什么是CSRF攻击，该如何防护CSRF攻击

网络安全_入门教程 网络安全_入门教程 博客等级 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 600+累计阅读 680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 码龄4年
关注
原创 最新推荐文章于 2026-07-01 15:13:06 发布 680 阅读 AI 写同款· GEO 优化 ›
CSRF漏洞攻击原理及防御方案 CSRF 攻击之所以能够成功，是因为黑客可以完全伪造用户的请求，该请求中所有的用户验证信息都是存在于 cookie 中，因此黑客可以在不知道这些验证信息的情况下直接利用用户自己的 cookie 来通过安全验证。但是，如果用户还未退出网站A，或者当时恰巧刚访问网站A不久，他的浏览器与网站A之间的session 尚未过期，浏览器的cookie 之中含有用户的认证信息。这时，悲剧发生了，这个url 请求就会得到响应，黑客就能以用户的权限修改密码，且用户毫不知情。在通常情况下，验证码能很好遏制CSRF攻击。 阅读详情

CSRF攻击（跨站请求伪造，Cross-Site Request Forgery）是一种网络攻击手段，攻击者利用已通过身份验证的用户，诱导他们在不知情的情况下执行未授权操作。这种攻击通常发生在用户登录到可信网站并且有活动的会话时，攻击者通过诱导用户访问恶意链接或网站，冒充用户向受信任网站发出请求，从而进行恶意操作。

CSRF攻击的原理

CSRF攻击利用了网站信任用户的身份验证信息（如Session ID或Cookie）。用户在访问网站时，通常会保留登录状态，网站根据这些状态识别用户身份。攻击者通过构造恶意请求，让用户无意中向受信任网站发出请求，而网站认为请求是由合法用户发出的，从而执行不被授权的操作。

例如，用户在银行网站上登录后，攻击者可能会发送一条恶意请求，要求银行转账操作。银行系统收到请求后，由于用户的身份信息有效，系统会认为这是合法请求，从而执行操作。

CSRF攻击的典型场景

伪造请求：用户在登录到某个网站后，攻击者可能通过电子邮件、社交媒体、聊天工具等途径诱导用户点击一个恶意链接，这个链接中嵌入了对受害网站的恶意请求。

利用浏览器Cookie：在用户浏览器中，登录状态的Cookie会被自动附加到请求中。攻击者构造一个恶意请求，通过用户的浏览器发送给受信任网站，由于浏览器会附带用户的Cookie，受信任网站认为这是合法请求。

隐形提交表单：攻击者可能在一个页面中隐蔽地嵌入表单，用户无需主动点击提交，只要访问页面，表单就会自动提交并发送恶意请求。

CSRF攻击的危害

数据篡改：攻击者可以利用用户的身份执行一些操作，如修改账户信息、提交表单或发帖。

资金转移：在电商或银行应用中，CSRF攻击可能用于转账、支付等财务操作。

权限提升：攻击者可能利用CSRF漏洞来提升自己的权限，获取用户或管理员的身份，执行更具破坏性的操作。

如何防御CSRF攻击

使用CSRF Token：这是防御CSRF攻击最有效的方式之一。每次生成请求时，服务器为用户生成一个唯一的Token，并将其嵌入到页面的表单或URL中。服务器在接收到请求时，检查Token是否匹配，只有匹配的请求才被执行。由于攻击者无法访问或伪造Token，因此有效阻止了CSRF攻击。

验证Referer头：服务器可以检查HTTP请求头中的Referer字段，验证请求是否来源于可信任的页面。如果请求的来源不匹配，服务器可以拒绝执行。

双重提交Cookie：将CSRF Token同时存储在Cookie和请求中，服务器接收到请求后，检查这两个Token是否一致。如果一致，表示请求是可信的。

使用SameSite属性：设置Cookie的SameSite属性为"Strict"或"Lax"，可以限制跨站请求时携带Cookie的行为，减少CSRF攻击的风险。

确保敏感操作需要用户确认：对于转账、密码修改等敏感操作，强制用户进行二次验证，如输入密码、验证码等，防止攻击者利用CSRF攻击直接完成操作。

CSRF攻击是一种利用用户身份未授权执行操作的攻击手段，具有很高的隐蔽性和危害性。通过使用CSRF Token、Referer验证和双重提交Cookie等防御措施，开发者可以有效防范此类攻击，保护用户数据和系统安全。

