2023更新版大厂面经 | 网络安全岗

2023网络安全面试题(附答案)+面经 随着国家政策的扶持,网络安全行业也越来越为大众所熟知,相应的想要进入到网络安全行业的人也越来越多,为了拿到心仪的Offer之外,除了学好网络安全知识以外,还要应对好企业的面试。所以在这里我归纳总结了一些网络安全方面的常见面试题,希望能对大家有所帮助。内容来自于社群内2023届毕业生毕业前的持续整理和收集的安全岗面试题及面试经验分享~前排提醒:文末有全套面试题的领取方式哦! 阅读详情

主要提供两个方向,一个是漏洞挖掘,一个是红队。

面了之后,直观感受是,面试也是有套路可言的。

这里的套路指的不是所谓的出题套路,而是涉及的技术栈,都是大同小益的,无非就是那么几样,java,域为主体,其他为辅助。虽然技术栈不变,但是面试的问题每一年都会略有改变,因为安全技术在进步,每一年面试问的东西,或多或少都会和当年出来的新技术有关系,而目前更多的会涉及到云这一块。所以搞安全,一定要与时俱进。

市场要求,本质上还是底线要求,他要求你能够胜任当前岗位,这个要求已经很基本了。对自己的要求应该还需要拔高,更多的应该是因为兴趣就某个问题进行深入钻研,然后完成各种各样的挑战,这样玩下来才更有乐趣。其实不太需要思考钱的问题。技术到位了,公司开高薪是水到渠成的事情。越过过程去想结果,是很难有所收获的。

这里先对各家厂商的面试做个总结:

  1. 一 java 很重要二 域很重要三 如果 java 和域都过关,basement 的技术栈已经过关了,后续的就是锦上添花,在给你offer 的基础上加钱。
  1. Java 主要涉及新漏洞和老漏洞的原理,利用,绕 waf 利用。域主要涉及新漏洞和老漏洞的原理,利用,绕 edr 利用。至于红队方向,有的会问 cs 隐藏,cs 特征修改,这个也是必会的。还有免杀,会了更好,不会也没事,如果 java 和域这块过关的话。漏洞挖掘方向,需要能产出漏洞。那么会问的很细,例如 cc 链某条链条的原理,为什么打了 patch 就不行了?为什么这样绕过又可以了?为什么后续 patch 的 patch 又能修复了?例如反序列化,为什么我用这条链就行,另一条链就不行了,不行的原因在哪?写内存马用哪条链条?Javaagent 了解过吗?如何动态修改字节码?内存马的持久化研究过吗?漏洞挖掘,毕竟是单点的代码方向,可以理解问问题的深度。
    因此可以这么区分合格红队=java利用ok+懂一些原理+能挖一些简单的洞+内网 ok合格审计=挖洞 ok+懂一些利用后面是问的问题和对应价格参考,没写就代表我不知道。
    数据不保真,仅供参考,真实度自行判断。有些重复的问题就不一一写出来了。

漏洞挖掘方向

shopee(30k+)

  1. 1、和信息安全相关的返回 response 头2、linux常见命令3、docker常见命令4、jwt是什么5、weblogic反序列化原理(有一个xml反序列化漏洞 还有后台文件上传还有二次 urldecode权限绕过)6、java代码审计exec命令执行的相关利用前面拼了一段然后调用 lang.runtime.exec("fuck" + a) 这里可以利用吗(不行 因为根据 exec 的方法 这里不能识别执行)7、内存马相关原理8、shiro反序列化漏洞利用的时候 由于waf过长被ban了怎么解决这个问题(如果是 waf拦截 可以尝试更换 http 头 如果是tomcat头过长可以在cookie写一个loader 然后shellcode写到 body 里)9、内存马扫描原理 如何检测内存马10、java 代码审计反序列化原理(输入的恶意类被识别 解析了)11、ysoserial原理commoncollections利用链的原理 (cc1 最后 invoke 反射加载输入的方法cc2 cc3 等等大同小异)12、linux 全盘查找文件命令(find / -name fucku)13、docker run 的常用命令(docker run -it centos -p --name -d )14、java反序列化php反序列化 python 反序列化的区别和相同点(java 反序列化需要利用链php反序列化也需要利用链 python反序列化不需要利用链 有一个__reduce__可以自己构造命令执行)15、linux全盘搜索含有某个字符的文件/linux 全盘搜索叫某个名字的文件(grep -rl 'abc' /)(find-name / fucku)

