这三种人当黑客早晚会出事:别让技术毁了前途,其实走合法路径收入更高

运维工程师转型渗透测试:思维重塑与6-9个月实战路线图 渗透测试是网络安全领域的关键技术,其核心原理在于模拟攻击者思维,主动发现系统脆弱性,以验证防御体系的有效性。这项技术的价值在于将传统被动防御转变为主动风险验证,能显著提升企业安全水位。在应用场景上,它广泛服务于金融、互联网、科技公司的安全评估、红蓝对抗与合规审计。对于具备深厚系统与网络知识的运维工程师而言,其日常维护所积累的对服务器、网络架构、业务逻辑的深度理解,恰恰构成了转型渗透测试的独特优势。本文聚焦于如何将运维经验中的故障排查与自动化能力,高效转化为漏洞挖掘与利用的实战技能,并规划出一条清晰的技能扩展 阅读详情

在网络安全行业,“黑客技术” 始终被包裹着一层神秘滤镜 —— 有人将其视为 “突破规则的利器”,有人用它追求 “快速变现的捷径”,却忽略了最核心的前提:技术的价值,永远建立在 “合法合规” 的边界内。

行业数据显示,2025 年我国网络安全人才缺口达 327 万,渗透测试工程师平均年薪 25-40 万,CTF 顶尖选手年奖金 + 商业合作收入超 50 万,合法利用技术的从业者,不仅收入远超 “野路子”,更能获得长期职业发展。但总有三类人,把黑客技术引向危险边缘,最终要么面临法律制裁,要么被行业淘汰。

第一种人:无授权 “野路子测试”—— 踩法律红线的 “冒险赌徒”

这类人的典型特征是:把 “未经授权的攻击” 当成 “技术练手”,认为 “小打小闹不违法”,从测试母校官网、企业后台,到扫描陌生服务器,全程游走在法律灰色地带。他们看似在 “练技术”,实则每一步都在积累违法成本。

行为特征:把 “违法测试” 当 “实战经验”
  • 目标随意:看到 “XX 公司官网”“XX 学校教务系统” 就动手,既不确认是否属于 SRC 测试范围,也不申请授权;
  • 手段粗糙:用 Nmap 全端口扫描、SQLMap 暴力跑注入,甚至用 “永恒之蓝” 漏洞攻击公网 IP,留下大量攻击痕迹;
  • 认知误区:认为 “没篡改数据、没偷信息就不算违法”,却不知 “未经授权的漏洞探测、端口扫描” 本身已触犯法律。
典型案例:一次 “好奇测试”,换来了 10 天拘留 + 5000 元罚款

2024 年,某高校计算机专业学生李某,为 “证明技术”,用 Burp Suite 抓包改参数,成功越权进入母校教务系统后台,查看了 3 名同学的成绩。他未篡改任何数据,甚至在离开前删除了操作日志,但学校信息中心通过服务器审计日志,还是锁定了他的 IP。

最终,依据《网络安全法》第 27 条 “任何个人和组织不得从事非法侵入他人网络、干扰他人网络正常功能、窃取网络数据等危害网络安全的活动”,李某被处以 10 日行政拘留,罚款 5000 元,学籍档案留下违法记录 —— 原本能通过校招进入安全公司的他,最终因 “违法记录” 被多家企业拒绝。

法律风险:不是 “没损失就没事”,而是 “行为即违法”

很多人误以为 “黑客违法需要造成实际损失”,但法律对网络安全的界定,早已覆盖 “行为本身”。下表清晰列出了无授权测试的法律后果:

行为类型对应法律条款典型处罚影响
未授权端口扫描、漏洞探测《网络安全法》第 27 条警告、500-50000 元罚款影响征信、企业入职背调
非法侵入系统后台(未篡改数据)《刑法》第 285 条(非法侵入计算机信息系统罪)3 年以下有期徒刑或拘役留下刑事案底,终身影响就业、政审
窃取 / 篡改数据、植入木马《刑法》第 286 条(破坏计算机信息系统罪)5 年以下有期徒刑,情节严重者 5-10 年刑事责任,案底伴随终身
对比合法路径:授权测试的 “收益” 远高于 “冒险”

同样是 “测试技术”,合法途径不仅无风险,还能获得实际收益:

  • SRC 平台测试:阿里云、腾讯、字节跳动等企业的 SRC 平台,允许白帽在授权范围内挖掘漏洞,单次奖励从 500 元到 50 万元不等(如发现高危逻辑漏洞,奖励常超 10 万元);
  • 企业授权项目:渗透测试工程师为客户提供 “红队评估” 服务,按项目收费,单次项目收入 2-10 万元(资深工程师年薪可达 40 万 +);
  • 靶场实战:SQLI-LAB、VulnHub 等合法靶场,覆盖 90% 企业真实漏洞场景,练手无任何法律风险,还能积累项目经验。
第二种人:技术变现 “走黑产”—— 赚快钱的 “短期囚徒”

这类人把黑客技术当成 “捞快钱的工具”,主动加入黑产链条,从 “帮人查岗”“盗号刷量”,到出售漏洞给诈骗团伙、搭建钓鱼网站,看似 “来钱快”,实则陷入 “高风险、低收益、短周期” 的死亡循环。

行为特征:把 “黑产变现” 当 “技术价值”
  • 业务类型集中:聚焦 “灰色需求”—— 代查他人手机号 / 定位(“查岗”)、盗取游戏账号 / 社交账号、刷电商平台好评 / 流量;
  • 技术门槛低:多依赖现成工具(如 “社工库查询工具”“钓鱼网站模板”),不懂技术原理,本质是 “黑产工具的搬运工”;
  • 认知扭曲:认为 “只要不直接参与诈骗,就不算违法”,却不知 “提供技术支持” 已构成共同犯罪。
典型案例:卖漏洞给黑产,3 年刑期 + 10 万罚金

2023 年,某技术爱好者张某,在黑产群中看到 “收购电商平台漏洞” 的需求,便利用自己学到的 “SQL 注入” 技术,挖掘某购物 APP 的用户数据接口漏洞,将漏洞出售给诈骗团伙,获利 2.3 万元。

该诈骗团伙利用此漏洞,窃取了 10 万用户的手机号、收货地址,实施 “精准诈骗”,造成用户损失超 500 万元。案发后,张某虽未参与诈骗实施,但依据《刑法》第 287 条之二 “帮助信息网络犯罪活动罪”,被认定为 “黑产链条的技术帮凶”,判处有期徒刑 3 年,罚金 10 万元 ——2.3 万的 “快钱”,最终换来了 3 年牢狱和 10 万赔偿。

黑产的 “致命陷阱”:看似赚钱,实则是 “赔本买卖”

黑产从业者的收入,远不如外界想象中 “丰厚”,反而充满 “被黑吃黑”“法律追责” 的风险:

  • 收入极低:“查岗” 一次收费 50-200 元,“盗号” 一个游戏账号卖 30-100 元,月收入普遍低于 5000 元,远低于合法安全岗位的起薪(15K+);
  • 风险极高:黑产群中 “钓鱼执法” 的警察、“黑吃黑” 的同行层出不穷,很多人刚收完钱,就被同行盗走工具或举报;
  • 周期极短:黑产从业者平均 “存活周期” 不足 1 年,要么被警方抓获,要么因技术落后被黑产链条淘汰。
对比合法变现:收入高 10 倍,且可持续

合法技术变现的路径,不仅收入更高,还能形成 “职业复利”:

  • SRC 奖励:资深白帽通过挖掘高危漏洞,年奖励可达 10-30 万元(如某白帽 2024 年在阿里云 SRC 提交 23 个高危漏洞,获奖励 28 万元);
  • CTF 竞赛:国内顶级 CTF 赛事(如 DEF CON CTF China、GeekPwn)的冠军奖金可达 50-100 万元,且获奖选手会被大厂争抢,年薪直接拉满 40-60 万;
  • 安全开发:懂漏洞原理的安全开发工程师,负责开发漏洞扫描工具、WAF 防护系统,年薪 30-50 万,职业生命周期长达 20 年 +。
第三种人:只懂工具的 “脚本小子”—— 无核心能力的 “高危淘汰者”

这类人是最 “危险” 的群体之一:他们只会用现成工具(Nmap、SQLMap、Metasploit),却不懂漏洞原理,既无法应对企业真实业务场景,更易在 “他人诱导” 下违法 —— 他们看似 “懂技术”,实则是 “工具的奴隶”,最终要么被行业淘汰,要么成为他人违法的 “替罪羊”。