德迅云安全安全加速SCDN

安全加速（Secure Content Delivery Network，SCDN）是德迅云安全推出的集分布式DDoS防护、CC防护、WAF防护、BOT行为分析为一体的安全加速解决方案。已使用内容分发网络（CDN）或全站加速网络（ECDN）的用户，购买服务后可为加速域名一键开启安全防护相关配置，全方位保障业务内容分发。

1.Web攻击防护

OWASP TOP 10威胁防护

有效防御 SQL注入、XSS攻击、命令/代码执行、文件包含、木马上传、路径穿越、恶意扫描等OWASP TOP 10攻击。专业的攻防团队7*24小时跟进0day漏洞，分析漏洞原理，并制定安全防护策略，及时进行防护。

AI检测和行为分析

通过对德迅云积累海量日志进行学习和训练输出多种Web安全防护模型，对用户多请求的多元因子进行智能分析，有效提高检出率，降低误报率；通过信息孤岛、行为检测分析，识别恶意攻击源，保护网站安全。

智能语义解析引擎

提供智能语义解析功能，在漏洞防御的基础上，增强SQL注入和XSS攻击检测能力。

2.应用层DDoS防护

CC、HTTP Flood攻击防御

威胁情报库：通过大数据分析平台，实时汇总分析攻击日志，提取攻击特征并进行威胁等级评估，形成威胁情报库。

个性化策略配置：如请求没有命中威胁情报库中的高风险特征，则通过IP黑白名单、访问频率控制等防御攻击。

日志自学习：实时动态学习网站访问特征，建立网站的正常访问基线。

人机校验：当请求与网站正常访问基线不一致时，启动人机校验(如JS验证、META验证等)方式进行验证，拦截攻击。

慢连接攻击防御

对Slow Headers攻击，通过检测请求头超时时间、最大包数量阈值进行防护。 对Slow Post攻击，通过检测请求小包数量阈值进行防护。

3.合规性保障

自定义防护规则

用户可以对HTTP协议字段进行组合，制定访问控制规则，支持地域、请求头、请求内容设置过滤条件，支持正则语法。

访问日志审计

记录所有用户访问日志，对访问源进行TOP N，提供趋势分析，可以根据需要提供日志下载功能。

网页防篡改

采用强制静态缓存锁定和更新机制，对网站特定页面进行保护，即使源站相关网页被篡改，依然能够返回给用户缓存页面。

数据防泄漏

对response报文进行处理，对响应内容和响应进行识别和过滤，根据需要设置数据防泄漏规则，保护网站数据安全。

4.HTTP流量管理

支持HTTP流量管理

可以设置源IP或者特点接口访问速率，对超过速率的访问进行排队处理，减缓服务器压力。

请求头管理

可以根据业务需要对请求头和响应头进行处理，可进行请求头替换或者敏感信息隐藏设置。

5.安全可视化

四大安全分析报表

默认提供Web安全攻击报表、CC攻击防护报表、用户访问统计报表和自定义规则命中报表，满足业务汇报和趋势分析需求。

全量日志处理

提供全量日志查询和下载功能，可以通过OpenAPI接口获取实时日志或离线日志信息。

实时数据统计

提供基于均值和峰值带宽统计信息，提供攻击带宽和正常占比，随时关注业务状况。提供多种组件，了解业务监控和核心指标变化情况。

学习资源

如果你是也准备转行学习网络安全（黑客）或者正在学习，这里开源一份360智榜样学习中心独家出品《网络攻防知识库》,希望能够帮助到你

知识库由360智榜样学习中心独家打造出品，旨在帮助网络安全从业者或兴趣爱好者零基础快速入门提升实战能力，熟练掌握基础攻防到深度对抗。

1、知识库价值

深度： 本知识库超越常规工具手册，深入剖析攻击技术的底层原理与高级防御策略，并对业内挑战巨大的APT攻击链分析、隐蔽信道建立等，提供了独到的技术视角和实战验证过的对抗方案。

广度： 面向企业安全建设的核心场景（渗透测试、红蓝对抗、威胁狩猎、应急响应、安全运营），本知识库覆盖了从攻击发起、路径突破、权限维持、横向移动到防御检测、响应处置、溯源反制的全生命周期关键节点，是应对复杂攻防挑战的实用指南。

