信息收集（一）域名信息收集（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 1.2k累计阅读 1.2k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 2026-06-16 10:42:50 发布 1.2k 阅读 AI 写同款· GEO 优化 ›
电动汽车远程监控与诊断软件：BMW ConnectedDrive EV远程监控二次开发_7.数据安全与隐私保护 数据加密是保护数据安全的重要手段之一。在电动汽车远程监控与诊断软件中，加密技术可以确保数据在传输过程中的安全性和完整性。常见的加密技术包括对称加密和非对称加密。 阅读详情
前言

信息收集也叫做资产收集。信息收集是渗透测试的前期主要工作，是非常重要的环节，收集足够多的信息才能方便接下来的测试，信息收集主要是收集网站的域名信息、子域名信息、目标网站信息、目标网站真实IP、敏感/目录文件、开放端口和中间件信息等等。通过各种渠道和手段尽可能收集到多的关于这个站点的信息，有助于我们更多的去找到渗透点，突破口

一般渗透测试的流程是这样的：

外网信息收集–>打点（边界突破）–> 内网渗透

域名信息收集

什么是域名？

域名（英语：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（有时也指地理位置）。

由于IP地址具有不方便记忆并且不能显示地址组织的名称和性质等缺点，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。

列如：baidu.com、qq.com、abc.com

域名的分类

域名也有分类

一、种类分类

1、域名按语种的不同划分

中文域名、英文域名、日文域名和其他语种的域名

2、按域名所在的域的不同划分

顶级域名、二级域名.com域名是使用最早也最广泛的域名。例如表示工商企业的.com。表示网络提供商的.net。表示非盈利组织的.org。二是国家域名，又称为国内顶级域名（national
top-level
domainnames，简称nTLDs），即按照国家的不同分配不同后缀，这些域名即为该国的国家顶级域名。目前200多个国家和地区都按照ISO3166国家代码分配了顶级域名，例如中国是cn，美国是us，日本是jp等

3、按管理机构的不同分为

国际域名由非营利性国际组织ICANN（The Internet Corporation for Assigned Names and
Numbers）运营管理—以.com、.net、.org、.cc
、.tv等根域为后缀的域名,国家域名—在的后面再加上国家代码（如中国为.CN，日本为.JP，英国为.UK）后缀的域名

4、按后缀的不同形式分为

  • .COM 商业性的机构或公司
  • .ORG 非盈利的组织、团体
  • .GOV 政府部门
  • .MIL 军事部门
  • .NET 从事Internet相关的的机构或公司
  • .AC 科研机构
  • .EDU 教育机构，互联网通用顶级域之一，主要供教育机构，如大学等院校使用
  • .ARPA，由ARPANET（美国国防部高级研究计划局建立的计算机网）沿留的名称，被用于互联网内部功能
  • .BIZ 网络商务向导，适用于商业公司（注：biz是business的习惯缩用）
  • .info 提供信息服务的企业
  • .pro适用于医生、律师、会计师等专业人员的通用顶级域名
  • .name 适用于个人注册的通用顶级域名
  • .coop 适用于商业合作社的专用顶级域名
  • .travel 旅游域名，国际域名
  • .int 国际组织
什么是子域名

比如whoami.com是一个域名，那么a.whoami.com、b.whoami.com类似这样的格式的域名就是whoami.com的子域名,都是属于whoami.com的资产

怎么查询子域名？
OneForAll

下载地址：OneForAll是一款功能强大的子域收集工具

在渗透测试中信息收集的重要性不言而喻，子域收集是信息收集中必不可少且非常重要的一环，目前网上也开源了许多子域收集的工具，但是总是存在以下部分问题：

  • 不够强大，子域收集的接口不够多，不能做到对批量子域自动收集，没有自动子域解析，验证，FUZZ以及信息拓展等功能
  • 不够友好，固然命令行模块比较方便，但是当可选的参数很多，要实现的操作复杂，用命令行模式就有点不够友好，如果有交互良好，高可操作的前端那么使用体验就会好很多
  • 缺少维护，很多工具几年没有更新过一次，issues和PR是啥，不存在的
  • 效率问题，没有利用多进程，多线程以及异步协程技术，速度较慢

