#include <stdio.h>
#include <string.h>
#include <stdlib.h>
struct sysuser
{
char username[20];
char password[8];
};
void encrypt(char *pwd);
int main()
{
FILE *fp;
int i;
struct sysuser su;
if ((fp = fopen("*f12-2.txt", "w")) == NULL)
{
printf("File open error!\n");
exit(0);
}
for (i = 1; i <= 5; i++)
{
printf("Enter %d th sysuser(name password):", i);
scanf("%s%s", su.username, su.password);
encrypt(su.password);
fprintf(fp, "%s%s\n", su.username, su.password);
}
if (fclose(fp))
{
printf("Can not close the file!\n");
exit(0);
}
return 0;
}
void encrypt(char *pwd)
{
int i;
for (i = 0; i < strlen(pwd); i++)
pwd[i] = pwd[i] ^ 15;
}
相关推荐
网络通信常用加密算法研究
什么是对称加密和非对称加密 什么是对称加密: 对称加密采用了对称密码编码技术,它的特点是文件加密和解密使用相同的密钥,即加密密钥也可以用作解密密钥,这种方法在密码学中叫做对称加密算法,对称加密算法使用起来简单快捷,密钥较短,且破译困难,除了数据加密标准(DES),另一个对称密钥加密系统是国际数据加密算法(IDEA),它比DES的加密性好,而且对计算机功能要求也没有那么高。IDEA加密标准由PGP
常见的加密算法总结
常见的加密算法总结 前段时间对常见加密算法进行了整理,分享给大家。 对称加密 对称加密用同一个密钥对明文进行加解密,常见的有DES,3DES,AES等 一.DES算法 数据分组(64位)用秘钥(64位,其中56位有效,8位校验)行加密; 1,根据用户输入取得一个64位秘钥,然后进行等分、移位、选取和迭代形成一套16个加密秘钥,分别提供每轮运算使用; 2,对64位明文分组M进行操作,M经过初期置换IP,置换为m0,将m0分为左右各32位长,并进行16轮相同的运算(迭代),每轮运算都和相应的秘钥结合; 3
15、查看nginx https当前支持的加密算法以及使用的加密算法
Nginx 支持的加密算法由其所使用的 OpenSSL 库决定,可通过命令查看支持列表,而当前使用的加密算法可从配置文件或运行时变量获取。nginx -Vnginx.conflog_formatnmap -sV --version-light -p 30080,30443 192.168.0.119查看版本信息-sV-p 443127.0.0.1。
常用加密算法梳理
因为加密算法用的比较多,这里就常用的加密算法(如AES、DES、MD5、SHA1、SHA256、SHA512、RSA等加密算法)基于基本用法结合实际应用做一个总结笔记。因为加密算法的具体方法与类都在jdk中有封装好,关于里面的详细逻辑会在后面的章节里写出来,这里仅以应用为主。 一、对称加密 双方使用的同一个密钥,既可以加密又可以解密,这种加密方法称为对称加密,也称为单密钥加密。 优点:速度快,对称性加密通常在消息发送方需要加密大量数据时使用,算法公开、计算量小、加密速度快、加密效率高。 缺点:在数.