大疆(30k+)

  1. 1、mybatis 的 sql 注入审计如何去审2、一个站,只有命令执行权限,没有回显,也不出网,怎么后续深入利用(发散)

深信服(30k+)

  1. 1、宽字节注入原理,是只有gbk编码的才存在宽字节注入吗?2、php反序列化原理3、内网一台机器,只有一个mssql的服务账户权限,如何进行后续的利用4、rsa算法原理/aes 算法原理5、一台机器不能出网,如何把一个exe文件放到对应的目标机器上去(dmz 区)

华为

  1. 1、log4j 如何绕过 trustcodebase2、Springboot+shiro 环境如何进行渗透3、实战中如何判断 fastjson 的版本4、Fastjson 文件读写 gadget 是哪条,原理是什么5、内存马类型,如何检测6、给一个后台登录框有什么利用思路7、Spring4shell 原理&检测&利用8、安卓系统如何进行 rce,有什么思路9、给一个移动端的 app,已知服务端是 cloud 环境,有什么思路利用

//红队&&企业蓝军方向

360 面试题(以下都是同一场面试提的问题,两个面试官,一个代审一个红队,时长接近两小时)

  1. 1、shiro 如何绕 waf2、weblogic 如果在打站的时候,一旦遇到了 waf,第一个 payload 发过去,直接被拦截了,ip 也被 ban了,如何进行下一步操作3、jboss 反序列化原理4、weblogic 反序列化原理,随便说一个漏洞,然后说触发原理5、fastjson 怎么判断是不是有漏洞,原理是什么6、fastjson 判断漏洞回显是怎么判断的,是用 dns 做回显还是其他的协议做,为什么7、fastjson 高版本,无回显的情况,如何进行绕过,为什么可以这样绕过8、代码审计,做过哪些,主流的代码审计 java 框架请简述9、泛微,致远,用友这三套系统代码框架简述10、泛微的前台漏洞触发和后台漏洞触发,如何通用性的挖泛微的洞,泛微能反序列化吗,怎么挖11、php 代码审计如果审计到了一个文件下载漏洞,如何深入的去利用?12、php 里面的 disable_function 如何去进行绕过,为什么可以绕过,原理是什么13、假如说,在攻防的时候,控下来一台机器,但是只是一台云主机,没有连接内网,然后也没有云内网,请问怎么深入的对这台云主机进行利用?14、redis 怎么去做攻击,主从复制利用条件,为什么主从复制可以做到拿 shell,原理是什么,主从复制会影响业务吗,主从复制的原理是什么?15、becl 利用链使用条件,原理,代码跟过底层没有,怎么调用的?16、假如我攻击了一台 17010 的机器,然后机器被打重启了,然后重启成功后,机器又打成功了,但是无法抓到密码,为什么无法抓到,这种情况怎么解决这个问题?17、内网我现在在域外有一台工作组机器的权限,但是没有域用户,横向也不能通过漏洞打到一台域用户的权限,但是我知道一定有域,请问这种情况怎么进入域中找到域控?18、jboss 反序列化漏洞原理19、内网拿到了一台 mssql 机器的权限,但是主机上有 360,一开 xpcmdshell 就被拦截了,执行命令的权限都没有,这种情况怎么进行绕过。20、什么是 mssql 的存储过程,本质是什么?为什么存储过程可以执行命令?21、如果想通过 mssql 上传文件,需要开启哪个存储过程的权限?22、内网文件 exe 落地怎么去做,用什么命令去执行来落地,如果目标主机不出网怎么办?23、内网域渗透中,利用 ntlm relay 配合 adcs 这个漏洞的情况,需要什么利用条件,responder这台主机开在哪台机器上,为什么,同时为什么 adcs 这个漏洞能获取域管理员权限,原理是什么24、内网域渗透中,最新出的 CVE-2022-26923 ADCS 权限提升漏洞需要什么利用条件,原理是什么,相比原来的 ESC8 漏洞有什么利用优势?25、内网渗透中,如果拿到了一套 vcenter 的权限,如何去进一步深入利用?db 文件如何解密?原理是什么?26、vcenter 机器拿到管理员密码了,也登录进去了,但是存在一个问题,就是内部有些机器锁屏了,需要输入密码,这个时候怎么去利用?27、内网权限维持的时候,360 开启了晶核模式,怎么去尝试权限维持?计划任务被拦截了怎么办?28、mssql 除了 xpcmdshell,还有什么执行系统命令的方式?需要什么权限才可以执行?29、如果 net group "Domain Admins" /domain 这条命令,查询域内管理员,没法查到,那么可能出现了什么问题?怎么解决30、查询域内管理员的这条命令的本质究竟是去哪里查,为什么输入了之后就可以查到?31、免杀中,如何去过国内的杀软,杀软究竟在杀什么?那么国外的杀软比如卡巴斯基为什么同样的方法过不了呢?32、免杀中,分离免杀和单体免杀有啥区别,为什么要分离,本质是什么?33、打点常用什么漏洞,请简述34、内网横向中,是直接进去拿一台机器的权限直接开扫,还是有别的方法?35、钓鱼用什么来钓?文案思路?如何判断目标单位的机器是哪种协议出网?是只做一套来钓鱼还是做几套来钓鱼?如何提高钓鱼成功率?36、钓鱼上线的主机,如何进行利用?背景是只发现了一个域用户,但是也抓不到密码,但是有域。