实战性： 知识库内容源于真实攻防对抗和大型演练实践，通过详尽的攻击复现案例、防御配置实例、自动化脚本代码来传递核心思路与落地方法。

2、 部分核心内容展示

360智榜样学习中心独家《网络攻防知识库》采用由浅入深、攻防结合的讲述方式，既夯实基础技能，更深入高阶对抗技术。

在这里插入图片描述

360智榜样学习中心独家《网络攻防知识库》采用由浅入深、攻防结合的讲述方式，既夯实基础技能，更深入高阶对抗技术。

内容组织紧密结合攻防场景，辅以大量真实环境复现案例、自动化工具脚本及配置解析。通过策略讲解、原理剖析、实战演示相结合，是你学习过程中好帮手。

1、网络安全意识

img

2、Linux操作系统

img

3、WEB架构基础与HTTP协议

img

4、Web渗透测试

img

5、渗透测试案例分享

img

6、渗透测试实战技巧

图片

7、攻防对战实战

图片

8、CTF之MISC实战讲解

图片

3、适合学习的人群

‌一、基础适配人群‌

  1. ‌零基础转型者‌：适合计算机零基础但愿意系统学习的人群，资料覆盖从网络协议、操作系统到渗透测试的完整知识链‌；
  2. ‌开发/运维人员‌：具备编程或运维基础者可通过资料快速掌握安全防护与漏洞修复技能，实现职业方向拓展‌或者转行就业；
  3. ‌应届毕业生‌：计算机相关专业学生可通过资料构建完整的网络安全知识体系，缩短企业用人适应期‌；

‌二、能力提升适配‌

1、‌技术爱好者‌：适合对攻防技术有强烈兴趣，希望掌握漏洞挖掘、渗透测试等实战技能的学习者‌；

2、安全从业者‌：帮助初级安全工程师系统化提升Web安全、逆向工程等专项能力‌；

3、‌合规需求者‌：包含等保规范、安全策略制定等内容，适合需要应对合规审计的企业人员‌；

因篇幅有限，仅展示部分资料，完整版的网络安全学习资料已经上传优快云，朋友们如果需要可以在下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

标签
#csrf #安全 #网络 #ddos #web安全
#数据库 #前端
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
csrf攻击原理与解决方法 0x01前言 因为现代浏览器的工作机制原因，造成一种WEB攻击形态的存在， 这种攻击形式叫做CSRF攻击，以往我们是从攻击角度分析这种攻击的原理和操作。这次我们给出攻击原理同时，给出CSRF在服务器端的防御的解决方案。CSRF是现代WEB程序要面对的共通性问题，在很多流行的WEB框架中，都会将CSRF的问题直接在WEB框架层面解决。 我们先抛出CSRF这个问题，然后介绍基于时间与签名的防护手段，并且给出的这种防御手段的具体代码实现。过程中使用了Lua语言进行实现功能， LUA是一种容易理解的脚本语言，大 阅读详情

相关推荐

Web安全之CSRF攻击详解与防护

CSRF攻击是指黑客通过欺骗用户在不知情的情况下向受信任的服务器发送请求，从而执行用户并未授权的操作。由于浏览器的同源策略，浏览器会自动携带当前登录用户的身份凭证（如Cookie），导致服务器误以为请求是合法用户发出的。用户登录电商系统，并在浏览器中保持会话（比如通过Cookie保存登录状态）。攻击者构造一个恶意网站，诱导用户访问该网站。恶意网站通过用户的浏览器向电商系统发送请求，例如提交订单、修改账户信息等。由于用户已经登录，服务器在收到请求时会认为是合法请求，从而执行攻击者的恶意操作。

