网络安全-信息收集_安全信息的收集过程（非常详细），零基础入门到精通，看这一篇就够了

黑客老许 黑客老许 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 1.3k累计阅读 1.3k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8年
关注
原创 最新推荐文章于 2026-05-05 06:03:56 发布 1.3k 阅读 AI 写同款· GEO 优化 ›
网络安全--信息收集 踩点概念及威胁 课程目标：本节课程中我们主要学习“踩点”的概念，初步了解“踩点是什么。 任务目标：通过本节课的学习，了解“踩点“的概念，并清楚”踩点“的目的和”踩点“的目标。 A.踩点的概念 踩点的概念 引用百度百科上边对于踩点的定义： 踩点指的是预先到某个地方进行考察，为后面正式到这个地方开展工作做准备，比如去商场购物，可能通过某种形式，获得商场别人不知道而自己已经知道的最新消息。即：获得信息的过程就叫踩点。 这个解释和我们渗透人员的““踩点”是一致的，“踩点”的目的就是为了进行信息的收集。 阅读详情

文章目录

1.信息收集概览：

信息收集在网络安全中至关重要，旨在通过多种技术和方法收集、分析和理解网络威胁的信息，以保护系统和网络免受攻击。信息收集的主要类型包括技术信息、战术信息、操作信息和战略信息。方法上，常用开放源情报（OSINT）、网络流量分析、恶意软件分析和漏洞扫描等。工具方面，有开源工具如Wireshark和Metasploit，以及商业工具如FireEye和CrowdStrike。通过这些手段，安全团队可以提前发现潜在威胁，评估系统脆弱性，制定和调整安全策略，并在发生攻击后追踪溯源，提高整体防御能力。

2.域名信息收集

2.1域名定义

域名（Domain Name），又称网域，是由一串用点分隔的名字组成的Internet上某一台计算机或计算机组的名称，用于在数据传输时对计算机的定位标识。

2.2域名与IP地址

当我们访问一个网址时，我们既可以通过它的域名进行访问，也可以通过直接输入它的服务器的IP地址进行访问，那么为什么我们大多数都是用的域名而不是用IP地址呢？

这是因为IP地址不方便记忆，且不能显示地址组织的名称和性质。因此人们设计出了域名，并通过网域名称系统（DNS，Domain Name System）来将域名和IP地址相互映射，使人更方便地访问互联网，而不用去记住能够被机器直接读取的IP地址数串。

就比方当我们访问www.baidu.com这个域名时，我们的电脑会向DNS服务器查询百度的IP地址。找到IP地址后，我们就能通过该IP地址访问百度。输入网址实际上是通过IP地址访问服务器的过程，只不过域名到IP地址的转换被隐藏了，使我们感知不到。

2.3收集域名信息

当我们需要对一个网站进行渗透测试时，我们需要用到大量的信息。因此收集这些网站的信息是一件极其重要的事。

2.3.1 Whois查询

whois是一个用来查询域名是否已经被注册，以及注册域名的详细信息的数据库（如域名所有人、域名注册商）。不同域名后缀的whois信息需要到不同的whois数据库查询。

查询接口：

https://whois.aliyun.comhttps://www.whois365.com/cnhttp://whois.chinaz.com

https://whois.aizhan.com

在Kali Linux中可以使用命令查询Whois。

 
whois 目标网址

阿里云Whois查询网站

在这里插入图片描述

Kali Linux中的Whois查询

在这里插入图片描述

2.3.2 ICP备案查询

ICP（Internet Content Provider）即为网络内容服务商，即向广大用户综合提供互联网信息业务和增值业务的电信运营商。其必须具备的证书即为ICP证。ICP证是指各地通信管理部门核发的《中华人民共和国电信与信息服务业务经营许可证》。根据《互联网信息服务管理办法》指出互联网信息服务分为经营性和非经营性两类。国家对经营 性互联网信息服务实行许可制度；对非经营性互联网信息服务实行备案制度。未取得许可或 者未履行备案手续的，不得从事互联网信息服务。对于国内网站，我们可以通过查询ICP来得到相应的信息。

查询接口：

https://beian.miit.gov.cn/

在这里插入图片描述

2.3.3 收集子域名

查询接口：

https://dnsdumpster.com/

在这里插入图片描述

在这里插入图片描述

3.IP地址收集

3.1 Netdiscover工具

Netdiscover通过ARP扫描发现活动主机，可以通过主动和被动两种模式进行ARP扫描。在主动模式下，它将发送ARP请求并等待响应。在被动模式下，它将监听网络上的ARP流量，并显示活动主机的IP地址和MAC地址。