为了解决以上痛点，此项目应用而生，正如其名，OneForAll是一款集百家之长，功能强大的全面快速子域收集终极神器

工具的安装和使用

下载好OneForAll，进入到OneForAll的目录下，执行以下命令安装OneForAll所需的环境依赖

python3 -m pip install -U pip setuptools wheel -i https://mirrors.aliyun.com/pypi/simple/



pip3 install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/

在这里插入图片描述

OneForAll扫描网站

单个目标网站扫描

python oneforall.py --target baidu.com run
# --target 指定扫描的网站

在这里插入图片描述

扫描完成后会在oneforall的目录下的result文件夹里生成爆破出来的子域名

在这里插入图片描述

批量扫描

python oneforall.py --targets target.txt run
#target.txt写上需要批量爬取域名

在这里插入图片描述

扫描后的结果同样会在oneforall的目录下的result文件夹里生成

全部扫描完成后还会生成一个excal表格，非常方便查看和筛选域名信息

在这里插入图片描述

subDomainBrute

subDomainsBrute是一款高并发的DNS暴力枚举工具

下载地址：subDomainsBrute下载地址

工具的安装和使用

下载好subDomainsBrute后，进入目录，执行以下代码安装环境依赖

pip install dnspython gevent

在这里插入图片描述

用法：subDomainsBrute.py[选项]target.com
选项：
--version 显示程序的版本号并退出
-h、--help 显示此帮助消息并退出
-f FILE文件包含新的换行子，默认为subnames.txt文件。
--full 完全扫描，将使用NAMES FILE subnames_full.txt暴力破解
-i、 --ignore-intranet 忽略指向专用IP的域
-w、--wildcard  通配符测试失败后强制扫描
-t THREADS, --threads=THREADS 扫描线程数，默认200
-p PROCESS, --process=PROCESS 扫描进程数，默认为6
-o OUTPUT, --output=OUTPUT    输出文件名称 {target}.txt
subDomainsBrute扫描网站
python subDomainsBrute.py -t 20 baidu.com -o baidu.txt

在这里插入图片描述

当网站扫描完成后，会在 subDomainsBrute目录下生成一个baidu.txt文件，里面存放着百度的子域名信息

在这里插入图片描述

在线网站查询子域名

除了使用工具去查询子域名，我们还可以使用在线网站去查询子域名

网站地址：https://phpinfo.me/domain/

在这里插入图片描述
网站地址：https://site.ip138.com/

在这里插入图片描述

通过证书平台发现子域名

如果我们不想使用暴力枚举的方式获得子域名，我们还可以通过证书平台去获取子域名

我们使用谷歌浏览器打开百度

在这里插入图片描述
注意这个锁的图像，我们点击他

在这里插入图片描述

我们接着点击【连接是安全的】

在这里插入图片描述

我们接着点击【证书有效】

然后我们在证书的主题背景的备用名称中找到当前网站的子域名信息，如下图所示

在这里插入图片描述
这是一种通过证书查域名的方式

此外，我们还可以通过一些证书平台去查询域名

网站地址：https://crt.sh/

在这里插入图片描述

点击【search】查询

在这里插入图片描述

网站地址：https://search.censys.io/

在这里插入图片描述

点击【search】查询

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
#域名信息收集 #网络
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。
华为OD机试 - 报文响应时间 - 贪心算法、位运算（Python/JS/C/C++ 2024 E卷 200分） 贪心算法是在每一步选择中都做出当前最优的选择，期望通过局部最优解推导出全局最优解的算法。 阅读详情

相关推荐

【卫星语音通信】神经网络语音编解码算法：AudioDec

最新研究表明，通过深度学习模型对语音信号进行智能压缩与重建，可在12 kbps码率下实现48 kHz采样率的高保真语音还原，其主观音质评分（MOS）可达3.9分（满分4.27分），远超传统参数编码技术。这意味着未来卫星电话的通话质量有望达到CD级水准，而蜂窝网络的语音业务带宽需求可降低60%以上，为蜂窝和卫星网络中的大规模物联网语音交互铺平道路。它的诞生为神经音频编解码技术带来了一次重要升级，有助于让未来实时语音交互更流畅、更清晰，也让我们进一步体验到人工智能与音频信号处理结合所带来的创新可能性。

u011376987的博客 1473

信息收集（一）域名信息收集

域名（英语：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（有时也指地理位置）。由于IP地址具有不方便记忆并且不能显示地址组织的名称和性质等缺点，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。列如：baidu.com、qq.com、abc.com。

把自己活成一道光，因为你不知道，谁会借着你的光，走出了黑暗。请保持心中的善良，因为你不知道，谁会借着你的善良，走出了绝望。请保持你心中的信仰，因为你不知道，谁会借着你的信仰，走出了迷茫。请相信自己的力量，因为你不知道，谁会因为相信你，开始相信了自己.... 2590

