一文详解远程控制安全与远程控制软件(横测ToDesk\AnyDesk\向日葵)

内网横向移动新路径:利用向日葵、Todesk等远控工具渗透剖析 横向移动是内网渗透测试中的核心环节,指攻击者在获取初始立足点后,向内网其他主机扩散控制权的过程。其技术原理通常围绕凭证窃取、协议利用和服务漏洞展开,旨在突破网络隔离,访问核心资产。在远程办公普及的背景下,诸如向日葵、Todesk、RustDesk等旨在提升效率的远程控制软件,因其广泛的部署和潜在的安全配置缺陷,正成为攻击者实施横向移动的新载体。这些工具可能存在的弱密码、明文存储凭证、历史漏洞或服务暴露等问题,可被利用来绕过复杂的域认证,快速建立隐蔽的后续连接。本文聚焦于如何通过信息收集、凭证提取和连接建立等 阅读详情

一、远程控制的安全问题

远程控制的安全性已经算半个老生常谈的问题了,作为常年远程办公的人,这里我只想说一句,无论你用什么软件都会有安全上的隐患,做不到百分百的安全,但相对安全,咱们还是可以自主把控的。

在这里插入图片描述

第一,我们要弄清楚远程控制是什么?

远程控制是指管理人员在异地通过计算机网络异地拨号或双方都接入网络等,连通需被控制的计算机,将被控计算机的桌面环境显示到自己的计算机上,通过本地计算机对远方计算机进行配置、软件安装程序、修改等工作。也就是说,本地电脑通过网络控制异地电脑的意思,现在不仅局限在电脑端,手机、平板等下载远程控制软件后也可以实现远程控制。

第二,远程控制安全吗?

首先,远程控制需要被操控的用户同意才可以,不存在所谓的“安全与否”的问题。其次,正规的远程协助是安全的,因为基于vnc协议下的功能,病毒文件是不会通过远程协助的方式进行传输的。另外,因为远程对象一般都是自己信任的亲朋好友,都是自己信得过的人,所以不用对隐私有太多担心。
然而,如果被不法分子利用,可能会存在信息被盗取的可能。比如非法远程控制行为,通过植入病毒、木马等手段来盗取用户电脑中的数据等。所以在使用远程控制的时候一定要找到正规的远程控制软件进行操作,以免自己的设备和个人隐私收到威胁。

第三,远程控制中常见的安全问题?

发生在远程控制过程中的安全威胁一般可以分为两大类:
一是人为控制的自主行为,前面强调了“远程控制需要被操控的用户同意才可以”,你都点击同意了就不是技术性问题,需要的是加强自身的安全防范意识,不听、不信、不转账。类似的表现行为有,在共享信息时不小心泄露了密码,因为轻信陌生人而打开了屏幕共享,点击了来及不明的链接或者恶意软件等等。

在这里插入图片描述
二是发生频率极低但也有可能的外部/技术因素,例如不稳定、不安全的网络环境;使用第三方通信或协作工具,接入其他业务API时,可能出现管控不严或漏洞,此类问题的大部分已经随着技术的发展和安防监管得到了有效控制。

最后,如何在远程控制过程中做到相对安全?

很简单,先选择一款正规且安全性较高的软件,做好安全设置并把握好远程安全的关键要点。下面我将以三款热门的远程控制软件ToDesk、AnyDesk、向日葵为实操依据,进行全方位的安全测评,相信看完后你会有答案。

在这里插入图片描述

二、远程控制软件的选择

(1) ToDesk

ToDesk 是一款多功能、全平台使用的安全远程协作软件,支持Win、Linux、Mac、安卓、iOS跨平台协同操作。ToDesk支持任何网络环境下的远程连接,免费开放100台设备列表,支持远程开关机、文件传输、剪贴板、远程摄像头、隐私屏/扩展屏/镜像屏等十余项免费功能。针对画质要求比较高的设计、技术人群,提供包括全球网络节点、游戏手柄、4:4:4真彩、数位板、多屏操作等高性能套餐,可全方位满足更多使用需求。

在这里插入图片描述

PC客户端远程安全设置:

登录:ToDesk电脑客户端提供手机号码、手机验证码、邮箱、微信、APP五种登录方式,非常便捷!我最常用的是APP扫码登录,如果勾选下次自动登录,下次再打开ToDesk程序就保持同一个登录账号,不需要再次扫码。