对称加密算法详解
对称加密算法是一种加密方式,它使用相同的密钥进行信息的加密和解密。这意味着发送方和接收方必须在通信之前共享一个密钥。这种加密方法简单且快速,适用于大量数据的加密。
AES加密算法VB实现示例
加密是一种将信息转换成不可读形式的技术,只有持有正确密钥的人才能将其还原。随着信息技术的发展,数据安全变得至关重要。在众多加密算法中,高级加密标准(AES)因其高效和安全性而被广泛采纳。高级加密标准(AES)作为现代密码学的基石之一,提供三种不同的密钥长度:128位、192位和256位。每种密钥长度对应一个不同的算法版本,分别是AES-128、AES-192和AES-256。AES-128是使用最广泛的版本,通常被认为可以提供足够的安全级别以保护大多数政府和商业数据。
最全加密算法(知识点梳理)
最全加密算法(软考网工常见):包括对称秘钥,非对称秘钥,数字签名,数字证书,秘钥管理体系,kerberous,以及ssl等安全协议
深入研究DES加密算法及其实现
数据加密标准(DES)是一种广泛使用的对称密钥加密算法。对称密钥意味着加密和解密使用相同的密钥。DES算法以其复杂性、效率和历史影响力而著称,在1977年被美国国家标准局采纳,成为联邦信息处理标准(FIPS)。它在金融、医疗和个人数据保护等多个领域得到了广泛应用。Feistel网络是一种对称密钥加密的结构,它由Horst Feistel在1970年代提出,并用于各种加密算法中,包括著名的DES算法。其核心思想是将输入的数据分成两部分,通过多轮迭代处理后,这两部分在最后一轮中交换位置,最终输出为密文。
几种加密算法
1. AES 高级加密标准(AES,Advanced Encryption Standard)为最常见的对称加密算法(微信小程序加密传 输就是用这个加密算法的)。对称加密算法也就是加密和解密用相同的密钥,具体的加密流程如下 2. RSA RSA 加密算法是一种典型的非对称加密算法,它基于大数的因式分解数学难题,它也是应用最广 泛的非对称加密算法。 非对称加密是通过两个...
Java 开发 修改【冒险岛 079 私服】完整学习流程
第 1-2 天:环境搭建 + 运行原版 079 服务端,能正常登录游戏;第 3-4 天:纯配置文件修改,掌握倍率、属性、怪物、道具的修改,改出第一个「百倍经验私服」;第 5-10 天:Java 代码基础修改,掌握 Player/Skill/Monster 核心类的修改,实现技能无冷却、一刀秒怪、升级满属性;第 11-20 天:Java 代码进阶修改,掌握业务逻辑修改,实现死亡不掉经验、自动捡物、装备强化无失败;第 21-30 天。
SAP 物料账前期没有运行的解决方法
If you use the actual costing (material ledger), you must have completely closed all period-end closing operations in the actual costing for the penultimate period prior to the period shift. Use the '...
各大加密算法对比(原理、性能、安全、运用)
原理按加密可逆可以分为:加密可逆算法和加密不可逆算法。加密可逆算法又可以分为:对称加密和非对称加密。1、加密不可逆算法:一般采用hash算法加密,其原理一般是将原文长度补位成64的倍数,接着初始化固定长度的缓存值,经过循环与分组后的明文进行 与操作、或操作、非操作、异或操作 改变缓存值,最后的缓存值就是密文。该算法加密得到的密文是没有解密算法的,是不可逆的。常见的不可逆算法有:MD5,SHA、SM3。
YOLOv5+Astra Pro Plus深度相机:手把手教你实现实时目标检测(附ROS配置技巧)
本文详细介绍了如何将YOLOv5目标检测算法与Astra Pro Plus深度相机结合,构建实时目标检测系统。内容涵盖从硬件选型、环境搭建、ROS配置到YOLOv5部署与深度信息融合的完整流程,并分享了性能优化、避障算法等实战技巧,帮助开发者在机器人视觉等场景中快速实现智能感知应用。
数字图像加密算法研究与实现