要使用netdiscover，请打开终端并输入以下命令：

 
主动模式 sudo netdiscover -i eth0 -r 10.3.0.0/24
被动模式 sudo netdiscover -i eth0 -p

在这里插入图片描述

3.2 Nmap 工具

Nmap是一种网络探测和安全审核工具，可用于扫描主机和服务，查找漏洞和安全漏洞。

假如我要扫描192.168.45.0/24这个网段我可以使用下面的命令查看存活主机

 
nmap -sP 10.3.0.0/24

在这里插入图片描述

3.3 Arp-Scan

Arp-Scan是一种基于ARP协议的网络扫描工具，可以快速扫描整个网段并显示活动主机的IP地址和MAC地址。终端输入以下命令扫描当前网络。

 
sudo arp-scan -l

在这里插入图片描述

4.端口信息收集

4.1 Nmap 工具

 
nmap 目标IP

在这里插入图片描述

4.2 御剑扫描

安装地址:https://www.123pan.com/s/haUSVv-SaZU3.html

在这里插入图片描述

5.CMS指纹识别

5.1 Web网站在线查询

查询接口：

https://whatcms.org/

在这里插入图片描述

5.2 Wappalyzer

  1. 找到浏览器的扩展，每个浏览器都不一样，具体可以上网搜索，这里以Edge浏览器做示范。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

2. 搜索Wappalyzer

在这里插入图片描述

  1. 获取

在这里插入图片描述

  1. 添加扩展应用

在这里插入图片描述

  1. 在工具栏中显示

在这里插入图片描述

  1. 找到一个网站点击Wappalyzer图标

在这里插入图片描述

  1. 得到CMS信息

在这里插入图片描述

6.搜索引擎收集信息

6.1 Google Dorks

用于通过搜索引擎（例如 Google）查找特定信息。 这些搜索字符串，也称为“Google dorks”或简称为“dorks”，允许用户执行更高级和更精确的搜索 发现通过常规搜索无法轻松访问的隐藏或敏感信息.

Google Dorks 的一些例子是：

标题：允许您搜索网页标题中的关键字。 例如，“intitle:你好”将显示所有标题中包含“你好”一词的页面。

在这里插入图片描述

在网页的 URL 中寻找关键字。 例如，“inurl:admin”将显示其 URL 中包含单词“admin”的所有页面。

在这里插入图片描述

GOOGLE DORK 示例

标题：“关键字”

inurl:"关键字"

文件类型：“文件类型”

网站：“domain.com”

缓存：“网址”

链接：“网址”

文本：“你好”

正文：“你好”

输入网址：“login.php”

标题：“你好”

intext:"机密信息"

intitle:”密码文件”

文件类型：docx“机密”

inurl:”file.pdf” intext:”社会安全号码”

inurl：“备份”分机：sql

intitle:”目录索引”

网站：domain.com“登录”

site:domain.com “索引”

site:domain.com intitle:”密码文件”

site:domain.com ext:php intext:”SQL error”

site:domain.com inurl:”admin”

网站：domain.com 文件类型：pdf

allinurl：“关键字”

allintext：“关键字”

相关：domain.com

信息：domain.com

定义：“术语”

电话簿：“联系人姓名”

7.网络空间测绘

因此，如何将地理空间、社会空间、网络空间相互映射，将虚拟、动态的网络空间绘制成一幅动态、实时、有效的网络空间地图，为决策者提供有价值的战略情报信息，支撑全网态势感知、挂图作战、全网侦察、攻击/刺探效果评估等用途，已成为网络安全领域中的一项重要的先行工作。首先要做的就是了解网络，即网络空间测绘技术。

7.1 FOFA

FOFA是华顺信安推出的一款功能强大的网络空间搜索引擎，能快速帮助用户定位和发现互联网上的目标，是发现全球范围内网络资产的重要来源。它能通过关键字、IP地址、端口号、协议等多种方式进行搜索，搜索结果包括设备的基本信息、端口信息、服务信息等。

网站：https://fofa.info/

FOFA语法

  1. ip=“目标IP” ——搜索指定IP

在这里插入图片描述

  1. title=“指定搜索标题” ——搜索标题为特定内容

在这里插入图片描述

  1. body=“指定搜索正文内容” ——搜索正文中含有为特定内容

在这里插入图片描述

  1. host=“url中含有的内容” ——搜索url中含有为特定内容

在这里插入图片描述

  1. port=“搜索的端口” ——搜索具体端口

在这里插入图片描述

  1. 与"&&"

比如：host=“login”&&title=“登录”