shein(希音)企业蓝军(30k+)

  1. 1、oss,s3存储桶的一些操作,如何利用云主机漏洞进行操作2、如何利用供应链类似与 npm 投毒 原理是公司具有私有库和共有库 一般优先查找是通过公有的库来进行查找,然后再是私有的库 然而有的东西 私有库有 公有仓库其实并没有因此可以在共有库上传,可以控制一片主机3、spring actuator,泄露 heapdump 包括 s3 oss 存储密码 aksk 从而控制桶4、利用host 头碰撞碰撞出真实的 host 头,然后直接访问真实的 ip 地址,进而绕过 waf,因为首先是waf,然后再是 cdn,最后再是真实 ip,直接把 host 头解析到目标位置,可以绕过waf直连5、mysql的深入利用6、k8s的鉴权部分7、邮件网关spf 的绕过8、weblogic fastjson的原理以及绕 waf 的原理

三快在线(美团)(30k+)

  1. 1、java 反序列化原理2、机器不出网,如何代理进去打内网

深信服(深蓝攻防实验室)

  1. 1、内网怎么打 思路2、国护刷分策略 通用性的寻找通用靶标思路 怎么刷3、数据库 主机 云 vcenter 刷满是多少分 (看你打的多不多 对分的规则熟悉不)4、内网的多级代理用什么东西代理5、如果tcp和udp不出网 用什么策略来进行代理的搭建6、多级代理如何做一个 cdn 进行中转 具体怎么实现7、内网有 acl 策略 如果是白名单 如何绕过这个白名单进行出网上线 ip和域名的都有可能

b 站(30k+)