行为特征:把 “工具使用” 当 “技术能力”
  • 技术停留表面:会用 SQLMap 跑注入,却不懂 “参数化查询” 的防御逻辑;会用 Burp 改包实现 CSRF,却不知 “Token 验证” 的原理;
  • 依赖他人指导:在黑产群或 “技术群” 中,等待他人提供 “POC 脚本”“目标地址”,缺乏独立分析能力;
  • 风险意识为零:他人一句 “帮我测试下这个网站,给你 500 元”,就毫不犹豫动手,从不确认目标是否合法。
典型案例:帮人 “测试网站”,成了 “替罪羊”

2024 年,某 “脚本小子” 王某,在 QQ 群中看到 “有人招聘漏洞测试员,测试一个网站给 800 元”,便按照对方提供的 “POC 脚本”,对某企业官网发起攻击,成功上传木马获取后台权限。

事后王某才知道,所谓的 “测试”,其实是某竞争对手委托的 “破坏任务”—— 对方利用王某上传的木马,删除了企业官网的核心数据,造成直接损失 100 万元。警方调查时,王某因 “直接实施攻击行为”,被认定为主要责任人之一,虽最终因 “不知情” 从轻处罚,但仍被处以 2 万元罚款,且被列入行业 “黑名单”,无法从事安全相关工作。

职业风险:既无就业竞争力,又易被利用违法

“脚本小子” 的核心问题,是 “缺乏核心技术能力”,在行业中注定被淘汰:

  • 就业无门:企业招聘渗透测试工程师,要求 “懂漏洞原理、能独立挖业务逻辑漏洞、会代码审计”,只会用工具的 “脚本小子”,连面试的技术关都过不了;
  • 易被利用:因缺乏法律意识和技术判断力,容易成为黑产或恶意攻击者的 “工具人”,在不知情中参与违法活动;
  • 技术迭代淘汰快:随着 AI 漏洞扫描工具(如 GPT-4 辅助渗透)的普及,单纯的 “工具使用者” 会被快速替代,职业生命周期不足 3 年。
对比专业路径:懂原理的从业者,收入和前景双优

真正的安全从业者,早已超越 “工具使用”,走向 “技术深度”,其职业发展和收入呈指数级增长:

  • 渗透测试工程师:懂漏洞原理 + 业务分析,能挖掘 “支付逻辑漏洞”“越权访问漏洞” 等企业核心风险点,年薪 25-40 万;
  • 代码审计工程师:能阅读 PHP/Java 代码,发现 “框架漏洞”“自定义业务漏洞”,为企业提供代码修复方案,年薪 30-50 万;
  • 安全架构师:懂 “攻防两端”,能设计企业安全防护体系(如零信任架构),年薪 50-100 万,是行业稀缺人才。
合法路径:收入更高、更可持续的 “技术正途”

网络安全行业的 “高收入”,从来不是给 “野路子” 准备的,而是给 “合规、专业、有深度” 的从业者。通过以下三种合法路径,不仅能获得远超违法途径的收入,更能实现长期职业发展。

路径 1:企业就业 —— 稳定高收入的 “基石”

企业安全岗位是网络安全人才的 “主流去向”,涵盖渗透测试、安全开发、应急响应等方向,收入稳定且晋升路径清晰:

在这里插入图片描述

以渗透测试工程师为例,其核心工作是 “在授权范围内,为企业发现并修复漏洞”,日常工作包括:

  • 对企业 Web 应用、移动 APP 进行渗透测试;
  • 参与红队评估,模拟黑客攻击,验证企业防御能力;
  • 输出漏洞报告,提供修复建议和技术支持。

这类岗位的收入,不仅远高于黑产(起薪 15K vs 黑产 5K),还能享受五险一金、年终奖、职业培训等福利,职业稳定性极强。

路径 2:CTF 竞赛 —— 技术变现的 “快车道”

CTF(Capture The Flag)是网络安全领域的 “竞技赛事”,顶尖选手不仅能获得高额奖金,还能直接被大厂 “抢人”,是 “技术变现” 的捷径:

  • 奖金丰厚:国内顶级赛事(如腾讯安全挑战赛、字节跳动 CTF)的冠军奖金可达 50-100 万元,国际赛事(如 DEF CON CTF)的奖金更高;
  • 职业跳板:CTF 获奖选手无需笔试,直接进入大厂终面,且起薪比普通从业者高 30%-50%(如某 CTF 战队成员,校招直接拿到年薪 45 万的 Offer);
  • 商业合作:顶尖 CTF 选手可承接企业 “漏洞挖掘合作”“安全培训”,单次合作收入 10-30 万元。
路径 3:SRC 白帽 —— 灵活变现的 “补充渠道”