在这里插入图片描述

7.2 ZoomEye

ZoomEye（中文名：钟馗之眼）是一款专注于网络设备和物联网设备搜索的搜索引擎。它提供了一种通过互联网上的设备进行搜索的方式，使用户能够发现和分析各种连接到互联网的设备，包括服务器、路由器、摄像头、数据库等。ZoomEye 主要用于网络侦查、漏洞发现和网络安全研究。

网站：https://www.zoomeye.org/

ZoomEye语法

app：组件名

在这里插入图片描述

app：组件名

ver：组件版本

site：网站域名

os：操作系统

title：页面标题

keywords：页面关键字

desc：页面说明

headers：请求头部

country：国家或者地区代码

city：城市名称

ip：IP地址

org：组织机构

asn：自治系统号

8.Web目录扫描

Web目录扫描是网络安全中的一种技术，用于识别和评估Web服务器上存在的目录和文件。攻击者使用Web目录扫描工具来发现潜在的漏洞和敏感信息，如配置文件、备份文件和未受保护的管理界面。这些信息可能被用于进一步的攻击，如目录遍历、文件包含漏洞和权限提升。

8.1 御剑

御剑是一款目录探测工具，同样可以用于扫描备份文件，操作很简单，打开软件输入网址扫描即可。

1.点击添加

在这里插入图片描述

2.输入目标网址后点确定

在这里插入图片描述

3.双击选择字典

在这里插入图片描述

4.开始扫描

在这里插入图片描述

8.2 Dirsearch

dirsearch是一个基于python3的命令行工具，常用于暴力扫描页面结构，包括网页中的目录和文件。

输入以下代码即可进行扫描

 
dirsearch -u 目标网址

在这里插入图片描述

在这里插入图片描述

零基础入门网络安全/黑客技术

【----帮助网安学习，以下所有学习资料文末免费领取！----】

> ① 网安学习成长路径思维导图
> ② 60+网安经典常用工具包
> ③ 100+SRC漏洞分析报告
> ④ 150+网安攻防实战技术电子书
> ⑤ 最权威CISSP 认证考试指南+题库
> ⑥ 超1800页CTF实战技巧手册
> ⑦ 最新网安大厂面试题合集（含答案）
> ⑧ APP客户端安全检测指南（安卓+IOS）

大纲

首先要找一份详细的大纲。

img

学习教程

第一阶段：零基础入门系列教程

img

该阶段学完即可年薪15w+

第二阶段：技术入门

弱口令与口令爆破
XSS漏洞
CSRF漏洞
SSRF漏洞
XXE漏洞
SQL注入
任意文件操作漏洞
业务逻辑漏洞

该阶段学完年薪25w+

img

阶段三：高阶提升

反序列化漏洞
RCE
综合靶场实操项目
内网渗透
流量分析
日志分析
恶意代码分析
应急响应
实战训练

该阶段学完即可年薪30w+

面试刷题

img

在这里插入图片描述

最后，我其实要给部分人泼冷水，因为说实话，上面讲到的资料包获取没有任何的门槛。

但是，我觉得很多人拿到了却并不会去学习。

大部分人的问题看似是“如何行动”，其实是“无法开始”。

几乎任何一个领域都是这样，所谓“万事开头难”，绝大多数人都卡在第一步，还没开始就自己把自己淘汰出局了。

如果你真的确信自己喜欢网络安全/黑客技术，马上行动起来，比一切都重要。

资料领取

上述这份完整版的网络安全学习资料已经上传网盘，朋友们如果需要可以微信扫描下方二维码 ↓↓↓ 或者 点击以下链接都可以领取

点击领取 《网络安全&黑客&入门进阶学习资源包》

标签
#安全 #web安全 #dubbo #安全信息的收集过程
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。
网络安全的信息收集方法有哪些？ 网络安全攻击中的信息收集是攻击者为了了解目标系统的弱点、配置、环境和潜在的防御措施而进行的活动。 阅读详情

相关推荐

网络安全中信息收集需要收集哪些信息了？汇总

在网络安全渗透测试中，信息收集是最基础也是最关键的步骤，主要目的是通过各种手段收集目标系统的公开信息，为后续的漏洞扫描、漏洞利用和攻击提供依据。

盾悟 8199

网络安全入门—信息收集（完整版）

在信息收集中，需要收集的信息：目标主机的DNS信息、目标IP地址、子域名、旁站和C段、CMS类型、敏感目录、端口信息、操作系统版本、网站架构、漏洞信息、服务器与中间件信息、邮箱、人员、地址、等。CMS：快速搭建网站的内容管理系统，系统模板Web应用框架：快速二次开发的Web应用框架，例如网站，小程序。