退出:点击头像一键退出登录,退出后即无法发起连接,下班退出就不用担心别人乱连了。

在这里插入图片描述
针对安全性的全面设置,ToDesk客户端提供了丰富的防御维度,比如针对控制本机设置的安全验证,可以选择锁屏密码或手动同意;验证方式有两种方式,临时密码和安全密码,安全密码是固定的,正因为固定所以设置了不少于8个字符、大小写字母、特殊字符、数字等多种元素,严密的密码逻辑着实让人放心不少。

在这里插入图片描述
还有临时密码更新频率,ToDesk可以更新为每小时或者每次远控后,更新频率越高则安全性越高,如果有对外发出远程邀请的需求,建议设置为高频更新。

在这里插入图片描述
隐私设置不用多说,自动锁定本机、自动锁屏等都是比较常用的手段,拉入黑白名单也是针对特定设备的权限开放设置。但在这里我想说下ToDesk的隐私屏设置,这个功能我每次远程都会用到,而且最近出了自定义隐私屏,挺有意思,想和大家分享一下。

登录ToDesk官网后进入个人中心,看到软件定制后选择隐私屏定制,搜了一张最近大火的酱香拿铁同款酱香打工人壁纸为例:

在这里插入图片描述
远程开启隐私屏的效果是不是有种浓浓的茅台酱香味?!
当然,你可以换成任何你想要的壁纸。这个功能目前只有专业版以上可以使用。

在这里插入图片描述
如果你不想特意去下载一个专用客户端,可以考虑ToDesk精简版。亲测全程30秒内可打开使用,非常非常简单的界面,本机只能作为被控设备,可复制代码给你需要进行远程支持的对象,不需要时可以轻松卸载,做到数据不留痕,兼具容量小、速度快、高保障的特点。

在这里插入图片描述
还有其他安全方面的问题,去ToDesk官网的帮助中心看看吧,这里有详细的解答和操作步骤。

在这里插入图片描述

移动端远程安全设置:

目前我的安卓机是ToDesk最新的4.7.0.9版本,点击进入单独的设备列表,再点击右上角的三点,可以查看详细的远程连接记录,有了记录可以很好的溯源连接设备,检测是否有陌生设备连接。

并且在【连接】菜单页,也会展示“最近连接”的设备,直接点击该设备则自动输入设备号和临时密码,达到了即时连接的便捷性,如果不是固定密码就要重新输入。

在这里插入图片描述
进入移动端的具体类目,更新后的版本进行了设计优化,目录栏在底部并且采取收缩的形式,需要时点击向上展开。

在安全这设置的范畴内,可以通过移动端进行锁定计算机、关闭声音、禁用被控键鼠、开启隐私屏的操作,实现对被控端权限的安全设置。

在这里插入图片描述

此外,在【设置】菜单页也有安全中心进行登录设备管理和注销账号的选项,可以管理和控制自己的设备使用范围,进行个人账号的安全维护。

安全提示方面,ToDesk在特权开启前都会进行提示,安卓机需要打开4个权限,其实打开这个权限的过程相对复杂一些,要一步步提示用户你目前开启的是什么?会受到什么影响?如果当你已经深入了解这些功能后还要开启,确保你是十分信任这个设备的。

在这里插入图片描述
在保障金融账户方面,ToDesk有专门的隐私触发机制。拿安卓被控举例,如果在远程过程中被控打开金融类账户或者有出现输入密码部分,可能主控端就显示黑屏或模糊。实操打开云闪付安全验证的时候就已经黑屏,并且在退出后有防诈提醒,远程防诈人人有责。

实操如下图所示:

在这里插入图片描述

在被控端,ToDesk提供即时断连的安全设置,这个悬浮只能收缩不能关闭,表示使用远程过程中,主被控都可以随时结束远程,真的是随心又安全的设置了!