  1. 1、k8s和docker如何去做攻击 有哪些利用方式 是什么原因导致的2、cs 的域前置和云函数如何去配置3、内网攻击的时候 内网有那些设备可以利用(hadoop kibana 之类的设备)4、攻击redis不同的linux系统有什么不同5、sql注入的时候,如果遇到了返回的时候长度不够怎么解决,如何截取,用什么函数截取6、域前置7、免杀

顺丰(25k+)

  1. 1、order by后面的 sql 注入如何去做利用2、java反序列化漏洞原理

中通(25k+)

  1. 1、内网有哪些集群化的设备可以打 除了nas之类的还有啥2、内网需要特别注意哪些端口,一个 4开头的,一个1开头的,分别对应哪些服务,有什么利用方式

shopee 红队(Singapore)(30k+)

  1. 1、linux 除了基本的内核提权还有什么别的方式可以进行提权2、如何删除 linux 机器的入侵痕迹3、寻找真实 ip 的快速有效的办法4、print nightmare 漏洞利用&分析5、java invoke 反射具体利用6、域内常用命令7、根据子网掩码探测指定资产8、什么是无状态扫描9、kerberos 原理10、ntlm relay 原理11、内网现在微软至今都没有修复一个漏洞,可以从普通的域用户提权到域管用户,用了ntlm relay,你讲一下是什么漏洞12、100 家单位,现在需要在一天时间内拿到所有单位的 ip,port,banner,怎么做,用什么东西来做13、黄金票据原理,黄金票据在 kerberos 的哪个阶段?如何制作?用哪个用户的 hash 来制作?14、cs 域前置的原理?流量是怎么通信的?从我直接执行一个命令,例如 whoami,然后到机器上,中间的流量是怎么走的?15、java 反序列化原理

shopee&seamoney 蓝军(30k+)

  1. 1、如何反溯源

长亭:

  1. 1、spring spel 漏洞原理&利用方法 什么情况才能利用2、java jdbc 反序列化高版本不出网的条件下如何利用3、tomcat becl 如何利用4、shiro 反序列化用的是哪种加密方法 如何利用5、ueditor 哪种语言环境存在漏洞 怎么利用 如何绕 waf6、内网 Windows Print Spooler 利用&原理7、内网 PotitPetam 利用&原理8、域内 pth 和工作组 pth 的差别9、域内用户和工作组用户的差别10、如何攻击域控11、spirng4shell&log4j 利用12、外网常用打点漏洞有哪些13、一个任意文件读取/任意文件下载,如何进一步利用14、用友 nc beanshell 执行命令如何过 waf15、shiro 反序列化漏洞如果 cookie 中的 payload 过长被 waf 拦截如何绕 waf

天融信:

  1. 1、内网网闸有什么用,如何去做利用

---2023面试题部分--

---2023 面试题部分--- 2023 年了,笔者苟在甲方,已经不在外面乱面试了,但是这个系列一旦有素材还是会更新,

素材均来自于笔者朋友面试后新鲜出炉的真题。

JD 企业蓝军(by 饼人)

