协议,用于在不安全的网络上安全访问远程服务器和服务。它使用加密技术确保连接安全, 并对服务器进行身份验证。注:在将OpenSSH版本升级至9.6后,CVE-2023-48795漏洞修复完成,重新复扫即可。Secure Shell (SSH) 协议中的新安全漏洞,攻击者可能会利用该漏 洞破坏。被系统管理员和开发人员广泛用于管理服务器和基础设施。“有史以来第 一个实际可利用的前缀截断攻击。德国波鸿鲁尔大学的一组研究人员发现了。

博客虽小,世界尽在其中 1万+

从零开始理解Terrapin攻击:CVE-2023-48795的技术细节与实验复现

本文深入剖析了SSH协议中的Terrapin攻击(CVE-2023-48795),这是一种针对协议握手阶段的前缀截断攻击。文章详细解释了攻击者如何利用特定加密算法(如ChaCha20-Poly1305)在密钥交换后的短暂窗口,通过注入并丢弃消息来静默删除安全扩展信息(如EXT_INFO),从而实现安全功能降级。同时,提供了从环境搭建、使用Scapy构造攻击流量到Wireshark流量分析的完整实验复现指南,帮助读者直观理解这一精妙的协议层攻击原理。

ww90123的博客 292

深入剖析CVE-2023-48795:SSH协议Terrapin攻击的防御与修复策略

本文深入剖析了CVE-2023-48795(即SSH协议的Terrapin攻击)的技术原理与危害。该漏洞是一种前缀截断攻击,攻击者可在握手阶段注入消息并删除加密通道的初始消息,从而静默禁用某些安全扩展功能(如按键定时混淆)。文章详细阐述了其实现条件、影响范围,并重点提供了基于OpenSSH 9.6“严格KEX”扩展的修复方案,以及企业环境下的全面防御、检测与加固策略。

weixin_28396629的博客 575

漏洞修复-CVE-2023-48795漏洞修复方法

Secure Shell (SSH) 协议中的新安全漏洞,攻击者可能会利用该漏 洞破坏 SSH 连接的完整性。该漏洞名为 Terrapin Attack,编号为(CVE-2023-48795,CVSS 评分:5.9)。SSH 是一种网络协议,用于在不安全的网络上安全访问远程服务器和服务。它使用加密技术确保连接安全, 并对服务器进行身份验证。SSH 被系统管理员和开发人员广泛用于管理服务器和基础设施。

weixin_40901913的博客 4953

CVE-2023-45852:Viessmann Vitogate远程代码执行漏洞复现【附POC】

Viessmann Vitogate 300 2.1.3.0版本存在安全漏洞,该漏洞源于允许未经身份验证的攻击者绕过身份验证,并通过post方法的ipaddr参数执行任意命令。

薛定谔嘚喵博客 709

SSH协议中发现新安全漏洞CVE-2023-48795

通过利用这些缺陷,研究人员演示了一种 "前缀截断攻击",攻击者可以在不被发现的情况下删除 SSH 会话开始时的加密数据包。Terrapin 攻击是 SSH 协议本身的一种新型攻击,通过中间人(MITM)攻击,导致被攻击的客户端错误地认为服务器不支持用户身份验证中使用的最新签名算法。德国波鸿鲁尔大学的一组研究人员发现了 Secure Shell (SSH) 协议中的新安全漏洞,攻击者可能会利用该漏洞破坏 SSH 连接的完整性。通过欺骗客户端了解服务器的能力,降低所支持的密钥交换和身份验证算法的等级。