J老熊 2538

CSRF漏洞原理攻击与防御（非常细）

CSRF (Cross-site request forgery，跨站请求伪造)也被称为One Click Attack或者Session Riding，通常缩写为CSRF或者XSRF，是一种对网站的恶意利用。尽管听起来像跨站脚本(XSS)，但它与XSS非常不同，XSS利用站点内的信任用户，而CSRF则通过伪装成受信任用户请求受信任的网站。简单的说，是攻击者通过一些技术手段欺骗用户的浏览器去访问一个自己以前认证过的站点并运行一些操作（如发邮件，发消息，甚至财产操作（如转账和购买商品））。

dzqxwzoe的博客 2937

Python+Flask+Echarts打造全国气象数据可视化分析大屏

本文详细介绍了如何使用Python+Flask+Echarts构建全国气象数据可视化分析大屏，实现实时监控、趋势分析和快速决策。通过Python强大的数据处理能力、Flask的轻量级优势和Echarts的交互体验，打造高效的气象数据可视化系统，提升农业、物流等行业的决策效率。

weixin_29061531的博客 1061

【 安全】什么是CSRF攻击？如何避免？开发的时候怎么预防？

CSRF定义： 跨站请求伪造（英语：Cross-site request forgery）是一种对网站的恶意利用，也被称为 one-click attack 或者 session riding，通常缩写为 CSRF 或者 XSRF， 是一种挟制用户在当前已登录的Web应用程序上执行非本意的操作的攻击方法。CSRF跨站点请求伪造(Cross—Site Request Forgery) 跟XSS攻击一样，存在巨大的危害性。

DreamSun的博客 4904

零、HarmonyOS应用开发者基础学习总览

零、HarmonyOS应用开发者基础学习总览

weixin_45029825的博客 1455

nature子刊:MCNN基于电池故障诊断的模型约束的深度学习方法

本研究提出了一种基于模型约束神经网络（MCNN）的锂离子电池在线故障诊断方法，整合物理模型与深度学习，有效解决了随机工况下传统方法诊断精度低、依赖故障样本等问题。通过统计修正电池包模型和双向LSTM网络，实现了电池状态的高精度预测（平均RMSE 3.9%），并设计模型耦合自动编码器提取可解释特征。在包含18.2百万条真实车辆数据的验证中，该方法故障检测TPR在FPR=0.1时达85%，较基准方法提升超46.5%，且能提前30分钟预警内部短路等故障。研究还展示了算法在跨电池包结构迁移中的优越性，为工业应用提供

hasakie的博客 1760

CSRF攻击原理及防护

一、CSRF是什么 CSRF全称为跨站请求伪造（Cross-site request forgery），是一种网络攻击方式，也被称为 one-click attack 或者 session riding。 二、CSRF攻击原理 CSRF攻击利用网站对于用户网页浏览器的信任，挟持用户当前已登陆的Web应用程序，去执行并非用户本意的操作。 三、CSRF攻击实例 角色： 正常浏览网页的用户：User 正...

diu_brother的博客 2万+

开关电源PCB安规设计避坑指南：从光耦开槽到变压器挡墙，这些细节决定认证成败

本文深入解析开关电源PCB安规设计中的关键细节，包括光耦开槽、变压器挡墙工艺等12个致命要点。通过实际案例和工艺参数表，揭示如何避免认证失败，特别强调爬电距离和电气间隙的精确控制，助力工程师提升产品安全性和认证通过率。

weixin_42548893的博客 205

16. 什么是 csrf 攻击？怎么防护

跨站请求伪造，点击插入的接口，会调用 cookie，钓鱼网站防护：堵住 xss 漏洞，请求头携带 token，校验 http 中的 reffer。CSRF（，跨站请求伪造）是一种常见的 Web 安全攻击方式。攻击者诱导用户点击一个隐藏链接或图片，利用用户已登录的身份，在用户不知情的情况下向目标网站发起请求，从而执行非用户意愿的操作（如转账、发帖、修改密码等）。与 XSS 不同的是，CSRF 不依赖于注入脚本，而是利用用户的认证状态（如 Cookie）发起伪造请求。

weixin_64684095的博客 928

Kettle 连接 Oracle 数据库全流程指南

例如：C:\Oracle\product\19.0.0\dbhome_1\jdbc\lib\ojdbc8.jar 2. 替换 Kettle 驱动文件 将驱动文件复制到 Kettle 的 目录： 删除旧版本驱动：如 ojdbc14.jar 只能保留一个oracle驱动 重启 Kettle 以加载新驱动 二、配置数据库连接 1. 启动 Kettle 并新建转换 运行 （Windows）或 （Linux）。 新建转换（Transformation），添加 “表输入” 步骤，双击进入配置。 2.