  1. 1.信息搜集答:我当时是魔改的 shuize 的脚本,通过 hunter,fofa,quaike 的 api 查询相关域名,备案,加到队列,(这部分是调的 lijiejie 的脚本),subdomain 之类的,去重,加到任务队列,绕 CDN,泛解析加到队列,打一些自己添加的 poc
    2.java 反序列化的原理,java 怎么执行 shellcode答:???
    3.内存马类型,研究过么就记得 filler 类型和 serverlet 类型,别的记不得了
    4.shiro 不出网的利用,怎么回显, (这里面试官说了,key 正确和不正确回显内容一致的情况,答了一种用 dnslog 验证 key 正确性的方式,后来问如果不出网怎么办)答了 shiro 的加密方式,key 是 aes 的 key,两种方式构建回显 tomcat,spring
    5.绕 rcf?(没听清,估计是类似终端防护的设备),怎么运行黑 exe白名单文件:forfile mshta ,powershell,(cmd 肯定不行),这里说了一下 powershell 是调一个 lib的,通过写个 c#的程序加载这个 lib,也可以执行命令,net 内存加载,defender 的 dll 劫持,(因为之前弄过 nissrv.exe 和 mpclient.dll 的 dll 劫持,现在估计是不行了),还有个释放的方式,exe 释放个pe 文件再加载,这部分没尝试过,只是看到过样本,他问这种释放的 loader 该怎么写,确实没写过, 6.cs 马的免杀:dll 劫持,分离免杀分成远程加载和本地加载,内存解密,powershell,还有种没试过的,说是利用windows 剪切板执行 shellcode
    7.域,内网问如何打域控?答了 zerologon 和 42287,
    8.如果域控没有洞呢?答通过 什么 logon.exe 和 adfind.exe 还有个 powershell 脚本可以查询域用户登陆的主机,找出对应关系和域管登陆的主机,打这些主机,拿到域管 hash,打域控NTML 中继,之前看到过利用 xss 和 ssrf 中继 NTML hash 的案例
    9.adfind.exe 通过什么方式查询的了解过么?
信息安全专业面试知识点整理(密码学与信数基础) 自己整理的一些信息安全专业的考研复试常见问题,部分资料来源于网络,侵权即删,仅供分享哦~~ 阅读详情

相关推荐

资产监测设备中130dBm的GPS信号注入天线端口,C/N0一般是多少?

笔者的团队一直从事于资产监测设备的开发,在开发过程中,涉及到很多细节的问题,针对新入职的同事来说较为陌生。同时,在团队外,还有需要对智能硬件终端开发感兴趣的用户。基于此背景下,笔者将在下面的内容主要介绍资产监测设备以及对设备中的GPS相关的问题:130dBm的GPS信号注入天线端口,C/N0一般是多少?作出详细的解答。 资产监测设备概述: 资产监测设备是基于物联网通信技术基础上的智能硬件终端,其主要作用是帮助用户监测资产在仓库、运输途中、交付整个流通环节中,提供资产的实时位置与状态参数。用户只需要登录资产

瑞奇聊通信模组 1229

网络安全之溯源技术:追寻攻击源的关键步骤

在网络安全防御中,溯源技术扮演着重要角色,它能够追踪和追溯恶意攻击的源头,帮助我们分析和应对网络威胁。漏洞利用分析:通过溯源技术,可以分析恶意软件利用的漏洞和攻击方法,并将相关反馈提供给系统管理员和软件开发者,以加强安全防护和修补漏洞。攻击追踪和溯源:通过溯源技术,可以追踪黑客攻击和其他网络攻击的源头和攻击者。恶意域名和钓鱼网站识别:溯源技术可以用于识别恶意域名和钓鱼网站,并及时采取相应的安全措施,以保护用户的信息和资产安全。通过追踪域名的注册信息和所有者,可以揭示攻击背后的黑手。二、溯源技术的实现原理。

diaobusi的博客 4521

【基金量化研究系列】基金绩效归因模型——Brinson多期归因模型

文章目录1. 引言2. Brinson单期归因模型2.1 模型框架2.2 公式推导3. Brinson多期归因模型3.1 模型框架3.2 公式推导4. Brinson模型的应用场景4.1 基金组合归因4.2 基金经理能力刻画4.3 大类资产配置应用5. 模型的实现与实证案例研究写在最后 1. 引言 在 2. Brinson单期归因模型 2.1 模型框架 wp wb rp 组合收益:wp rp 择股收益:wb rp rb 择时收益:wp rb 基准收益:wb rb 2.2 公式推