在这里插入图片描述

(2)AnyDesk

AnyDesk中文安力桌,来自德国,创立于2014年,是全世界领先的远程桌面软件提供商,支持多语言设置,具备高帧率、低延迟、高效宽带使用等特点,每月有2亿次会话,视频编解码器DeskRT是AnyDesk的技术基础,所以可以保持本地网络上的延迟低于16 ms。

在这里插入图片描述

PC客户端远程安全设置:

AnyDesk桌面客户端可以在连接框输入工作台代码,或者把常用设备收藏后点击连接、邀请、传输文件等选项,功能项是比较常用的。

在这里插入图片描述

实测用AnyDesk实行无密码远程连接,PC控PC,需要被控点击接受后开启远程;Win远控苹果手机,需要先点击接受并开启屏幕直播;苹果手机远控Win时,需要被控在线(电脑前),会话框手动点击接受才可开启远程,总之,必须要设备和人同时在场的情况下操作。虽然保证是人为同意,但针对随时随地远程来说,不是特别方便。
在这里插入图片描述
客户端会话的配置文件提供了缺省配置、屏幕共享、完全访问和无人值守访问四个选项的配置权限,每个配置项需要单独点亮特定功能。

在这里插入图片描述
例如,完全访问配置可以点亮允许使用鼠标键盘、文件管理器、剪贴板、收听声音、录制、白板、启用隐私模式等,点击【更多】还会出来更丰富的权限允许,如下图:

在这里插入图片描述
就连被控设备的信息也能完全显示,包括被允许的功能点,对方的操作系统、显卡、监视器、显示像素、IP地址、网关、服务器等信息,全部可以一目了然,信息呈现透明化。

在这里插入图片描述
点击全局设置的【安全】可进行更加详细的安全设置,包括是否允许交互连接、是否开放/删除访问数据、启动双重身份、打印文件、同步剪贴板等。

权限配置文件同步会话界面,这里就不多讲了。

默认是自动更新版本,并提供自动断开会话的超时设定,可以设定是否在线显示,这是针对发现状态下是否会被本地网络中的其他AnyDesk客户端所搜查到。

在这里插入图片描述
这里值得注意的安全设置是自主访问设置密码和双重身份验证,

官网介绍,AnyDesk使用了TLS 1.2标准化协议技术、RSA 2048非对称密钥交换加密、256位AES传输加密、盐哈希密码等各种高级密码设置,估计就体现在这两个安全设置上面。

实操下来,虽然没有提示,但密码设置和上面的ToDesk安全密码(固定密码)是一样的。

在这里插入图片描述
开启双重身份验证功能后,Anydesk会弹出生成代码的二维码,需要使用到一个叫做FreeOTP的应用程序来扫描二维码,就会获取代码信息,输入验证码即可“启用身份验证”。

在这里插入图片描述
此项适合自主访问密码泄露后,但又无法在短期内更改密码时,可借助双重身份验证功能,提高设备的安全保障。

移动端远程安全设置:

发现国外软件的移动端都特别简单,关于安全设置的【安全】和【隐私】,安全目录下保持了PC客户端的部分安全设置,远程默认选项、发现和自动断开,而隐私目录则更简单,只有头像和桌面壁纸的编辑。

在这里插入图片描述
个人觉得AnyDesk的高级安全设置主要体现在企业版,可以托管在本地服务器,拥有更多定制选项和高效的IT管理权限,就是收费方面,至少需要168港币/月,相当于人民币168元/月,一次性按年收取。

在这里插入图片描述
由于大多国外软件大多是设国内代理的,真要有什么问题找到人也难,不能及时解决,而且有一些国企、政府机关等单位对国外远程软件是有严格限制的,从事公务类职业的小伙伴建议优先使用国内远程控制软件。

(3)向日葵

向日葵远程是国内比较早的远控品牌,以贝锐成名,一开始提供域名服务,2009年才正式发布向日葵远程控制,具备支持多系统设备的适配能力,包括Windows、Mac、Linux等,保证稳定、高效的远程连接体验。

PC客户端远程安全设置:

向日葵可以提供日志和历史记录方面的数据导出,新版本可以自主检测更新,也支持锁定客户端操作。

在这里插入图片描述
在向日葵的具体安全目录下,以安全验证方式、安全证书、开机密码、隐私设置、域名访问和安全设置为主。不同点是向日葵的更新频率选项没有ToDesk多,同时采用了和AnyDesk类似的双重验证方式,在设定使用本机登录密码或者访问密码后还可以加一个强制控制端输入验证码并得到本机同意的选项,可以说验证密码的环节多了一个手动同意。