qq_44724453的博客 3484

适航规章、标准，书籍资料下载汇总（更新中）

以下是一些收集到的适航相关的资料，分享给大家。（如果没有你想要的资料，请留言，等找到会及时更新！

qq_41854911的博客 2562

深入解析CSRF攻击：从攻击机制到多层次防护策略

分析CSRF攻击类型及原理，同源检测、Samesite Cookie、Token验证等多层次防护策略，适配不同场景安全需求。

2301_76603086的博客 1103

红薯游客小眼睛接口分析与Python脚本实现

小眼睛接口与请求流程分析，使用Python实现小眼睛+1

吴秋霖的博客 2616

前端安全之 CSRF 攻击原理和防护方法

CSRF（Cross-site request forgery）简称：跨站请求伪造，学习 CSRF 攻击原理和防护方法是我们团队新成员的必修课，通常我都是先让新同学自己研究自己讲，然后我再通过其中细节再给他们讲一遍，讲的次数多了，也慢慢总结出一种比较容易理解的讲法。这里我整理成文分享给有需要的人。引言：必修课为什么选择 CSRF？CSRF 涉及到的前端知识点比较多，全面理解需要系统的学习 Cookie，前端跨域，HTTP 协议，web 浏览器等知识。理解 CSRF 攻击和防护方法是前端进阶要去，我也希望大家

weixin_59124055的博客 6475

1、硬件工程师笔面试真题汇总（2025版本）

答：按照使用习惯，电源指示灯用红色，信号指示灯用绿色这两种颜色的LED 灯技术最成熟，价格最便宜通孔是贯穿整个PCB 的过孔盲孔是从PCB 表层连接到内层的过孔埋孔是埋在PCB 内层的过孔。大多数PCB厂家的加工能力是这样的:大于等于8mil 的过孔可以做机械孔小于等于6mil 的过孔需要做激光孔对小于等于6mil 的微型孔，在钻孔空间不够时，允许一部分过打在PCB 焊盘上。

XU157303764的博客 2万+

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。

CSRF漏洞原理及攻击方式 防护方法有哪些

CSRF是一种攻击方式，它利用用户已经登录的浏览器发起恶意请求。攻击者诱导用户点击链接或访问恶意网站，利用用户当前的登录状态，无意中发送请求到受信任的网站。

白帽黑客鹏哥的博客 1760

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

CSRF攻击原理和防护措施讲解

CSRF(Cross Site Request Forger)跨站请求伪造详细讲解

阿飞 4094

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")

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

开发安全典型漏洞之CSRF攻击及防护，从零基础到精通，收藏这篇就够了！

推荐关键交易API采用POST方式，可提高CSRF攻击成本，攻击者需在第三方页面（攻击站点）内构造POST请求，诱导用户首先进入预先准备好的攻击站点，并触发恶意请求，增加攻击链路长度。Referer字段记录了请求来源地址，可使用该字段校验请求是否来自安全站点，阻止非授权站点内触发的恶意请求，如果Referer为第三方非授权网址或空，一定程度上可判断该请求为恶意请求。③诱导用户点击站点B内某些资源，在用户不知情的情况下，在站点B内发送恶意请求(携带站点A的Cookie信息)至站点A。

Javachichi的博客 1246

CSRF攻击原理与防护

在数字世界的暗流中，存在着一种几乎无声的攻击方式——它不窃取密码，不植入恶意软件，却能让用户在浑然不觉中执行非自愿的操作。随着我们生活的方方面面日益数字化，理解CSRF攻击的原理并建立有效防护，已成为构建安全网络环境的必修课。作为数字时代的居民，我们既是潜在的攻击目标，也是防护体系的一部分。只有理解攻击的原理，采取恰当的防护措施，我们才能在享受数字便利的同时，守护好自己的数字身份与资产。CSRF攻击的核心原理异常简单却极具欺骗性：攻击者诱使已登录特定网站的用户，在不知情的情况下向该网站发送恶意请求。

bowqur_785的博客 172
上一篇： 网络安全常见漏洞篇——反序列化漏洞，从零基础到精通，收藏这篇就够了！
下一篇： 网络安全常见文件上传漏洞，非常详细，看完这篇就够了！
点赞 12
评论 0
书签 书签 9
网络安全_入门教程
网络安全_入门教程
博客等级 码龄4年 1万+粉丝 2151原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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