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
2.2k累计阅读
2.3k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
此类技术可用于游戏开发，软件调试。利用python完成程序的业务逻辑，利用python灵活性，节约软件开发成本。
出于安全考虑，不放出相应代码，只做技术交流
首先用ndk交叉编译python运行环境，生成libpython.so以及其它要使用的python库导出运行python代码接口集成python调用java库
其次编写加载远控功能代码so库,此so调用上述中的接口执行python代码，用python语言负责远控逻辑,利用pythonrpc机制实现 远程代码执行。
向apk中插入新的dex修改Apk执行入口，由代理dex加载远控so,由远控so负责环境检测，功能代码更新，功能执行。
至此目标程序中的增加代理dex和python运行环境。
利用python的rpc机制远程执行远控功能(短信获取，应用数据获取，截屏等)
剩下的事就是写各种功能模块，远程执行模块。
总结：
此类技术可用于游戏开发，软件调试。利用python完成程序的业务逻辑，利用python灵活性，节约软件开发成本。
Kali Linux远程控制安卓实战：ADB+SSH+Termux构建安全测试环境
远程控制技术是移动安全测试和自动化运维的核心基础，其原理通常基于客户端-服务器架构，通过建立加密通信隧道实现远程交互。在技术实现上，ADB（Android Debug Bridge）作为安卓设备调试的官方工具，提供了底层的设备连接能力，而SSH（Secure Shell）协议则为远程会话提供了稳定、安全的加密通道。结合Termux这一强大的安卓端Linux环境，技术人员可以构建一个完整的远程命令行交互平台。这种技术组合在移动应用安全测试、自动化脚本执行和设备远程管理等场景中具有重要价值，能够实现对安卓设备的
【Android】局域网屏幕共享与反向控制功能的实现
局域网屏幕共享与反向控制APP，仿QQ远程协助功能，能够在局域网内用一台手机控制另一台手机。
Python实现手机远程控制电脑的后端
在本文中，我们将介绍如何使用Python编写后端代码，实现通过手机监控和远程控制电脑的功能。我们将使用Python的Socket库来建立客户端和服务器之间的通信，以及PyAutoGUI库来模拟鼠标和键盘操作。一旦连接建立，它将返回一个新的套接字对象和客户端的地址。现在，我们已经建立了与手机客户端的连接，我们可以开始接收来自手机的指令并执行相应的操作。库模拟鼠标和键盘操作，我们可以实现手机监控和远程控制电脑的功能。一旦服务器准备好接受连接，我们需要等待手机客户端的连接请求，并接受连接。
YYDS！轻松用Python控制你的手机_使用python和adb(android debug bridge)的脚本示例
Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
Windows10检查Cuda和cuDNN是否安装成功？
简介：根据上篇博客已经完成了CUDA和cuDNN的安装步骤，完成对其的安装。下面将来检查它们是否安装成功。 1 .首先win+R进入CMD，在命令行输入nvcc -V，如下图所示，则表示cuda已经安装成功。 2 .进入到cuda的安装路径，C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite，找到如下两个.exe文件： 首先执行：deviceQuery.exe，查看是否出现如下界面： 然后执行bandwid
告别付费！手把手教你用DataV.GeoAtlas获取全国街道级GeoJSON数据（附完整避坑指南）
本文详细介绍了如何免费使用阿里云DataV.GeoAtlas工具获取全国街道级GeoJSON数据。通过可视化选取、格式转换、数据校验等步骤，提供了一套完整的避坑指南和工作流，帮助前端和可视化开发者高效解决高精度地图数据获取难题，节省成本并提升开发效率。
安卓手机远程控制测试
本文将介绍如何使用不同的编程语言来实现安卓系统的远程测试，并指导读者正确使用远程控制技术，以及如何防范非法远程控制行为。这些语言都有丰富的库和工具，市面现有的远程软件，小编亲测过多个，最好用的还是LX远控，获取的渠道，是在。通过本文的介绍，相信读者对安卓手机远程控制测试有了更深入的了解，也能更好地应用和防范相关技术。使用可信赖的安全软件，如防病毒程序和防火墙，以阻止恶意远程控制攻击。提供清晰的使用说明和操作指南，以便用户了解远程控制的具体行为。确保获得用户授权，不得擅自进行远程控制操作。
OCR模型轻量化新思路：用ONNX Runtime加速PP-OCRv4推理（附性能对比测试）
本文详细介绍了如何利用ONNX Runtime对PP-OCRv4模型进行轻量化部署与推理加速。通过模型导出优化、动态量化、线程绑定及内存复用等技巧，在树莓派、RK3588等边缘设备上实现了超过50%的性能提升，并显著降低了内存占用，为移动端OCR部署提供了完整的优化方案和实测数据对比。
使用Python语言远程控制Android手机
Swipe_the_screen_button = tk.Button(new_window1, text="手机滑屏", command=Swipe_the_screen)get_app_names_button = tk.Button(new_window3, text="获取app名称", command=get_app_names)return_button = tk.Button(new_window2, text="返回", command=Remote_control_window1)
斑马打印机状态监控进阶：不用SDK也能获取打印状态的3种野路子