Mikey_Sun的博客 1万+

网络安全、Web安全、渗透测试之笔经面经总结

本篇文章涉及的知识点有如下几方面:1.什么是WebShell?2.什么是网络钓鱼?3.你获取网络安全知识途径有哪些?4.什么是CC攻击?5.Web服务器被入侵后,怎样进行排查?6.dll文件是什么意思,有什么用?DLL劫持原理7.0day漏洞8.Rootkit是什么意思9.蜜罐10.ssh11.DDOS12.震网病毒:13.一句话木马14.Https的作用15.手工查找后门木马的小技巧16.描述OSI(开放系统互联基本参考模型)七层结构17.TCP和UDP的区别18.脱壳19.“人肉搜索”20.SYN Fl

2301_77162959的博客 884

【自然语言处理】【多模态】多模态综述:视觉语言预训练模型

多模态预训练模型综述、模型结构、损失函数、下游任务、CLIP

bqw的博客 7747

【Pytorch教程】:卷积神经网络 CNN

Pytorch教程目录 Torch and Numpy 变量 (Variable) 激励函数 关系拟合(回归) 区分类型 (分类) 快速搭建法 批训练 加速神经网络训练 Optimizer优化器 卷积神经网络 CNN 目录Pytorch教程目录什么是卷积神经网络 CNN卷积 和 神经网络池化(pooling)流行的 CNN 结构CNN 卷积神经网络MNIST手写数据CNN模型训练可视化训练全部代码 什么是卷积神经网络 CNN 卷积 和 神经网络 卷积神经网络是如何运作的呢, 举一个识别图片的例子, 我们知

nanke_4869的博客 8107

网络安全、Web安全、渗透测试之笔经面经总结(一)

网络安全、Web安全、渗透测试之笔经面经总结

2301_77160226的博客 1140

【Java核心高阶进阶】44-Java8核心新特性

模块十:Java新特性演进 · 第 1 篇Java 8 是 Java 语言历史上最重要的一次发布,它引入的函数式编程范式从根本上改变了 Java 的编码方式。即便到了 JDK 21 的今天,Lambda、Stream、Optional 仍是日常开发的高频工具。本篇将深入这些特性的语法、原理与底层机制,帮助你不仅会用,更知其所以然。

gaochufukanyongren的博客 25

2024届【校招】安全面试题和岗位总结(字节、百度、腾讯、美团等大厂)_百度安全工程师面试笔试

个人强烈感觉面试因人而异,对于简历上有具体项目经历的同学,个人感觉面试官会着重让你介绍自己的项目,包括但不限于介绍一次真实攻防/渗透/挖洞/CTF/代码审计的经历 => 因此对于自己的项目,面试前建议做一次复盘,最好能用文字描述出细节,在面试时才不会磕磕绊绊、或者忘了一些自己很得意的细节面试题会一直更新(大概,直到我毕业或者躺平为止吧…)包括一些身边同学(若他们同意的话)和牛客上扒拉下来的(若有,会贴出链接)还有自己的一些经历。

Galaxy_0的博客 4199

可维护的 SAP UI5 Theming 策略:从 CSS 级联与特性选择器到 UI Theme Designer 的工程化落地

摘要:SAP UI5主题化是一个涉及CSS级联、选择器特异性和主题参数的系统工程,与应用逻辑解耦以实现品牌化和无障碍适配。轻量级调整优先使用附加CSS,重大改动才考虑创建新主题。样式冲突需通过特异性原则解决,避免滥用!important。动态添加样式应使用addStyleClass而非直接操作DOM。主题可通过bootstrap参数、URL或运行时API设置,企业级主题推荐使用UI Theme Designer。自定义内容应消费主题变量以实现一致性,避免直接修改控件内部结构或内联样式。工程化落地需规范分层和