SRC(安全应急响应中心)是企业为 “合法挖掘漏洞的白帽” 设立的奖励平台,适合兼职或自由职业者:

  • 奖励灵活:漏洞奖励按级别划分,低危漏洞 500-2000 元,中危 2000-1 万元,高危 1-50 万元(如某白帽发现某金融 APP 的 “转账逻辑漏洞”,获奖励 25 万元);
  • 时间自由:无需坐班,可利用业余时间挖掘漏洞,适合学生、在职人员兼职;
  • 个人品牌:长期在 SRC 平台提交高质量漏洞,可成为 “星级白帽”,获得企业合作邀约(如安全培训、漏洞挖掘外包)。
结语:技术的价值,永远在 “合法边界内” 最大化

网络安全行业的本质,是 “守护数字世界的安全”,而非 “突破规则的狂欢”。本文提到的三种人,之所以会 “出事”,核心是混淆了 “技术能力” 和 “法律边界”,误把 “危险捷径” 当成 “成功路径”。

反观合法从业者,他们不仅能获得更高的收入(渗透测试工程师年薪 25-40 万 vs 黑产 5 万 / 年),更能享受职业成长的复利 —— 技术越深厚,收入越高,职业生命周期越长。

最后,用行业内的一句话警示所有技术爱好者:“真正的黑客,不是能突破多少防线,而是知道哪些防线永远不能突破。” 合法路径或许需要更多的学习和积累,但这才是技术变现的唯一正确答案。

网络安全学习资源分享:

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。

因篇幅有限,仅展示部分资料,朋友们如果有需要全套《网络安全入门+进阶学习资源包》,需要点击下方链接即可前往获取

读者福利 | 优快云大礼包:《网络安全入门&进阶学习资源包》免费分享 (安全链接,放心点击)

👉1.成长路线图&学习规划👈

要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。

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&学习规划。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。

在这里插入图片描述
在这里插入图片描述

👉2.网安入门到进阶视频教程👈

很多朋友都不喜欢晦涩的文字,我也为大家准备了视频教程,其中一共有21个章节,每个章节都是当前板块的精华浓缩。(全套教程文末领取哈)
在这里插入图片描述

在这里插入图片描述

👉3.SRC&黑客文档👈

大家最喜欢也是最关心的SRC技术文籍&黑客技术也有收录

SRC技术文籍:

在这里插入图片描述

黑客资料由于是敏感资源,这里不能直接展示哦!(全套教程文末领取哈)

👉4.护网行动资料👈

其中关于HW护网行动,也准备了对应的资料,这些内容可相当于比赛的金手指!

在这里插入图片描述

👉5.黑客必读书单👈

在这里插入图片描述

👉6.网络安全岗面试题合集👈

当你自学到这里,你就要开始思考找工作的事情了,而工作绕不开的就是真题和面试题。
在这里插入图片描述
所有资料共282G,朋友们如果有需要全套《网络安全入门+进阶学习资源包》,可以扫描下方二维码或链接免费领取~

读者福利 | 优快云大礼包:《网络安全入门&进阶学习资源包》免费分享 (安全链接,放心点击)

【信息科学与工程学】【管理科学】第七十二篇 管理层相对基层员工的信息差/资源差/权力差/认知差03 总裁/副总裁 定义系统状态(如:全正常、1个单元故障、降级运行、完全故障),状态间转移率 λ(故障率)和 μ(修复率)构成转移强度矩阵 Q。其中 γ_k = (2π/λ) n_k d_k cosθ_k 为相位厚度,η_k = n_k / cosθ_k (TE波) 或 η_k = n_k cosθ_k (TM波) 为光学导纳,θ_k为层内入射角。用于在光刻机设计阶段评估各子系统(光源、光学、工件台、真空等)的可靠性,识别薄弱环节,计算系统整体可用性(Availability),指导冗余设计和维护策略制定。 阅读详情

相关推荐

使用vite+react+ts+Ant Design开发后台管理项目(四)