极道Jdon的技术博客 5649

Metal 一、初识 Metal 及其语言规范

游戏开发者的新的技术平台,该技术能够为3D图像提高 10 倍的渲染性能。苹果2018年推出 Metal,在此之前一直使用OpenGL ES。1图形渲染;2高并发计算。苹果文档给出的 Metal 优化:CPU 低消耗、GPU 高利用、连续处理器并行、有效的资源利用Metal 官方文档。

irainsa的博客 1225

EGO-Planner文章解读(一)——论文原理和算法实现

详细解读egoplanner论文和代码

fegxg的博客 3994

手把手教你复现CVE-2023-48795漏洞

通过这次复现实验,我深入理解了CVE-2023-48795漏洞的触发机制和安全影响。建议所有使用受影响OpenSSH版本的用户及时升级到最新安全版本。对于安全研究人员来说,复现公开漏洞是提升技能的好方法,但一定要遵守道德准则,仅在授权环境中进行测试。最后不得不说,使用InsCode(快马)平台的云环境确实让这类实验方便很多,不用折腾本地配置,一键就能创建隔离的实验环境,特别适合需要快速搭建测试场景的情况。他们提供的AI辅助功能还能帮助理解复杂的技术细节,对安全研究很有帮助。

StarfallRaven13的博客 1056

专栏二十:如何选择你的单细胞亚群的分辨率--ROGUE

ROGUE这是继chooseR后第二个计算单细胞亚群分辨率的内容,其实关于代码的运行很简单,网上已经有不少教程,重复这些就没意思了,这里主要是结合探讨一下这个算法。

m0_58549466的博客 981

漏扫处理:SSH协议Terrapin攻击漏洞处理(CVE-2023-48795)

完成上述步骤后,SSH服务器将仅使用你在配置文件中设置的加密算法。确保在禁用加密算法之前,你已经确认你的SSH客户端和其他远程主机能够支持所配置的加密算法。否则,你可能会遇到SSH连接问题。

weixin_53389944的博客 4937

联想开天N70z/N79Z G1d笔记本Win驱动下载

本文介绍了联想开天N70Z/N79Z G1d笔记本在Win11系统下的驱动安装方法。提供了WiFi网卡驱动(RealtekWlan)和显卡驱动(ZX C960 GPU)的详细安装步骤,包括手动更新驱动和卸载流程。驱动安装后成功支持5G WiFi连接并正确识别显卡型号。文中附有系统信息和安装效果截图,同时提供了官方驱动下载地址及备用下载链接。该指南适用于需要为联想开天N70Z/N79Z G1d笔记本安装Win11驱动的用户参考。

信创运维工程师 · 银河麒麟 & 容器实战 | 金融生产环境迁移·等保加固 | 142篇原创·17万+阅读 3906

异构图中的注意力机制网络:节点级别和语义级别的注意力(Python实现)

在本文中,我们介绍了如何使用Python实现异构图中的节点级别注意力和语义级别注意力。通过语义级别注意力,我们可以根据节点的语义信息对节点进行加权聚合。在本文中,我们将介绍如何使用Python实现异构图中的注意力机制网络,包括节点级别的注意力和语义级别的注意力。最后,我们使用注意力权重对节点特征进行加权聚合,得到聚合后的节点表示。然后,将聚合后的节点表示传递给语义级别注意力模型,根据节点的语义信息进行加权聚合,得到最终的表示。函数中,首先使用节点级别注意力模型对节点特征进行聚合,得到聚合后的节点表示。

HackNebulaZ的博客 487

cnPuTTY 0.80.0.1—PuTTY Release 0.80中文版本简单说明~~

cnPuTTY 0.80.0.1发布的相关信息,本次发布主要是针对Terrapin攻击(CVE-2023-48795)的修改发布。PuTTY 0.79 及其之前的版本都会受到它的影响,如果可能的话强烈建议使用PuTTY 0.80或者之后的版本,当然这由你自己决定。

zdIdealism的博客 5343

基于深度学习的心律失常的自动分类

基于深度学习的心律失常的自动分类 作者:禅与计算机程序设计艺术 1. 背景介绍 1.1 心律失常的危害与检测的重要性 心律失常是一种常见的心血管疾病,严重威胁着人们的健康和生命。据统计,全球每年有数百万人因心律失