本文介绍了三种不依赖官方SDK的斑马打印机状态监控方法，包括SGD命令、TCP端口嗅探和共享打印机日志分析。这些方案适用于老旧系统或网络受限环境，帮助运维人员实时掌握打印状态，提升设备管理效率。特别适合工业自动化和物流仓储场景中的应急处理。
IMU660RA姿态解算实战：从传感器滤波到欧拉角输出的完整实现
本文详细介绍了IMU660RA姿态解算的完整实现过程，从传感器滤波到欧拉角输出。通过实战案例和代码示例，展示了如何有效处理陀螺仪和加速度计的噪声问题，并选择合适的算法进行数据融合和姿态解算。特别强调了欧拉角输出中的坐标系对齐和动态补偿技巧，帮助工程师快速掌握IMU660RA的应用。
如何用 Python 实现安卓机自动化？
这是「进击的Coder」的第 745篇技术分享作者：Jack Cui来源：Jack Cui“ 阅读本文大概需要 6 分钟。 ”今天给大家介绍一套安卓机自动化解决方案#投屏软件：ScrcpyScrcpy，全称 screen copy，是一款开源的手机无线投屏软件。而且还是跨平台的，无论是在 Linux、Windows 还是 macOS 上都能使用。项目地址：https://github.com/...
海思芯片YOLOv8模型部署完整指南：从RPN硬化到8bit量化精度优化
本文详细介绍了在海思芯片平台部署YOLOv8目标检测模型的完整方案，重点解决8bit量化精度损失问题。通过分析海思RPN硬化层的性能优势（1.9ms推理时间），对比不同量化策略（16bit仅损失0.6AP，8bit损失5.2AP），并深入定位到strides计算层是量化误差的主要来源。关键突破在于采用混合精度策略（敏感层16bit，其余8bit），使8bit量化AP回升4.1%，同时保持3.4ms的推理速度和60%的低NPU占用率。文章还提供了量化参数调整、校准数据集优化等进阶技巧，为边缘计算应用提供了性能
chatgpt赋能python：Python操作ADB：实现Android设备的远程控制
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。
手把手教你学Simulink--使用Simulink进行双冗余电机驱动系统的故障切换验证
提高系统可靠性：当一个电机或其驱动器出现故障时，另一个可以立即接管，避免系统停机。增强安全性：对于一些关键任务的应用场景（如飞行控制），确保即使在硬件故障情况下也能维持基本操作能力。简化维护：允许在不影响系统正常工作的情况下进行维护和更换故障部件。确定可能发生的故障类型（如过流、欠压、温度过高），以及每种故障对应的条件。通过上述步骤，我们简要介绍了如何基于Simulink实现双冗余电机驱动系统的故障切换验证。
【肝帝一周总结：全网最全最细】十万字python教程，学不会找我！教到你会为止！！内容超多，建议收藏慢慢看！
文章目录前言一定要看python入门python缩进Python注释Python 变量1. 定义理解2. 变量名命名3. 分配多个值4. 输出变量5. 全局变量 前言一定要看 python能干什么？有什么用？好处在哪？不要我讲了，这不是我在博客该讲的，言简意赅就是：通俗易懂，上手快，实用强。我会根据自己个人理解以及国外官网翻译为中文对大家进行讲解。完整源码我也会在最下面带上地址。内容过多，我不会全部演示，你完全可以复制粘贴到自己的pycharm上运行即可。 不管是国内的菜鸟教程还是我在这里的翻译，至少你跟
使用java与python实现的安卓手机远程控制电脑的代码
使用java与python实现安卓手机远程控制电脑的代码
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
如何用Android MCP Server轻松实现Android设备远程控制？完整指南
Android MCP Server是一款基于ADB（Android Debug Bridge）的MCP（模型上下文协议）服务器，能够帮助开发者通过程序化方式远程控制Android设备。无论是自动化测试、开发调试还是远程设备管理，这款免费工具都能提供稳定高效的解决方案，让Android设备控制变得前所未有的简单。 ## ???? 核心功能：为什么选择Android MCP Server？ ### ...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
kali远程控制
切换为root用户之后，可以对安卓机进行最大权限的控制，比如关闭selinux、读取文件等。按目标系统分：Windows、Androd、iOS、各种版本的Linux操作系统。Netcat工具的使用：（以Metasploitable 2的80端口为例进行测试）2、输入shell，执行各种命令，如查看操作系统信息、切换到root用户等。3、打开cmd执行各种命令，如查看文件夹内容、操作系统信息、关机。5、打开cmd执行各种命令，如查看文件夹内容、操作系统信息、关机。
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
使用MSFPC远程控制
切换为root用户之后，可以对安卓机进行最大权限的控制，比如关闭selinux、读取文件等。按目标系统分：Windows、Androd、iOS、各种版本的Linux操作系统。Netcat工具的使用：（以Metasploitable 2的80端口为例进行测试）2、输入shell，执行各种命令，如查看操作系统信息、切换到root用户等。按连接方式分：正向、反向（注意：现在大都采用反向远程控制方式）5、打开cmd执行各种命令，如查看文件夹内容、操作系统信息、关机。（2）在安卓虚拟机中弹出提示信息，选择“允许”。
python群控安卓_GitHub - weithink/AndroidControl: 超强群控，可以实时查看和控制安卓手机的安卓远程控制软件，致力于完成一个高端的安卓群控软件 可以群控，录制运行脚...
