Linux系统中的入侵检测与系统运维

在当今数字化时代,计算机系统和网络安全变得尤为重要。对于Linux系统管理员来说,保护系统免受入侵和安全漏洞的攻击是至关重要的任务之一。为了实现这一目标,入侵检测系统(Intrusion Detection System,简称IDS)成为了不可或缺的工具。本文将介绍Linux系统中的入侵检测和系统运维,并提供一些相关的源代码示例。

  1. 入侵检测系统(IDS)简介
    入侵检测系统(IDS)是一种用于监测并检测计算机网络中的非法活动、安全事件和攻击的工具。它可以通过监视网络流量、系统日志和其他相关数据来识别潜在的入侵行为。IDS可以分为两类:基于主机的入侵检测系统(Host-based IDS,HIDS)和基于网络的入侵检测系统(Network-based IDS,NIDS)。

  2. 基于主机的入侵检测系统(HIDS)
    基于主机的入侵检测系统(HIDS)是安装在主机上的软件,用于监测和检测主机上的异常活动和入侵行为。HIDS可以监测文件系统的变化、登录活动、进程行为等。下面是一个使用开源工具Tripwire实现主机完整性检查的示例:

# 安装Tripwire
sudo apt-get install tripwire

# 初始化Tripwire数
Linux服务器安全加固实战:从基线配置到入侵检测与应急响应 在服务器安全领域,纵深防御体系是保障系统安全的核心架构。其原理在于通过多层次、多角度的防护措施,构建从网络边界到主机内部的完整安全链条,从而有效抵御各类网络攻击。这一体系的技术价值在于能够显著提升攻击者的入侵成本,降低单点失效风险,实现安全风险的早发现、早处置。在Linux服务器运维场景中,纵深防御具体体现为初始安全加固、持续监控和应急响应三大环节。通过配置SSH安全策略、实施强密码认证、部署防火墙规则等基线加固措施,结合Lynis自动化审计工具进行安全扫描,并利用AIDE文件完整性监控和集中化日志管理技术 阅读详情

相关推荐

Linux主机安全可视化运维(免费方案)

本文介绍如何使用免费的主机安全软件,在自有机房或企业网络实现对Linux系统进行可视化的“主机安全”管理。

炀炀的专栏 2267

三年Linux运维工作总结教训

阅读目录 一、线上操作规范 二、涉及数据 三、涉及安全 四、日常监控 五、性能调优 六、运维心态 Linux运维一定要知道的六类好习惯和23个教训,避免入坑! 从事运维三年半,遇到过各式各样的问题,数据丢失,网站挂马,误删数据库文件,黑客攻击等各类问题。 今天简单整理一下,分享给各位小伙伴。 回到顶部 一、线上操作规范 1.测试使用 当初学习Linux的使用,从基础到服务到集群,都是在虚拟机做的,虽然老师告诉我们跟真机没有什么差别,可是对真实环境的渴望日渐上升,不过虚拟机的各种快照却

javalingyu的博客 952

Linux系统架构与安全运维:从基础概念到网络安全实战

Linux操作系统作为开源技术的核心代表,其内核负责管理进程、内存和硬件资源,通过系统调用为用户程序提供底层服务。这种模块化架构赋予了Linux卓越的安全性、稳定性和灵活性,在服务器部署、云计算和网络安全领域具有不可替代的技术价值。特别是在渗透测试、漏洞分析和安全运维等应用场景中,对Linux文件系统、用户权限和进程管理的深入理解成为从业者的必备技能。掌握Shell命令行的自动化能力与权限控制机制,能够有效提升Kali Linux等安全工具的操作效率,为构建健壮的防御体系奠定基础。

weixin_42522552的博客 353

运维工程师面试核心考点与实战技巧解析

Linux系统管理和网络排障是运维工程师的核心技能,涉及性能排查、文件系统故障处理等关键技术。通过top、vmstat等命令组合可快速诊断CPU、内存及磁盘IO问题,而tcpdump和netstat则是网络故障排查的利器。自动化运维工具如Ansible和监控系统Prometheus的应用,能显著提升运维效率。容器化技术Docker和Kubernetes的排障命令,如docker stats和kubectl describe,是现代运维必备技能。安全运维需掌握入侵检测和权限管理,而故障处理流程的标准化能有效应

weixin_31315567的博客 307

Linux系统管理与网络配置实践

本文详细介绍了Linux系统管理中的多个关键技术操作,包括定时任务删除、Shell退出、Fedora终端登录、xeyes程序运行机制、进程终止信号选择、CUPS远程打印配置、用户账户管理、网络子网划分、文件压缩与传输、r命令安装使用、硬件故障排查日志、服务器性能监控、辅助技术配置以及Tripwire入侵检测系统部署。内容覆盖系统运维、网络管理和安全防护等多个方面,适合Linux系统管理员和学习者参考。