在这里插入图片描述
在这里插入图片描述
另外,向日葵还可以提供禁止同步剪贴板文本、文件传输和指定访问文件夹,相比其他家的共享,它是单独给设置了专项权限,有时候误点,还奇怪怎么搞的复制不了。

在这里插入图片描述
其他的就没啥好说了,RDP\CMD类要付费,可就连摄像头这种也是付费。

就上周,本来用着向日葵感觉还行,结果是时常、不定时会有一天崩了好几次,突然掉线然后登录不上,结果今天还是…!!!
在这里插入图片描述
这还都算好的,属于技术性bug,怕的是**突然被莫名控制?!!**我旁边的同事就有遇到过,一搜发现别人也有这种情况,这样的话安全性方面也是有点担忧。

在这里插入图片描述

移动端远程安全设置:

向日葵移动端远程界面基本是远程操作按钮,锁定桌面勉强算一个吧,然后设置里类似的有被控记录、访问屏蔽以及系统权限管理,系统权限是手机系统的设定,总体而言,并无太多关于安全方面的设置。

在这里插入图片描述
然后你会发现其实挺多地方需要付费升级的,可是本来PC客户端设备上下线提醒不收费,怎么到了移动端就要收费了????我不理解…

在这里插入图片描述

三、远程安全的关键要点

远程安全时时掌握,远程防诈人人有责!总结一下关于远程安全的五大要点:
第一,下载一定要官方来源正版远程控制软件,避免下载被掺杂了很多广告或是动了手脚的软件。
举个栗子,百度搜索后先判断是否是官网,官方网站是会有对应的域名,以3w.xxx.com的形式,如https://www.todesk.com/,而不是通过某些第三方平台下载

在这里插入图片描述
在这里插入图片描述
第二,不要随意接受陌生人的远程邀请或轻易开启远程屏幕共享,也不要轻易分享自己设备的远程邀请信息给别人。
第三,个人在接受第三方远程支持后,应及时更改验证码或密码,养成经常更换远程控制密码的习惯。
第四,公司内部应选择安全可控的远程控制软件企业版,做专项的远程部署和管理措施,这一部分主要针对远程需求旺盛和日常有远程硬性需求的企业用户。
第五,使用隐私屏可以很好的保障远程过程中的隐私安全;如果没有远程控制需求,也要记得关闭个人电脑,断开网络连接。
关于远程控制安全还有很多注意事项和关键环节,可以在评论区分享你的经验。

四、总结

其实这篇文章的初衷是想让大家正确认识安全远控,不是一味的摒弃所有不好的方面,而是如何规避可能出现的安全威胁,做好防范,明白远程控制真的很安全,并以此分析了三款远程控制软件的安全设置,我认为远控软件的安全性:AnyDesk>ToDesk>向日葵。

在这里插入图片描述

AnyDesk的安全设置是最全面,但在实测过程中频繁发生闪退,这一点优化后它在安全性方面是没有任何问题的,麻烦就在于双重验证还要借助FreeOTP来扫码,国外软件价格太高和及时性上的不便,;ToDesk安全性相对较高,位于国产远控软件的好评前列,自定义隐私屏、隐私触发机制、安全提醒等方面深得我意;向日葵在安全方面加了双重验证、剪贴板限制和用户日志等,按理说安全性还可以,实际上崩溃的频率很高,会耽误事,用户体验也不是很好。

总之,不管是从功能点、稳定性、性价比以及最主要的安全保障方面,我觉得ToDesk带给我的感觉更强烈,也比较适合日常使用。

黑客学习资源推荐

最后给大家分享一份全套的网络安全学习资料,给那些想学习 网络安全的小伙伴们一点帮助!