Unity3D 简单水面shader的实现

实现思路 今天来实现一个简单的水面效果。水面的话主要是以下几个效果叠加 1.水面的动态波浪效果，我们这里使用最简单的正弦波加上法线贴图来模拟。如果想要更精确的波动效果可以考虑使用Gerstner波 2.不同水深颜色不同的效果，使用该顶点深度和顶点坐标的差值来计算深度，然后映射到颜色 3.浪涌效果，还是根据顶点深度和顶点坐标的差值来计算深度，然后叠加上一层浪涌 4.折射效果，用grabpass，采样之后进行偏移，最后叠加上去。 代码实现 首先是顶点位移函数，使用正弦函数代入顶点的x坐标和z坐标来算，因为这里写

o83290102o5的博客 1万+

超详细信息收集篇

超详细信息收集篇

weixin_56306210的博客 2301

LLM大模型-vLLM本地部署全流程：Windows WSL2环境安装、HuggingFace与Modelscope模型加载与本地运行、Docker化部署与镜像分发

vLLM本地部署大模型方案 vLLM是一款高性能大模型推理引擎，通过PagedAttention技术显著提升吞吐量和内存效率，支持低成本、高并发的本地部署。 核心优势： 性能卓越：吞吐量远超同类方案，支持连续批处理等高级功能 成本优化：减少GPU服务器需求 兼容性强：提供类OpenAI的简洁API 部署步骤： 硬件准备：需NVIDIA GPU（如A100/3090），显存≥模型参数量×2（7B模型需14GB） 软件环境： Linux系统或Windows WSL2 安装CUDA 12.1+和Python 3.

2202_75674969的博客 4566

JAVA实战：通过营地号解析王者荣耀用户数据（战绩、英雄、皮肤全掌握）

本文详细介绍了如何使用JAVA通过营地号解析王者荣耀用户数据，包括战绩、英雄和皮肤信息。通过HttpClient发送请求并解析JSON数据，开发者可以获取玩家对局详情、英雄使用情况和皮肤偏好等关键指标，为游戏数据分析提供实用解决方案。

sun99的博客 868

域信息收集

不同，但是有IP地址，说明机器存活，但是可能有防火墙，防火墙反正ping。加入域后，域内机器可以通过域名（短域名可以，完整域名也可以）进行通信。是基于powershell的，win7以后才能用。一定要以管理员身份运行。显示出来的域名，就是域控的域名，可以直接。收集版本、补丁、服务、任务、防护等。，创建的文件中都会有相应的属性。一般DNS服务是安装在域控上的。每个用户登录成功，都会有一个。，需要root权限。，可以收集Xshell凭据。是用来获取系统密码的，CS插件：Fscan。

qq_55202378的博客 1010

Anthropic三件套重构AI工作流：Claude Code、Design与桌面宠物实战指南

AI协作已从单点工具迈入系统化工作流阶段。理解AI作为‘协作者’而非‘执行器’的本质，是提升工程效率的关键前提；其核心在于对任务调度、自适应推理与人机交互边界的重新定义。Claude Code的xhigh effort机制体现了分层推理的工程智慧，Claude Design以HTML为原生设计语言实现设计-代码一体化，而桌面宠物则将抽象的token消耗具象为可感知的硬件反馈。这些能力共同指向一个趋势：AI工作流正从prompt调参走向契约式委派、从界面割裂走向跨模态统一。本文结合Opus 4.7最新实践，解

a4512138的专栏 484

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

基于PCL的电力线点云提取与分割实现

本文基于PCL库实现电力线点云提取与分割，包含6个核心处理阶段：文件读取与结果文件夹创建、高程滤波分割候选点云、欧式聚类去噪、电力线分段提取、球形邻域搜索补全点云、最终分割与可视化保存。通过PCA计算点云线性特征（阈值0.91）筛选电力线点，采用欧式聚类（容忍度3.0）去除噪点，并针对不同规模聚类差异化设置球形搜索半径（4.0/6.0）补全点云。最终通过欧式聚类分割并可视化带颜色点云。算法对高程滤波阈值、聚类参数等具有敏感性，需根据点云特性调整优化。

weixin_45196569的博客 192

论文复现５：UMI Universal Manipulation Interface

UMI 采用手持式夹具，加上精心的界面设计，可实现便携式、低成本和信息丰富的数据收集，以进行具有挑战性的双手和动态操作演示。配备这些功能后，UMI 框架解锁了新的机器人操作功能，只需更改每个任务的训练数据，即可实现零样本可推广的动态、双手、精确和长视野行为。我们通过全面的现实世界实验展示了 UMI 的多功能性和有效性，其中通过 UMI Zeroshot 学习的策略在对不同的人类演示进行训练时可以推广到新的环境和对象。项目主页：https://umi-gripper.github.io/

github_38060285的博客 1974

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

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

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

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

隔壁王叔的博客 1317

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")