Forget_liu的博客 9491

团子杂记：SAP收入确认工具RAR(Revenue Recognition&Reporting)在新收入准则下的应用

SAP收入确认工具RAR知识分享

Lucas1211的博客 4284

网络安全进阶学习第八课——信息收集

信息收集（Information Gathering）信息收集是指通过各种方式获取所需要的信息。渗透的本质是信息搜集，而信息搜集整理为后续的情报跟进提供了强大的保证。目标资产信息搜集的程度，决定渗透过程的复杂程度。目标主机信息搜集的深度，决定后渗透权限持续把控。收集信息越多，渗透越简单、后渗透持续把控越容易。在渗透测试中，信息收集是比较枯燥乏味的一项工作任务，但也是一项很重要的工作，所收集的信息能直接影响到下一步的渗透思路及效果，所以一定要有耐心和准备好持续长期地完成这一项工作任务。

p36273的博客 3792

跟着Synopsys报告，一步步拆解车规芯片FMEDA计算（含公式与避坑点）

本文详细解析了车规芯片FMEDA计算的全流程，基于Synopsys报告拆解实战指南，涵盖基础失效率建模、安全机制效能评估及安全指标合成等关键步骤。通过公式解析、数据准备清单和避坑点分享，帮助工程师掌握ISO26262标准下的硬件量化分析技术，提升车载系统设计可靠性。

weixin_30460489的博客 195

深信服技术认证“SCCA-C”划重点：信服云托管云

该认证包括云数据中心基础、云计算基础、云计算关键技术、云计算交付和运维体系、云计算技术商业应用、信服云托管云、深信服超融合HCI、深信服桌面云aDesk、深信服分布式存储EDS、深信服应用交付AD。学习并获得SCCA-C认证后，可以具备深信服产品功能原理与实践，能够根据业务需求，协助完成云产品方案落地与实施；能够根据业务需求，完成深信服云产品的部署和管理的基本工作。为帮助大家更加系统化地学习云计算知识，高效通过云计算工程师认证，深信服特推出“SCCA-C认证备考秘笈”，共十期内容。

sangfor_edu的博客 613

信息收集10大技巧（非常详细），零基础入门到精通，看这一篇就够了

信息收集10大技巧（非常详细），零基础入门到精通，看这一篇就够了

2302_76672693的博客 3590

扩增子分析|溯源分析在R中的复现：跟着Nature系列文章利用FEAST溯源分析包追溯微生物群落的起源

溯源分析由Liat Shenhav等人在2019年发表在Nature Methods杂志，他们开创的一种分析微生物群落组成结构的方法，通过量化不同微生物样本（来源）在目标微生物群落（汇）中的比例或分数识别微生物群落的潜在来源。该方法自发表以来受到微生物学界广泛关注，该论文截止2024年10月9日已经被引289次，是领域内高被引论文，该方法已经成为Nature，cell系列文章高度关注的方法。

weixin_46814750的博客 3434

2024版最新超全信息收集工具（非常详细），零基础入门到精通，看这一篇就够了

2024版最新超全信息收集工具（非常详细），零基础入门到精通，看这一篇就够了

2302_76672693的博客 6144

OCSP环境搭建--Windows Server 2016

OCSP环境搭建--Windows Server 2016 一. OCSP环境中相关信息 1. 服务器1 操作系统：Win Server 2016 Standard版 IP地址：172.16.0.19/23，网关：172.16.0.1，首选DNS：127.0.0.1 服务器角色：域控制器、证书颁发机构、radius服务器、DNS服务器 ...

CsdnCHong_566的博客 3351

Synopsys SpyGlass 进行 RTL 功耗估计

通过上述脚本，您可以使用 Synopsys SpyGlass 对纯 RTL 代码和带有 FSDB 波形的 RTL 代码进行功耗估计，并支持将 SDC 文件转换为 SGDC 文件。

yumingqinglong的博客 2186

网络安全溯源（非常详细），零基础入门到精通，看这一篇就够了

网络安全溯源（非常详细），零基础入门到精通，看这一篇就够了

分享Python知识 4953

C# WinForm上位机：从串口调试工具到智能温控系统（Modbus RTU协议实战+完整源码）

做工业上位机开发时，我们常从串口调试工具入手：验证设备通信、查看数据帧，但面对实际场景（比如温控、电机控制），单纯的“收发数据”远远不够——需要解析工业标准协议（如Modbus RTU）、实时监控关键指标、实现自动化控制逻辑，还要有稳定的UI交互和数据记录。串口调试工具能收发数据，但看不懂Modbus RTU帧（地址、功能码、寄存器、CRC校验）；想控制温控设备（如加热器、风扇），但不知道如何通过Modbus写入控制指令；手动调节目标温度时，温度波动大，需要PID算法实现精准控温，但不会集成；