v6b7n8m9q0的博客 974

Linux系统安全加固与运维实战指南

Linux系统安全是运维工程师必须掌握的核心技能,涉及身份认证、访问控制、网络防护等多个维度。通过配置SSH安全策略、启用SELinux、优化防火墙规则等技术手段,可以有效防范常见攻击。在云计算和容器化环境下,传统的安全边界逐渐模糊,系统级防护尤为重要。本文基于实战经验,详细讲解账户权限管理、入侵检测、容器安全等关键环节的最佳实践,帮助工程师构建全方位的Linux安全防御体系。特别针对SELinux配置、Docker安全加固等高频技术难点提供可落地的解决方案。

weixin_42567279的博客 348

网络空间安全(43)Linux实战篇

网络空间安全——Linux实战篇

m0_73399576的博客 1086

Linux服务器安全实战:从SSH加固到入侵检测与系统深度防护

在云计算和远程运维成为常态的今天,服务器安全是每个开发者和运维人员必须掌握的核心技能。其基础原理在于通过身份验证、访问控制和最小权限原则构建纵深防御体系。这项技术的核心价值在于保护企业核心资产与数据,防止因入侵导致的服务中断、数据泄露及资源滥用。典型的应用场景包括暴露在公网的Web服务器、数据库服务器以及持续集成/部署环境。本文将聚焦于Linux环境下最常见的安全威胁——SSH暴力破解与挖矿木马,通过实战演示如何从攻击入口加固、入侵痕迹排查到系统级免疫,构建一套闭环防御方案,其中Fail2ban动态封禁和C

注重长远 天天积累 cqujsjcyj 356

Linux入侵检测实战:从HIDS/NIDS原理到ELK告警分析流水线构建

入侵检测系统是网络安全纵深防御体系的关键组成部分,其核心原理在于通过持续监控系统与网络活动,识别偏离正常基线的恶意行为。从技术实现上,主要分为基于主机的入侵检测和基于网络的入侵检测两大方向,分别聚焦于系统内部日志、文件完整性及网络流量分析。在工程实践中,结合规则匹配与异常行为分析两种方法论,能够有效覆盖已知威胁并探测未知风险。以Wazuh为代表的HIDS工具和以Suricata为核心的NIDS方案,通过部署代理与服务器架构,实现了对关键文件和网络流量的实时监控与告警。为实现企业级安全运营,需要将分散的检测数

weixin_29325007的博客 250

Linux系统安全基石:Tripwire文件完整性监控实战部署与深度调优

文件完整性监控是主机入侵检测系统的核心组成部分,其原理是通过为系统关键文件创建密码学哈希值等数字指纹,建立基准状态,并持续比对以检测未授权变更。这项技术对于保障系统安全具有重要价值,能够有效发现后门植入、配置篡改等入侵痕迹,是满足等保合规与构建纵深防御体系的关键环节。在实际应用场景中,管理员常面临策略配置复杂、报告噪音多等挑战。本文聚焦于行业广泛使用的Tripwire工具,深入解析其密钥管理机制与策略文件优化方法,通过实战演示如何从安装部署、基准初始化到日常报告解读与数据库更新的完整流程,帮助运维人员构建精

weixin_34221775的博客 474

从零开始:基于Snort和LAMP的网络入侵检测系统(IDS)实战部署指南

本文详细介绍了如何从零开始部署基于Snort和LAMP的网络入侵检测系统(IDS),包括环境准备、Snort核心安装与配置、可视化分析工具BASE部署以及实战检测与规则优化。通过本指南,读者可以快速掌握IDS的安装部署技巧,提升网络安全防护能力。

weixin_30687051的博客 363

Linux系统安全实战:从基础命令到入侵检测的全面防护指南

在服务器运维与系统安全领域,身份认证与访问控制是构建安全防线的核心基础。其原理在于通过用户、组和文件权限模型,实现最小特权原则,确保每个进程和用户仅拥有必要的操作权限。这一机制的技术价值在于从源头遏制未授权访问,防止权限提升攻击。在实际应用场景中,无论是Web服务器、数据库还是云主机,精细的权限配置都是抵御入侵的第一道屏障。结合入侵检测与应急响应流程,管理员能够像侦探一样主动审视系统状态,通过分析日志、监控进程和网络连接,快速发现异常行为。本文聚焦Linux安全命令实战,涵盖从SSH加固、防火墙配置到文件完

weixin_33767813的博客 462

Linux服务器安全加固实战:从账户权限到入侵检测的完整防护体系

在云计算和数字化转型的背景下,服务器安全是保障业务连续性和数据隐私的基石。其核心原理在于构建纵深防御体系,通过最小权限原则、访问控制和实时监控等技术手段,将安全风险降至最低。这项技术的价值在于,它不仅能有效抵御自动化攻击和内部威胁,更是满足合规性要求、构建可信IT环境的关键。无论是个人开发者管理云主机,还是企业运维大规模集群,建立一套可落地的安全基线都是首要任务。本文基于**系统加固**和**入侵检测**的实践经验,系统性地阐述了从账户权限管理、SSH深度加固、网络防火墙配置,到利用AIDE、rkhunte