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/

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

要说简单粗暴还是子域名枚举爆破，通过不断的拼接字典中的子域名前缀去枚举域名的A记录进行DNS解析，如果成功解析说明子域名存在。如xxx.com拼接前缀test组合成test.xxx.com，再对其进行验证。但是域名如果使用泛解析的话，则会导致所有的域名都能成功解析，使得子域名枚举变得不精准。nslookup验证下~泛解析域名，成功解析不存在的域名。普通解析，不存在的域名解析会失败。泛解析：使用通配符来匹配所有的子域名，从而实现所有的子级域名均指向相同网站空间。会存在域名劫持、域名恶意泛解析风险。

Python_0011的博客 9537

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

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

2025版最新超全信息收集工具（非常详细）零基础入门到精通，收藏这一篇就够了

想要构建一个"上帝视野"，前期的信息收集工作是必不可少的，无论是了解一个人、一项业务、还是深入一个系统等，都需要“信息”。大佬曾说过，渗透测试的本质是信息收集，而个人直观感受就是“意料之外，情理之中”。本文就简单整理下打点前的信息收集那些事。从信息收集本质上来说多数内容都是大同小异，遇到坚壁时，不用死磕，毕竟条条大路通罗马。

A1_3_9_7的博客 4585

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

信息收集：DNSenum初识（非常详细），零基础入门到精通，看这一篇就够了

信息收集：DNSenum初识（非常详细），零基础入门到精通，看这一篇就够了

分享Python知识 750

常用信息收集方法（非常详细）从零基础入门到精通，收藏这篇就够了_信息搜集工具

摘要： 信息收集分为被动和主动两种方式。被动收集通过第三方工具（如Google、Shodan）获取目标域名、IP、子域名等基础信息；主动收集则通过直接扫描目标主机，获取更详细的端口、CMS、防火墙等数据。常用工具包括Shodan（搜索引擎）、Maltego（情报可视化）、Whois（域名注册信息）、nmap（端口扫描）等。此外，子域名挖掘（Layer、fierce）、目录扫描（御剑、Dirb）和旁站/C段分析也是关键步骤。信息收集需先被动后主动，逐步缩小范围，为后续渗透测试提供精准目标。

程序员阿飘 的博客 3612

2025版最新超全信息收集工具（非常详细）零基础入门到精通，收藏这一篇就够了_1.一些单位或机构把和自己相关、相似的域名都进行了注册,并把这些域名指向同一 个

想要构建一个"上帝视野"，前期的信息收集工作是必不可少的，无论是了解一个人、一项业务、还是深入一个系统等，都需要“信息”。大佬曾说过，渗透测试的本质是信息收集，而个人直观感受就是“意料之外，情理之中”。本文就简单整理下打点前的信息收集那些事。从信息收集本质上来说多数内容都是大同小异，遇到坚壁时，不用死磕，毕竟条条大路通罗马。

HUANGXIN9898的博客 2万+

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

信息收集之子域名收集技巧总结，从零基础到精通，收藏这篇就够了！

信息收集，渗透测试的敲门砖，这话没错。但别一上来就吭哧吭哧扫端口，子域名这块宝藏，你挖透了吗？本文不打算复读机式地罗列工具，而是要带你玩转子域名收集的各种骚操作，保证干货满满，看完就能上手。简单说，就是寄生在主域名下的"小弟"，比如之于。为啥要找它？因为相比戒备森严的主站，这些小弟往往疏于防范，更容易被我们"下手"。-inurl:www。

喜欢Python编程的程序员柚柚呀 1014

【2025版】最新渗透测试信息收集指南，零基础入门到精通，收藏这篇就够了

用户应自行承担使用这些资料的风险，并在使用前进行充分的了解和评估。内容概要：包括 内网、操作系统、协议、渗透测试、安服、漏洞、注入、XSS、CSRF、SSRF、文件上传、文件下载、文件包含、XXE、逻辑漏洞、工具、SQLmap、NMAP、BP、MSF…通过Whois查询可以查看域名的DNS服务器，从而获得域名的IP地址，可以对其做一定的管理，比如更改DNS记录，实现域名的解析等。网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己录的网安视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

ewii12567的博客 1万+
上一篇： 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
下一篇： 揭秘破解密码的常见方法和手段（非常详细），零基础入门到精通，看这一篇就够了
点赞 7
评论 0
书签 书签 10
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