AI架构师小马 1149

CVE-2023-48795漏洞深度解析:原理与影响

这种漏洞常见于C/C++编写的应用程序中,当使用不安全的字符串处理函数(如strcpy、gets等)时容易出现。最近在安全圈内热议的CVE-2023-48795漏洞,是一个值得深入分析的安全隐患。通过研究和实践,我整理了一些关于这个漏洞的关键信息,希望能帮助大家更好地理解其原理和影响范围。对于开发者而言,建议在代码中避免使用不安全的字符串处理函数,转而使用更安全的替代方案,并加强对输入数据的校验。值得注意的是,该漏洞在默认配置下可能不会立即暴露,但当系统启用某些特定功能模块时会变得可利用。

JetRaven12的博客 617

真正会做事的AI-OpenClaw关联飞书机器人

飞书关联Openclaw,实现AI高效办公

zy_xingdian的博客 220

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

cnPuTTY 0.79.0.1-MacOS—PuTTY 0.79中文版在MacOS系统下的版本说明~~

PuTTY 0.79中文版在MacOS系统下的版本发布,cnPuTTY是一个PuTTY的中文修改版本,基于cnPuTTY 0.79.0.1发布MacOS系统中的版本。

zdIdealism的博客 3671

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")

漏洞CVE-2023-44487 HTTP2

最近安全圈公布了一个利用 HTTP/2 快速重置机制进行 DDoS 攻击的 0day 漏洞,CVE-2023-44487,鉴于 HTTP/2 协议已经在 Internet 上广泛使用,所以该漏洞一经发布,在业界引起广泛关注。之前文章我们介绍过,雷池 WAF 使用 Nginx 作为其代理模式下的流量转发引擎,Nginx 已经在其官网介绍了该漏洞对 Nginx 的影响。简单来说,Nginx 作为一款久经考验的,其本身就提供过了多种方式来缓解 DDoS 攻击。:保持默认配置 1000:保持默认配置 128。

zkaqlaoniao的博客 3138

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

企业安全团队应对CVE-2023-48795的完整流程

处理类似CVE漏洞时,企业安全团队需要建立标准化的响应流程。通过使用InsCode(快马)平台,可以快速创建和管理安全响应文档模板,提高团队协作效率。在实际操作中,我发现这种结构化方法能显著提升响应速度和质量,特别是在需要多团队协作的情况下。平台的一键部署功能也让测试环境搭建变得更加便捷。

GreyWolf12的博客 789

【一周安全资讯0106】国家标准《信息安全技术 网络安全信息报送指南》正式发布;全球1100万SSH服务器面临“水龟攻击”威胁

目前,我们的工作重点是确保系统安全。1月3日,深圳证监局发布的《证券期货机构监管通讯》指出,近期,某券商发生网络安全事件,公司技术部门应急处置后认为处置速度快、造成影响小,不构成网络安全事件,未履行报告义务。为进一步引导证券公司强化网络与信息系统安全稳定运行保障体系和能力建设,2023年6月,中证协印发了《证券公司网络和信息安全三年提升计划(2023—2025)》,明确未来三年全面提升证券公司网络和信息安全的总体目标,其中包括网络和信息安全防护体系基本健全、牢牢守住不发生系统性网络和信息安全风险的底线。

juminfo的博客 1837

『CVE』简析CVE-2024-48795 SSH协议前缀截断攻击(Terrapin攻击)

最近很多小伙伴找我要Linux学习资料,于是我翻箱倒柜,整理了一些优质资源,涵盖视频、电子书、PPT等共享给大家!

1359
上一篇: 别再交会员费了!通义千问这8个白名单级免费接口,企业开发者已批量接入生产环境
下一篇: Sora提示词工程实战:7个高转化率模板+5类常见错误避坑清单
IterStream
博客等级 码龄1年 152粉丝 2112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  | 博主筛选后可见
 
 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