本文将引导开发者从零基础开始,运用、react、react-router、react-redux、Ant Design、less、tailwindcss、axios等前沿技术栈,构建一个高效、响应式的后台管理系统。通过详细的步骤和实践指导,文章旨在为开发者揭示如何利用这些技术工具,从项目构思到最终实现的全过程,提供清晰的开发思路和实用的技术应用技巧。使用vite+react+ts+Ant Design开发后台管理项目(一)使用vite+react+ts+Ant Design开发后台管理项目(二)

lbking666666的专栏 2009

黑客/网安必知赛事,现场就能被大厂录用

当黑客或者学网络安全一定要参加的国内赛事,一流企业现场给你发offer。国内最权威、最高技术水平与最大影响力的网络安全CTF赛事平台,如果你能在这里拿的奖,国内大厂任你选。奖金高达10万元,全程还有BlackHat费用,只要你技术过硬都可以参加。比如说西科大XDCTF、杭科大的HCTF和北理工的ISCC这3项赛事,都是国内非常出名的高校CTF,多是大学生参加。*第四个,全国大学生网络安全精英挑战赛,

m0_71744044的博客 486

C++碰撞检测库FCL安装(MinGW,CMake)

FCL碰撞检测库、libccd\Eigen库编译配置,全流程问题记录

weixin_45650767的博客 4677

网络安全专业,在校大学生如何赚外快,实现财富自由?_网络安全怎么接私活

如今,计算机行业内卷严重,我们不找点赚外快的路子这么行呢?今天就来说说网络安全专业平时都怎么赚外快。

2401_84618514的博客 577

AutoSAR配置视频讲解:总目录

AutoSAR实验视频讲解:闪烁一颗LED实验【总目录】 欢迎大家来到雪云飞星的《AutoSAR实验视频讲解》,本专栏是一个关于AutoSAR的闪烁LED灯的实验课程,一共8节课,每节课的视频都放在文章最后,传送门如下: 前言 AutoSAR实验视频讲解:简介 EB 的Mcal配置 AutoSAR实验视频讲解:Mcal配置 DaVinci Cfg配置 AutoSAR实验视频讲解:新建DaVinci工程 AutoSAR实验视频讲解:Os配置(预计2021-3-10更新) AutoSAR实验视频讲解:检查校验报

雪云飞星的博客 2万+

2025华为OD 面试手撕代码真题【字符串至多删除一个字符,是否能构成回文串】

2025华为OD 面试手撕代码真题【字符串至多删除一个字符,是否能构成回文串】

MISAYAONE的博客 1708

ctf网络安全大赛奖金,零基础入门到精通,收藏这一篇就够了

当你自学到这里,你就要开始思考找工作的事情了,而工作绕不开的就是真题和面试题。这些题目都是大家在面试深信服、奇安信、腾讯或者其它大厂面试时经常遇到的,如果大家有好的题目或者好的见解欢迎分享。参考解析:深信服官网、奇安信官网、Freebuf、csdn等内容特点:条理清晰,含图像化表示更加易懂。

Spontaneous_0的博客 1276

COMSOL有限元仿真深度指南:连接薄结构与实体结构(I)

COMSOL有限元仿真深度指南:如何在结构力学仿真中连接薄结构与实体结构?

忘了面孔的Batou 1万+

永恒之蓝漏洞利用(MS17-010)获取shell 及获取靶机屏幕截图

永恒之蓝漏洞利用(MS17-101) 文章目录永恒之蓝漏洞利用(MS17-101)一、永恒之蓝(MS17-101)介绍二、漏洞利用1.检测目标主机是否存在MS17-101漏洞2.使用msf攻击模块执行攻击总结 提示:以下是本篇文章正文内容,下面案例可供参考 一、永恒之蓝(MS17-101)介绍 漏洞名称:“永恒之蓝”漏洞 漏洞编号:MS17-010,CVE-2017 0143/0144/0145/0146/0147/0148 漏洞类型:缓冲区溢出漏洞 漏洞影响:信息泄露 CVSS评分:9.3(High)

沙罗沙罗的博客 4634

(四)激光线扫描-光平面标定

激光发射器投射出一条线,形成的一个扇形区域平面就是光平面,也叫光刀面,与物体相交就形成了一道线激光。如果物体形状不是规则的,自然相交的线就会是一条蜿蜒曲折的线条。AxByCzD0AxByCzD0从而可以获得图像线激光上像素点的深度。💡 注意:平面方程是在同一个坐标系下定义的(如相机坐标系),所以一旦激光平面标定完成之后,激光器和相机的相对位置就必须固定不动了。

FlyWine的博客 6143

Python跨年烟花(完整代码)

Python语言实现跨年烟花动画的完整代码。

AIGC 3万+

零基础小白也能入门CTF夺旗赛月入两千?