摘 要 近十年来,随着信息网络技术的飞速发展,多媒体技术在各领域的应用可谓是日新月异。数字图像无疑已经成为互联网的主要交互对象之一。数字图像在军事系统、政府机构、医疗系统、国防系统和金融系统等重要机构中得到了广泛应用,这也意味着图像在传输的过程中存在着巨大的安全隐患。若在传输的时候被第三方恶意的拦截、随意篡改、非法拷贝、任意传播,后果将会很严重。所以数字图像的安全传输问题,受到了大众的普遍重视。因此信息安全已成为人们关心的焦点,也是当今的研究热点和难点。 为
解决2020R2,2022R1等版本的SCDM无法编辑草图尺寸的问题
解决2020R2,2022R1等版本的SCDM无法编辑草图尺寸的问题
T265摄像头插着开机后,需要重新插拔才能正常启动
T265摄像头插着开机后,需要重新插拔才能正常启动
SSL加密算法研究
充分利用量子密码的无条件安全性组建一个安全性相对较高的 VPN,真正解决VPN 的安全问题或者说真正解决 IP 的通信安全问题,是各国网络安全专家密码学专家始终研究的热点,美国、欧洲、日本近年来兴起的量子通信领域研究其中一个方向就是如何把具有无条件安全的量子密钥分配协议融入现实的各种网络中,取得了很好的成果,其中一些组网方案已经在高等院校和国防部门实施,并已经证明了 QKD 确实可以提供接近于保证传送信息无条件安全的服务。3.随着量子密码的发展,凭借其无条件安全性的特点,近年来得到了广泛发展。
BambuStudio学习笔记:OpenCSG - 实时构造实体几何(CSG)渲染的 OpenGL 方案
**OpenCSG** 是一个基于 **OpenGL** 的 **构造实体几何(CSG)** 实时渲染库,通过 **深度剥离算法** 实现布尔运算(并集、交集、差集)的可视化。其核心目标是简化复杂几何体的交互式建模,适用于 CAD 原型设计、3D 打印预览、教育工具等场景。
某音xg加密算法研究
某音xg加密算法研究源码测试研究测试实现声明 源码测试研究 某音上面有超多的流量来源,作为前瞻技术,我们研究下他的接口是如何做的安全处理。 为了研究数据过程,先预设几种方案 1、 首先在xposed中看看能否直接处理,借助朋友给的万能数据截获包查看下,是否能拿到相关的内容。验证后发现,能正常刷视频,有些其他功能无法使用。说明在xposed下有控制代码。查找资料发现在里面有一段代码检查(老版本是会直接提示不可用app的),具体检测的就不上内容了 ,有兴趣的同学可以反编译下源码看看 2、上抓包,首先你得有台能在
真题库系列之 CCF GESP 2025年12月认证 Python 1级真题含正确答案与解析
学生通过计算机基础知识的学习,了解计算机的构成与操作,以及计算机的发 展历程。通过编程基础知识以及语句的掌握,可以独立完成简单功能的顺序结构、 分支结构、循环结构的程序。
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")
Java常用加密算法详解与实战代码 - 附可直接运行的测试示例
在信息安全领域,加密算法是保护数据机密性、完整性和身份认证的核心手段。Java 标准库及第三方框架(如 BouncyCastle)提供了丰富的加解密实现,这里博主将结合 Java 代码,详细介绍常用的几类加密算法,并给出可直接运行的测试示例,帮助小伙伴们快速上手
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
RSA-Tool2资源文件下载介绍:助力RSA加密算法研究与实践
RSA-Tool2资源文件下载介绍:助力RSA加密算法研究与实践 【下载地址】RSA-Tool2bytE资源文件下载介绍 RSA-Tool2 by tE! 是一款专为研究和实践RSA加密算法设计的开源工具,适合开发者和学术研究者使用。该工具提供了全面的资源文件,帮助用户深入理解RSA算法的实现与应用。通过下载并解压资源包...
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
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。
MD5加密算法简单示例
MD5加密算法简单示例 现在网络上一般的网站,只要功能稍微完善一点的,都需要用户进行注册,提供诸如用户名、用户密码、电子邮件、甚至是电话号码、详细住址等个人隐私信息,然后才可以 享受网站提供的一些特殊的信息或者服务。为了增加安全性,有必要对数据库中的隐私数据进行加密。 MD5算法,即“Message-Digest Algorithm 5(信息-摘要算法)”
7084



被折叠的 条评论
为什么被折叠?