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 308

Vue Print Designer——一款让打印模板的设计变简单的可视化打印设计器

Vue Print Designer——一款让打印模板的设计变简单的可视化打印设计器

bjzhang75的博客 691

那些年走过的信安面试路

第一步:岗位需求一般我们平时看到的招聘需求都是直接复制粘贴的,面试官说不定都没仔细看过,甚至是某些HR从乱七八糟的网页上贴上直接骗人来公司面试给他增加绩效的。比如下图中的要求:我画圈圈的这句话,JAVA程序,然后后面给了一堆PHP程序的例子,这招聘要求一点都不走心。不扯其他的了,回到重点。这次给到我邮件的需求是:目前总需求约为2人。要求学历二本及以上,计算机相关专业,有2年以上信息安全实战经验;

wangluo12138的博客 646

Qt软件开发: 开发MQTT客户端软件,模拟硬件登录各大主流MQTT平台完成通信

此软件是使用QT编写MQTT客户端(根据mqtt官方文档3.1.1,自己实现过程代码,没有使用其他库,稳定,方便移植),模拟硬件登录各大主流的MQTT物联网服务器,完成主题订阅、发布等操作,实现数据通信交互。 已经测试OneNET、阿里云IOT、华为云IOT、百度IOT、电信IOT、原子云IOT等等常用的物联网云平台,都可以正常实现数据通信,只要云平台支持标准MQTT协议都可以使用此软件进行登录测试。 特别是大家没有硬件,想测试与MQTT物联网云服务器通信的,此软件是非常的方便。使用简单,比官方的软件操作

1万+

黑客技术之解读《中华人民共和国网络安全法》:所有IT从业者都应知应懂_it运维涉及的中国法律

2013 年 10 月,列入十二届全国人大立法规划2014 年至 2016 年,开展调查研究,掌握各方面立法需求;确定立法思路,起草草案大纲;拟订主要制度初步方案征求有关部门的意见;起草草案初稿征求有关部门专家的意见;对草案初稿进行修改形成征求意见稿;进一步征求意见,形成草案2016 年 11 月 7 日在第十二届全国人大常委会第二十四次会议以154票赞成,1票弃权表决通过2017 年 6 月 1 日,正式实施网络安全产业就像一个江湖,各色人等聚集。

chengxuyuanyy的博客 1298

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

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")

【网络安全面经】2024届网络安全岗春招面试题及面试经验分享

事务是一组原子性的SQL语句或者说是一个独立的工作单元,如果数据库引擎能够成功对数据库应用这组SQL语句,那么就执行,如果其中有任何一条语句因为崩溃或其它原因无法执行,那么所有的语句都不会执行。也就是说,事务内的语句,要么全部执行成功,要么全部执行失败。举个银行应用的典型例子:假设银行的数据库有两张表:支票表和储蓄表,现在某个客户A要从其支票账户转移2000元到其储蓄账户,那么至少需求三个步骤:a.检查A的支票账户余额高于2000元;b.从A的支票账户余额中减去2000元;

Z4400840的博客 2176

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。

2024年最新【信息安全案例】——身份与访问安全(学习笔记(1),三面头条+四面阿里+五面腾讯拿offer分享面经总结

在一个局域网中通常设有多种应用服务器,若采用传统的基于用户名/口令的认证管理,用户在进入不同系统时都必须输入登录密码进行认证。由用户在客户端输入口令,并得到Kc,将收到的消息解密,得到。当两端欲进行连线时,彼此必须先通过信任第三方的认证,然后才能互相交换密钥,而后进行通信。1、用户根据服务器支持的本地验证方式,选择一种验证方式,账户和设备绑定。与传统的静态口令认证方法相比,OTP认证机制的安全性有很大的提高。,公私钥对与用户身份信息关联,私钥保持,公钥发给服务器。