网络安全产业就像一个江湖,各色人等聚集。相对于欧美国家基础扎实(懂加密、会防护、能挖洞、擅工程)的众多名门正派,我国的人才更多的属于旁门左道(很多白帽子可能会不服气),因此在未来的人才培养和建设上,需要调整结构,鼓励更多的人去做“正向”的、结合“业务”与“数据”、“自动化”的“体系、建设”,才能解人才之渴,真正的为社会全面互联网化提供安全保障。

2401_84618514的博客 935

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

计算机大学生必看:为什么要打CTF比赛?一文解析参赛门槛和获奖收益!

对想进入网络安全行业的大学生而言,CTF 比赛的价值在于:它用 “实战题目” 倒逼你掌握行业核心能力,用 “权威奖项” 为你的技术背书,用 “赛事资源” 帮你链接行业圈子 —— 这些都是课堂学习、普通实习难以替代的。无需担心 “零基础学不会”,从 Web 方向入手,3 个月掌握基础工具,6 个月参加模拟赛,1 年冲击省级奖项,是多数普通大学生可实现的路径。更重要的是,CTF 培养的 “解题思维、抗压能力、团队协作”,不仅能帮你拿到 Offer,更能支撑你在网安行业长期发展。

logic1001的博客 1302

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")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

[ MSF使用实例 ] 利用永恒之蓝(MS17-010)漏洞导致windows靶机蓝屏并获取靶机权限

[ MSF使用实例 ] 利用永恒之蓝(MS17-010)漏洞导致windows靶机蓝屏并获取靶机权限 永恒之蓝漏洞是方程式组织在其漏洞利用框架中一个针对SMB服务进行攻击的漏洞,该漏洞导致攻击者在目标系统上可以执行任意代码。

qq_51577576的博客 4666

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

永恒之蓝MS17-010实战案例

永恒之蓝(Eternal Blue)爆发于2017年4月14日晚,是一种利用Windows系统的SMB协议漏洞来获取系统的最高权限,以此来控制被入侵的计算机。甚至于2017年5月12日, 不法分子通过改造“永恒之蓝”制作了wannacry勒索病毒,使全世界大范围内遭受了该勒索病毒,甚至波及到学校、大型企业、政府等机构,只能通过支付高额的赎金才能恢复出文件。不过在该病毒出来不久就被微软通过打补丁修复。

qq_36585338的博客 1490

黑客(网络安全)技术自学30天

网络安全可以基于攻击和防御视角来分类,我们经常听到的 “红队”、“渗透测试” 等就是研究攻击技术,而“蓝队”、“安全运营”、“安全运维”则研究防御技术。许多入门者转行网络安全,或者是有一定基础想进一步深化学习,却发现不知从何下手。😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓。当然除了有配套的视频,同时也为大家整理了各种文档和书籍资料。对于国家与企业的地位愈发重要,没有网络安全就没有国家安全。还有大家最喜欢的黑客技术、⑨历年CTF夺旗赛题解析。⑦100个漏洞实战案例。

m0_71746416的博客 654

这些CTF比赛,不仅学技术,还有巨额奖金!

CTF比赛必看!

Button12138的博客 1176

工控安全:攻防演示案例分享

列举一些可以在工控安全项目中用的攻防演示案例,持续更新......前言在某核电的安全项目中,感谢公司leader信任让我负责项目的总体方案设计、攻防案例设计、安全防护等方案,经过前期大量的搜索、复现、思考、选取,顺利完成该项目的建设实施。于是,在此文中分享一些可以在工控安全项目中进行攻防演示的案例,以供大家参考。针对工控系统上位机操作系统攻防案例漏洞一:永恒之蓝M...

KEY0NE的个人博客 2979
上一篇: 网络安全红利还能持续多久?现在转行还来得及吗?
下一篇: CTF网络安全大赛_网安战队简历,零基础入门到精通,收藏这一篇就够了
网络安全_入门教程
博客等级 码龄4年 1万+粉丝 2151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