对于从来没有接触过网络安全的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。

😝朋友们如果有需要的话,可以V扫描下方二维码联系领取~

1️⃣零基础入门
① 学习路线

对于从来没有接触过网络安全的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。

image

需要详细路线图的,下面获取

② 路线对应学习视频

同时每个成长路线对应的板块都有配套的视频提供:

image-20231025112050764

2️⃣视频配套工具&国内外网安书籍、文档
① 工具

② 视频

image1

③ 书籍

image2

资源较为敏感,未展示全面,需要的下面获取

### 3️⃣Python面试集锦

① 面试资料

在这里插入图片描述在这里插入图片描述

② 简历模板

在这里插入图片描述

因篇幅有限,资料较为敏感仅展示部分资料,添加上方即可获取👆

------ 🙇‍♂️ 本文转自网络,如有侵权,请联系删除 🙇‍♂️ ------

远程控制技术解析:从合法工具到渗透攻击的攻防实战 远程控制技术作为实现跨设备操作的核心技术,其底层依赖于客户端-服务器架构和信令协议,通过VNC、RDP等协议实现屏幕传输与指令交互。这项技术的核心价值在于极大提升了远程办公、IT运维的效率与灵活性。然而,其技术原理同样可被恶意利用,形成远程渗透攻击链中的关键环节,例如攻击者常利用漏洞利用和钓鱼攻击获取初始权限,并部署反向连接型远控木马实现持久化控制。在应用场景上,无论是个人远程协助还是企业级IT管理,都需在享受便利的同时,警惕其安全风险,构建涵盖网络边界防御、主机加固及持续监测的纵深安全体系,这正是理解远程 阅读详情

相关推荐

合法软件被恶意利用:新型钓鱼攻击手法剖析与防御指南

在网络安全领域,社会工程学攻击是一种利用人性弱点而非技术漏洞的常见威胁手段。其原理在于攻击者通过伪装、欺骗等方式诱导目标执行特定操作,从而绕过传统安全防护。这种攻击的技术价值在于其极高的隐蔽性和成功率,常被用于初始入侵阶段。应用场景广泛,从钓鱼邮件到恶意软件分发都可能涉及。本文聚焦一种新兴的高级攻击手法,即攻击者滥用AnyDesk、TeamViewer等合法远程工具以及Slack、钉钉等办公通讯软件作为攻击载荷。通过剖析其完整的攻击链,从诱饵制作、权限获取到命令控制,揭示了攻击者如何利用这些“白名单”软件的

weixin_33978578的博客 286

用任何依赖中转服务器的远控软件,打造一款属于自己的远程控制软件(一)

原标题:打造一款属于自己的远程控制软件(一)*本文原创作者:Mr极目楚天舒,本文属FreeBuf原创奖励计划,未经许可禁止转载本人为了工作中便于管理手中大量的计算机一直在寻找一款合适的远程控制软件。鉴于网上下载的远程控制软件大多都被不同程度地植入后门,于是萌生了自己打造一款远控的想法,正好借着这个机会重新拾起快要被遗忘了的C++,也借此将源代码与大众网友分享。采用成熟的MFC框架技术来搭建远控客户...

weixin_31486383的博客 878

国内外四款强大的远控使用体验:ToDesk、向日葵、AnyDesk、Microsoft 远程桌面横向比较

国内外四款强大的远控使用体验:ToDesk、向日葵、AnyDesk、Microsoft 远程桌面横向比较

m0_61933976的博客 4万+

一款支持自建服务器的免费国产远控神器:RdViewer Pro

支持上万设备连接的高性能服务器,采用TCP/UDP双驱混合传输技术,极速流畅的体验,cpu占用、内存占用、网络流量占用远优于市面上同类产品。

sjdown2010的博客 2070

AnyDesk:高效远程桌面控制与协作解决方案

AnyDesk是一款支持多平台的远程桌面控制工具,以其轻巧、高效和易用著称。它使用专有的DeskRT编解码器,能够在不同网络环境下保持稳定的连接和流畅的传输。无论是在企业内部协作、技术支持还是家庭远程协助,AnyDesk都能够提供强大的功能支持。二步验证(Two-factor authentication,简称2FA)是一种安全机制,通过要求用户提供两种不同的验证因素来完成身份验证过程。

weixin_33375360的博客 1700

IT世界里的“国境线”(芯片与算法篇)