AndroidControl非常抱歉，因为工作繁忙，有很长一段时间没有更新了。 有很多人加群也没有及时通过。。。在这里郑重的说声 抱歉！ 非常感谢大家的支持！我打算重构此项目的代码，下面介绍原因：去ADB化ADB很容易被其他程序或者用户操作干扰，导致连接中断Android的碎片化导致很多人不知道如何配置ADB环境性能较差服务器准备使用python替代java一开始选择Java的原因是因为ddmli...
安卓手机远程控制DIY智能家居设备(ESP8266)
一、准备材料: 手机（安卓手机，如果没有请忽略整篇文章）。 电脑（windows， 如果没有请忽略整篇文章，此文章不适合大神阅读）。 DIY智能设备（ESP8266基本上是绕不过去的，如果没有那就买一套，最 多也就几十块钱，如果没有也不想买请忽略本文的绝大部分内容） 网络服务器（可以在阿里、腾讯、华为等平台租赁服务器，最低配置的就可以了！花费几十到几千，可以找促销活动的时候买，我在腾讯140米买了3年的一个最低配置的服务器，目前对我来说完全足够使用了！）。 服务器域名（自己玩的话可以忽略,反..
ADB Shell终极指南：5分钟掌握安卓设备远程控制
ADB Shell是一款基于Python实现的强大工具，提供了安卓设备的远程控制和文件同步功能。无论是开发者调试应用，还是普通用户管理设备，ADB Shell都能让你轻松实现对安卓设备的高效控制。 ## 快速安装：3种方式任选 ### 基础安装 通过pip命令即可快速安装ADB Shell核心功能： ``` pip install adb-shell ``` ### 异步支持安装 若需要使用
ws-scrcpy – 用浏览器远程控制 Android 手机，实现云手机效果
项目运行环境1、安装node版本管理器nvm安装，可以指定根据需求指定版本安装2、安装node（版本14.20.0）3、安装node-gyp也要使用旧版本（7.1.2）4、安装pyenv，python管理工具5、安装python3.9.5手机连接环境1、安装adb工具。
安卓脚本用什么写_python脚本控制安卓手机，可以用来做什么你知道吗？
有的时候想写写安卓的脚本，不过用 java 或者 kotlin 写图像处理什么的太麻烦了，按键精灵的脚本我也懒得学。adb 倒是可以，但是很多时候要用电脑，又有些不太方便。感觉现在云手机比较方便吧，比如说：红手指、爱云兔这种，我比较喜欢用云手机这种挂一挂机，在手机上随时都能看看挂机的进度什么的。于是就写了个基础的安卓端的接收器，用来接收服务端 python 的控制命令，从而对安卓机进行操...
安卓远控木马病毒测试
本文将介绍如何使用不同的编程语言来实现安卓系统的远程测试，并指导读者正确使用远程控制技术，以及如何防范非法远程控制行为。这些语言都有丰富的库和工具，市面现有的远程软件，小编亲测过多个，最好用的还是LX远控，获取的渠道，是。通过本文的介绍，相信读者对安卓手机远程控制测试有了更深入的了解，也能更好地应用和防范相关技术。使用可信赖的安全软件，如防病毒程序和防火墙，以阻止恶意远程控制攻击。提供清晰的使用说明和操作指南，以便用户了解远程控制的具体行为。确保获得用户授权，不得擅自进行远程控制操作。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
403
扫一扫