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 1304

awvs使用教程（非常详细），零基础入门到精通，看这一篇就够了

awvs使用教程（非常详细），零基础入门到精通，看这一篇就够了

分享Python知识 1万+

RK平台以太网设置中添加代理设置

以太网中配置Configuration的时候可以IpConfiguration的初始化函数来设置代理类型和代理参数。通过添加一个KEY_ETH_PROXY的选项来设置代理的配置，然后再设置以太网静态或者动态的类型时候下发给系统进行设置。

Android系统开发笔记 656

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")

网络安全的信息收集方法有哪些？（非常详细），零基础入门到精通，看这一篇就够了

网络安全的信息收集方法有哪些？（非常详细），零基础入门到精通，看这一篇就够了

分享Python知识 1219

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.

信息收集10大技巧（非常详细），零基础入门到精通，看这一篇就够了_信息搜集方法和步骤

在渗透测试中，信息收集是非常关键的一步，它为后续的漏洞发现和利用提供了重要的基础。信息收集是网络安全领域的重要步骤，分为被动与主动收集两种方式。被动收集通过搜索引擎、网络空间搜索引擎、Whois查询等公开渠道获取信息，隐蔽性高。主动收集则直接与目标系统交互，如端口扫描、网络映射、DNS枚举等，可能留下痕迹，需谨慎操作。社会工程学、旁站和C段扫描等其他方式也常用于信息收集。这些方式共同构成了网络安全中不可或缺的信息收集体系。

程序员阿飘 的博客 2617

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

红客是什么（非常详细），零基础入门到精通，看这一篇就够了

红客是什么（非常详细），零基础入门到精通，看这一篇就够了

隔壁王叔的博客 4068

信息收集中常用的网络搜索引擎（非常详细），零基础入门到精通，看这一篇就够了

信息收集中常用的网络搜索引擎（非常详细），零基础入门到精通，看这一篇就够了

2302_76672693的博客 2608

网络安全领域的 16 个专业（非常详细），零基础入门到精通，看这一篇就够了

网络安全领域的 16 个专业（非常详细），零基础入门到精通，看这一篇就够了

隔壁王叔的博客 2472

2025黑客从零基础入门到精通（超详细），看完这一篇就够了

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。

kjuhfkicf154的博客 1110

网络安全入门必看的5本书籍（非常详细），零基础入门到精通，看这一篇就够了

书中自有黄金屋，书中自有颜如玉。很多人学习一门技术都会看大量的书籍，经常也有朋友询问：零基础刚入门，应该看哪些书？应该怎么学？等等问题。今天就整理了5本零基础入门网络安全必看书籍，希望能帮到每一位认真学习网络安全的朋友！这里的5本书都是安全领域的书籍，像《鸟哥的Linux私房菜》等都是人尽皆知的入门书籍，不做探讨。

qq_44005305的博客 1277

网络安全入门教程（非常详细）从零基础入门到精通，看完这一篇就够了

1.三分钟的热情可以放弃了.2.多练多想,最好看完教程自己独立完成技术方面的开发.

喜欢Python编程的程序员柚柚呀 1546

网络安全入门教程（非常详细），从零基础入门到精通，看完这一篇就够了

没有网络安全就没有国家安全”。当前，网络安全已被提升到国家战略的高度，成为影响国家安全、社会稳定至关重要的因素之一。网络安全行业特点1、就业薪资非常高，涨薪快 2021年猎聘网发布网络安全行业就业薪资行业最高人均33.77万！2、人才缺口大，就业机会多2019年9月18日《中华人民共和国中央人民政府》官方网站发表：我国网络空间安全人才 需求140万人，而全国各大学校每年培养的人员不到1.5W人。

Python_0011的博客 4207

中国十大网络安全公司（非常详细），零基础入门到精通，看这一篇就够了

（非常详细），零基础入门到精通，看这一篇就够了

隔壁王叔的博客 2888
上一篇： 一名黑客一个月赚多少钱（非常详细），零基础入门到精通，看这一篇就够了
下一篇： 网络安全的相关比赛有哪些？（非常详细），零基础入门到精通，看这一篇就够了
点赞 28
评论 0
书签 书签 24
黑客老许
黑客老许
博客等级 码龄8年 6153粉丝 1028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