首先分析下概念,对于芯片,相信大家已经比较了解,就不做过多的解释。我们说一下算法,虽然算法是应用在IT领域,但我相信学数学的同学,特别是学习计算数学的,对算法应该更加熟悉。记得在本科课程中,专门有一门课叫做“算法设计”。从概念上来讲,算法指的是解决问题的方法和流程,是一段逻辑,一系列解决问题的清晰指令。或者更通俗一点来讲,算法是从A到B,所有可能的计算方式。 一、 芯片与算法的关系 芯片和算法并不是独立或者对立的两个个体。芯片本身就集成了算法。算法是一种逻辑概念,芯片是算法的一种表现形式,软件也是算法的

weixin_49664622的博客 7020

免费自建远程控制服务器神器

1、在线列表管理在线设备列表管理功能提供了一目了然的设备信息概览。您可以通过分组、添加备注、排序以及使用关键词快速查找功能, 轻松地定位和管理您的设备。此外,多选批量管理操作功能使您能够高效地对多个设备进行统一管理。[外链图片转存中…(img-ppYN7GGv-1718883640565)]2、文件管理功能文件管理功能模拟了Windows资源管理器的界面,支持文件夹和文件的分类排序显示,使文件管理变得更加直观和便捷。此外,目录记忆和快速跳转功能可以帮助您快速地找到所需的文件或文件夹。

小飞技术 2855

CFD-POST中建立变量的方法

本文以测量文丘里管中全压为例阐述CFD_POST中建立变量的方式 点击进入CFD-POST界面的expressions栏中 2.与expression栏中空白处右键,new-输入新建的表达式名称 3. 在下方的空白栏中右键-varible选择需要的变量,并根据公式进行修改 4.点击进入varibles栏,空白处右击-new-输入变量名totalpressure,在下拉框中找到之前定义的totalpressure 完成后可以在varibles栏中看到新建的...

sidxi的博客 1万+

远程控制软件安全吗?一文看懂ToDesk、RayLink、TeamViewer、Splashtop相关安全机制

一款安全可靠的远程控制软件是安全远程办公的必备要素,合法合理使用能够帮忙解决很多远程操作和支持工作,注意我这里用的是合理合法。然后就国内外远控软件的安全机制对比结果,ToDesk和Splashtop安全层级较高,远控功能全面且安全稳定;单就个人体验来说,Splashtop受限挺多,付费又不忍割肉,而且国内某些企业已经禁用了境外远控软件;国内则推荐ToDesk,关心用户体验,有很多安心的实用功能。

颜淡慕潇 6万+

badusb详细制作教程(两种方式实现远控)

badusb是一种几乎可以突破任何杀毒软件和防火墙的设备,堪称渗透测试利器 文章目录前言一、什么是badusb?二,badusb的优点三,badusb是如何攻击的?badusb原理HID攻击漏洞产生原因三、准备步骤1.设备2,编辑器的安装与设置四,编写代码(重点)第一种: SEToolkit + badusb实现PowerShell注入攻击第二种:Cobalt Strike + badusb 实现PowerShell注入攻击五,烧录六,badusb有多强大攻击场景总结 BadUSB是《黑客军团》中

Ghost_system的博客 1万+

中山大学_数据科学与计算机_预推免

前言 2019 年 9 月中旬是中山大学预推免时间,本人没能进到夏令营,但是最后在预推免上岸也算不幸中的万幸。 记忆不一定准确,但希望能帮到他人。 想看 流程 的可以直接看总结,正文部分有本人心路历程。 预推免 中山大学的预推免大致可以分为 报道,机试,面试 三大部分,而且尤其是面试,所有人加起来总时长 3 天,幸运的是,本人被安排在第一天的下午第一场,上午就是机试,报道,机试,面试,无缝衔接。 ...

一把健 5210

【一文详解远程控制安全与远程控制软件(横测ToDesk\AnyDesk\向日葵) - 优快云 App】

【一文详解远程控制安全与远程控制软件(横测ToDesk\AnyDesk\向日葵) - 优快云 App】http://t.csdn.cn/RPobt。

zero2100的专栏 106

Unreal Engine鸿蒙移植实战:环境配置、构建流程与性能优化指南

游戏引擎移植是跨平台开发中的关键技术环节,其核心原理在于通过适配目标操作系统的底层接口和工具链,实现同一套代码在不同硬件和软件环境下的高效运行。这项技术的价值在于最大化代码复用率,降低多平台维护成本,并能让应用快速触达新兴生态系统的用户。在移动游戏和XR应用领域,随着鸿蒙HarmonyOS生态的快速发展,将成熟的商业引擎如Unreal Engine迁移至此平台,成为开发者探索新市场机会的重要路径。本文聚焦于Unreal Engine项目向鸿蒙系统的移植实践,详细解析了从环境搭建、源码适配到构建打包的全链路流

weixin_29011395的博客 411

【2025版】最新内网渗透之远程控制软件利用总结!从零基础到精通,收藏这篇就够了!

