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
2.6k累计阅读
2.6k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
对于常用的逆向工具ida，很多时候使用插件能加速分析的速度，例如一些算法的标识，两个样本存在的关联性，yara的使用等，这个笔记是整理一些在日常分析中使用的插件安装过程和使用的方法，虽然比较简单，入门基本够用了。
标识一些常用算法的插件，地址(https://github.com/polymorf/findcrypt-yara)
将sdk复制到安装的根目录即可，如果不安装sdk插件不可用，这点需要注意
将脚本文件复制到ida\plugins下
根据系统的位数（32/64）下载安装即可，使用pip安装yara-python会出现各种未知问题。
下载地址
安卓SO层逆向实战：从静态分析到动态调试的完整指南
在移动安全领域，SO（共享库）层逆向是深入分析应用核心逻辑的关键技术。其原理在于，安卓应用常将关键算法、加密验证等敏感代码编译为原生SO文件，以提升逆向难度。掌握SO逆向技术，对于安全研究、漏洞挖掘和CTF竞赛具有重要价值，尤其在分析金融、游戏等高安全需求的应用场景时不可或缺。本文以实战案例为基础，系统讲解如何通过动静结合的方法，运用IDA Pro等工具进行SO文件分析，并重点演示动态调试技巧，帮助读者理解如何绕过反调试机制，高效定位关键函数与算法逻辑。
BUUCTF逆向25-28：ELF结构驱动的实战逆向方法论
ELF文件是Linux二进制分析的核心载体，其节区（Section）、段（Segment）与重定位机制共同构成程序加载与执行的基础逻辑。理解readelf、objdump等底层工具如何映射内存布局，掌握符号表剥离后的入口定位、动态base64索引还原、控制流平展识别及got.plt劫持分析，是突破生产级加固二进制的关键能力。这些技术不仅支撑CTF逆向解题，更广泛应用于固件安全审计、恶意软件分析与漏洞挖掘等真实工程场景。本文聚焦BUUCTF re25-28系列题，以ELF结构优先、动静结合、数据驱动为原则，系
汇编语言与逆向工程：从基础指令到CTF实战的完整指南
汇编语言作为计算机底层的指令集，是理解程序执行原理的核心。它直接对应CPU的运算、数据搬运和流程控制，是分析软件行为、漏洞利用和代码混淆的基础技术。掌握汇编能帮助工程师深入理解内存布局、函数调用栈和寄存器使用，从而在逆向工程中精准定位关键逻辑。在CTF竞赛和软件安全分析中，逆向工程师通过静态分析（如IDA Pro反汇编）与动态调试（如GDB/x64dbg）结合，破解算法验证、迷宫求解及Native层逻辑等场景。本文聚焦x86/x64常用指令如mov、cmp、jmp，并结合异或运算、栈操作等热词，详解从行为分
AI编程工具实操指南：Claude Code与Codex CLI本地部署避坑手册
AI编程工具正从概念走向工程落地，但开发者常卡在‘能装不能用’的困境中：VS Code插件连接失败、CLI命令报错、跨平台二进制不兼容、MCP协议对接无从下手。其本质是模型调用链断裂——底层CPU架构匹配、中层Node.js运行时ABI兼容、顶层HTTP通信配置三者缺一不可。Claude Code作为VS Code内嵌智能补全服务，依赖本地HTTP服务而非云端API；OpenAI Codex CLI则需绕过npm optionalDependencies陷阱，直取darwin-arm64等原生二进制。掌握这
bindiff+ida判定样本所属类型
使用bindiff7+ida7.6判定恶意样本归属
IDA_6.6_SDK
IDA Pro是目前最棒的一个静态反编译软件,是破解者不可缺少的利器!巨酷的反编译软件,破解高手们几乎都喜欢用这个软件。 本附件是IDA pro 6.6的SDK包。
bindiff7.msi
bindiff7.msi win10版本 免费版本 免费的 非盗版 https://www.zynamics.com/software.html
ida pro sdk _V4.8
IDA Pro Avanced是一个极好的反汇编工具，它大的胜过了w32dasm。
VN5620硬件接口介绍
VECTOR, VN5620, 诊断
360加固DEX解密与ELF修复技术解析
本文深入解析360加固的DEX解密与ELF修复技术，详细介绍了其多层保护机制、Java层入口分析、Native层加载流程及反调试绕过技巧。通过RC4和zlib解密技术，结合Frida工具实现内存Dump和ELF文件修复，为逆向工程师提供实用解决方案。
Couldn‘t find device with uuid 恢复LVM元数据 linux
Couldn't find device with uuid 恢复LVM元数据 linux欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使
mbedtls | 01 - 移植mbedtls库到STM32的两种方法
一、mbedtls 开源库 1. mbedtls是什么 Mbed TLS是一个开源、可移植、易于使用、代码可读性高的SSL库。可实现加密原语，X.509证书操作以及SSL / TLS和 DTLS 协议，它的代码占用空间小，非常适合用于嵌入式系统。 mbedtls遵循 Apache 2.0 开源许可协议，目前由 TrustedFirmware 维护（Linaro主持的一个治理开放社区项目），在Github上已收获 2.6k star，目前Github上发布的最新版本为 2.24.0 版本，开源仓库地址为：
Android软键盘系统深度解析：架构、原理与实现
Android软键盘系统深度解析：架构与实现原理 本文系统剖析了Android软键盘的核心工作机制。作为系统级输入服务，软键盘具有双重属性：既是可安装的独立应用，又深度集成于系统框架中。文章详细解读了软键盘的系统架构，包括其与InputMethodManagerService(IMMS)和WindowManagerService(WMS)的交互机制，以及通过InputConnection实现的跨进程通信流程。同时分析了输入法窗口的特殊管理策略、布局调整模式，并深入探讨了输入预测引擎的实现原理，包括词典加载、
【100%通过率】华为OD机试真题 Python 实现【投篮大赛】【2022.11 Q4 新题】
你现在是一场采用特殊赛制投篮大赛的记录员。这场比赛由若干回合组成，过去几回合的得分可能会影响以后几回合的得分。比赛开始时，记录是空白的。你会得到一个记录操作的字符串列表 ops，其中ops[i]是你需要记录的第i项操作，ops遵循下述规则： 整数x-表示本回合新获得分数x “+” – 表示本回合新获得的得分是前两次得分的总和。 “D” – 表示本回合新获得的得分是前一次得分的两倍。 “C” – 表示本回合没有分数，并且前一次得分无效，将其从记录中移除。 请你返回记录中所有得分的总和。
YOLOv8/v9工业零件缺陷检测实战指南：从原理到产线部署
摘要：本文系统介绍基于YOLOv8/v9的工业零件缺陷检测技术，从工业质检背景与需求出发，详解缺陷检测原理、算法构建与模型训练，提供从数据集准备到移动端部署的全流程实操方案。包含多尺度检测、纹理分析等高级技术，适配工业相机的环境优化策略，以及完整质检系统代码实现。适合工业视觉领域新手与进阶开发者，助力快速构建高鲁棒性的缺陷检测系统。
【纯干货分享】常用高速接口眼图模板合集
文章汇集了常见的高速接口的信号眼图测试模板技术要求，比如，LPDDR5/4、PCIe 5.0/4.0、USB、MIPI等等，方便工程师快速进行查询和使用。
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
426
扫一扫