weixin_29326909的博客 293

Linux审计以及主机的入侵检测系统HIDS编写

Java应用 // 运行用户 jcmd jstat -gcutil 6576 1000 jmap -heap pid jmap -histo:live pid

叱咤少帅的博客 865

Unity卡牌游戏UI框架:数据驱动与模块化设计实践

在Unity游戏开发中,UI系统是连接玩家与游戏逻辑的关键桥梁,其核心在于实现数据与表现的高效同步。数据驱动设计通过分离数据模型、逻辑状态与视图表现,利用观察者模式自动响应状态变化,确保了代码的清晰与可维护性。这种架构显著提升了开发效率,尤其在需要复杂状态管理和实时反馈的交互场景中,如卡牌游戏的拖拽、布局与动画系统。基于模块化思想,开发者可以将卡牌视图、布局管理、区域控制等组件像积木一样组合,快速构建出动态的手牌弧形布局、战场区域管理等特色功能。通过集成对象池、图集优化等性能方案,还能有效管理绘制调用与网格

weixin_34262482的博客 453

支付漏洞防护绕过的一种方式

放完包后就到了提交订单的地方,可以发现,金额确实小了很多,合理的搭配的话还可以更低,再次前进可以发现,金额确实是这么多,后面就不支付了,到此就结束了。也就是说数量可以为负数,但是金额不能为0或者0以下,有什么方法可以绕过这个限制吗,其实并不难,既然可以为负数,只是对金额不能为0或者负数做了限制。我们可以尝试拼接法,利用负数加上正数让他的值变得很低,但是又大于0就可以了,这里利用购物车的结算方法,随机加一些在购物车里。这里为了方便查看数据包,我这边商品的数量选择3,点击立即购买并抓包。

2301_80115097的博客 1530

电子病历编辑器源码(Springboot+原生HTML)

应用场景包括:电子病历书写、体温单录入、全平台信息采集、检验检查报告、不良事件上报等。 此外,电子病历编辑器软件还适用于医生工作站的病历编辑、护士工作站的护理记录输入、PASC/LIS/RIS报告编辑打印、病案首页、出院小结、病程记录、手术记录、各种知情书、康复及精神学科用的量表、临床路径用表单界面等等。 这些应用场景都涉及到了医疗文书编辑的需求,因此电子病历编辑器软件在这些场景中具有广泛的应用价值。

xingchen优快云的博客 3898

VisionMaster -Group循环、数组数据格式化

这里创建一个格式化工具,按照自己想要的模式格式化刚刚输出的数据。因为是检测多个物体,所以这里选择输出的是数组。第一次的模板很不满意,反复调整参数也没好,边缘不整齐,强迫症患者受不了。实测如果输入设置太多,会导致模块失效,所以尽量选择需要的少量参数。这里要打开循环使能,循环数值就是高精度匹配的匹配个数。Group输出设置里选择刚刚建立的数据集。左边是主流程,右边是组合模块内部流程。修改采图这里的曝光值,图像提亮一点。建一个数据集,把想要的数据收集起来。用TCP助手测试一下OK。成功得到了想要的数据。

weixin_69505365的博客 4533

动力学约束下的运动规划算法——Kinodynamic RRT*算法

动力学约束下的运动规划算法——Kinodynamic RRT*算法

慕羽★的博客 6755

小程序数据采集(3):PC端微信小程序降维调试与流量数据获取详解

本文提出了一种针对PC端微信小程序的逆向分析方法,通过利用PC端基于Chromium架构的天然优势,实现无需Root的降维打击。文章详细介绍了如何开启CEF远程调试协议、基于DevTools Protocol实现流量劫持、对抗PC端安全防线以及获取小程序本地存储数据的技术方案。相比移动端严苛的环境,PC端小程序在调试接口、网络拦截和数据存储等方面存在显著漏洞,为爬虫开发提供了更便捷的突破口。

数据知道的博客 831

RK3399外设驱动之MIPI

RK3399外设驱动之MIPI 文章目录RK3399外设驱动之MIPIMIPI命令解析入口代码mipi显示配置实例rk3399mipi驱动rk mipi驱动注册过程rk32_mipi_dsi.c解析 内核版本 Linux4.4 平台 rk3399 作者 nineyole MIPI命令解析入口代码 MIPI的入口代码如下:kernel\drivers\video\rockchip\screen\lcd_mipi.c static int __init rk_mipi_screen_in

学无止境 2231

010、Zephyr RTOS开发环境搭建(Docker)

摘要 本文分享了使用Docker搭建Zephyr RTOS开发环境的实践经验。作者通过团队新人配置环境的真实案例,指出传统安装方式存在版本冲突、缓存污染等问题,而Docker方案能确保环境一致性。文章详细介绍了自定义Docker镜像的设计思路,重点解决工具链版本匹配、Python虚拟环境隔离等问题,将镜像体积从2GB优化到800MB。提供了从拉取镜像到点亮LED的完整工作流程,并总结了USB设备直通、文件权限、缓存问题等常见陷阱。还探讨了多阶段构建、CI集成等进阶用法,同时客观分析了Docker方案的局限性

m0_50546716的博客 82

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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")

上一篇: Linux平台下的恶意软件及对策指南
下一篇: Linux操作系统和macOS的兴起在微软的阴影下
普通网友
博客等级 码龄3年 29粉丝 0原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 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