在内网渗透过程中,会碰到远程控制soft或者其他,这里针对远程控制软件做如下总结。

yy1715713348的博客 822

防反接电路、防倒灌电路、过流保护和ESP相关知识

1.开关电源给负载供电, 如果负载是电池或者其他感性负载(比如像 电机 有线圈 当电源突然断掉时 会产生感应电动势)时, 当220V断掉的时候,可能会出现 电池反向给开关电源 的 输出端 供电,导致开关电源的一些莫名损坏。2.系统在不同的 输出电压 之间 切换时,会存在高压电压倒灌到低压电压源中。例如:系统 有两个电源供电 比如 一个电池 一个 充电器 充电器的电压一般会高于电池 如果没有防倒灌的电路 可能充电器的电压会直接倒灌给电池 造成电池的损坏。

a_black_的博客 1万+

Ubuntu Server 22.04.5系统安装教程

该教程主要是演示在服务器上安装Ubuntu server 22.04系统的详细步骤,主要包含,安装系统前的准备(镜像的下载,启动盘的制作),安装系统时的语言选择,网络设置,切换镜像源(可根据实际需求来配置,本文使用清华镜像源),手动分区,用户设置,ssh服务安装等。以上就是关于Ubuntu Server 22.04系统安装的详细过程。

逆水行舟,不进则退。 7771

内网远程控制总结

在内网渗透过程中,会碰到远程控制soft或者其他,这里针对远程控制软件做如下总结。

hongduilanjun的博客 503

【嵌入式 – GD32开发实战指南(ARM版本)】第1部分 基础篇 - 第1章 开发环境搭建

开发环境: MDK:Keil 5.30 MCU:GD32F207IK 1.1 GD32F207I-EVAL开发板简介 笔者使用的开发板是兆易创新设计的GD32F207I-EVAL开发板。 GD32F207I-EVAL开发板使用 GD32F207IK作为主控制器,主频120MHz、集成3MB Flash、256KB SRAM、通用定时器*10、Adv. TM*2、Basic TM*2、系统时钟*1、看门狗*2、RTC*1、USART*4、UART*4、I2C*3、SPI*3、I2S*1、SDIO*1、CAN

不问归期的博客 9993

基于MCP协议与AI Agent的远程控制自动化实践

远程控制技术从传统的VNC、TeamViewer等工具发展而来,其核心原理是建立安全的远程连接通道,实现输入与屏幕画面的映射。随着AI Agent与标准化协议的发展,远程控制正从手动操作向意图驱动范式演进。Model Context Protocol(MCP)作为连接AI与工具的关键桥梁,通过定义标准化的工具接口,实现了AI对复杂任务的自动化编排。这一技术组合在智能运维、自动化测试、跨设备文件管理等工程实践中展现出巨大价值,能够将向日葵等成熟远程控制软件的能力封装为MCP Server,使AI能够直接调度执

weixin_30595035的博客 317

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

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")

腾讯QClaw实测:微信小程序远程控制电脑,3分钟轻量部署指南

远程控制技术通过客户端-服务器架构,实现在异地网络中对计算机的访问与操作,其核心价值在于突破地理限制,提升运维与协作效率。在工程实践中,轻量化、低门槛的解决方案备受关注,例如利用微信小程序作为控制端,无需安装额外App,通过扫码即可快速建立连接。这类工具尤其适用于临时性、应急性的远程办公场景,如突发性的文件获取、服务重启或轻量级系统管理。腾讯QClaw正是基于这一思路,将远程控制与微信生态结合,通过一次性连接码和加密传输来平衡便捷性与安全性,为开发者与普通用户提供了一种快速部署、即用即走的远程协助新选择。

weixin_34115824的博客 391

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

上一篇: 客户端SDK测试是什么?如何测?
下一篇: 保姆级 | 最新Burpsuite安装配置_burpsuite许可证密钥
大模型应用场景
博客等级 码龄5年 7675粉丝 1350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