2401_84297944的博客 546

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

信息安全-保研面试经历总结

面试经历 南京理工大学 十分钟 自我介绍 1.web安全的可攻击点? SQL注入、XSS、文件上传、CSRF 2.学过那些核心课程? 密码学、计网、操作系统等 3.密码学中的签名过程? A\B,A的私钥签名,B的公钥加密 B的私钥解密,A的公钥验证 4.DES与AES的结构区别? 没答起。后续想了下,可以回答密钥长度与分组长度,DES 64 64 ,AES 128 128 DES基于Festel结构,AES的工作模式有ECB\CBC\CFB\OFB,DES设计原则混淆与扩散,这些都可以说一下,

grey1989 1108

信息安全工程师(漏扫方向)面经

1.linux下查看进程情况(例如我正在跑python脚本) ps -ef |grep "python3.7 0227_cgy_http_scan.py" cat /proc/107171/status 2.linux tcpdump抓包指定ip 截获主机210.27.48.1和主机210.27.48.2或210.27.48.3的通信 tcpdump host 210.27.48.1 and \ (210.27.48.2 or 210.27.48.3 \) 3.python字典的..

weixin_39811856的博客 825

网络安全、Web安全、渗透测试之笔经面经总结(三)

本篇文章涉及的知识点有如下几方面: 1.什么是WebShell? 2.什么是网络钓鱼? 3.你获取网络安全知识途径有哪些? 4.什么是CC攻击? 5.Web服务器被入侵后,怎样进行排查? 6.dll文件是什么意思,有什么用?DLL劫持原理 7.0day漏洞 8.Rootkit是什么意思 9.蜜罐 10.ssh ...

weixin_30892987的博客 2197

信息安全实习生面试小结

0x00前言 第一次面试没有经验,第一个面试电话接到的时候手都在抖2333,但到面试了几个公司后,也渐渐放得开了许多 今年9月份就步入大四,因此再4月份时候也参加过几家公司的安全类的实习生的面试,其中有甲方公司,也有乙方公司。实习是找到了。但是通过面试也发现自己的很多不足,这里就稍微总结下 对于甲方和乙方公司的不同在于,甲方公司如阿里,腾讯等主要考察的是整体知识,也就是需要具备广而全的知识储...

weixin_30645617的博客 2161

网络安全面试题分享

1.什么是防火墙? 答:它是为网络设计的安全系统。防火墙设置在监视和控制网络流量的任何系统或网络的边界上。防火墙通常用于保护系统或网络免受恶意软件,蠕虫和病毒的侵害。防火墙还可以防止内容过滤和远程访问。 2.linux系统中的计划任务crontab配置文件中的五个星星分别代表什么? 答:分,时,日,月,星期几 3.解释暴力攻击。怎么预防呢? 找出正确的密码或PIN码是一种反复试验的方法。黑客反复尝试使用所有凭据组合。在许多情况下,暴力攻击是自动进行的,其中软件会自动运行以使用凭据登录。..

edu_aqniu的博客 1922

【信息安全】-经典面试题吐血整理

信息安全三要素CIA 保密性(Confidentiality):保证信息不泄露给未经授权的用户。 完整性(Integrity):保证信息从真实的发信者传送到真实的收信者手中,传送过程中没有被非法用户添加、删除、替换等。 可用性(Availability):保证授权用户能对数据进行及时可靠的访问。 另:可控性(Controllability),不可否认性(Non-Repudiation) 对称加密 概念:加密和解密用同一个密钥 例子:DES,AES 优点:加密速度...

vector的博客 2万+

安全/渗透测试面试题目分享((面经更新至题目(问题和答案都持续更新 欢迎讨论

如有疑惑、建议等均可发送邮件至 hhh520666@163.com 互相探讨。 1.有一个账户管理系统有我们常见的登陆/修改密码/后台/修改资料这些功能点,你来分析一下哪些地方可能会出现哪些安全问题? 2.你所认为的CSRF和XSS的区别在哪?你觉得XSS的本质是什么? 3.POST请求的CSRF能用302跳转绕过refer验证码? 4.说一说nosql的注入 5.说一说oracl...

HHH's Blogs 3364
上一篇: 盘点最常见的20种网络安全攻击类型
下一篇: Windows应急响应|入侵排查指南
AI小模型
博客等级 码龄6年 6863粉丝 487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

打赏作者

AI小模型

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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