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
1.6k累计阅读
1.7k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
本文章中所有内容仅供学习交流使用，不得用于其他任何目的，不提供完整代码，抓包内容、敏感网址、数据接口等均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关。
若擅自使用本文讲解的技术而导致的任何意外，作者均不负责。文中若有侵权内容，请立即联系作者删除！
首先我们使用 Charles+SocksDroid 配合进行抓包，进入注册页面，输入手机号，点击获取验证码触发请求，观察接口。
我们可以发现请求体参数param参数被加密了，需要分析处它的加密逻辑。此时我们用GDA反编译工具对APK进行反编译，因为我们需要看param的加密逻辑，此时可以根据字符串param关键字搜索。
微信视频号评论采集：逆向工程与反爬虫实战指南
网络爬虫与数据采集是获取公开网络信息、进行市场分析与用户行为研究的基础技术。其核心原理在于模拟客户端与服务器之间的HTTP/HTTPS通信协议，通过解析请求与响应来提取结构化数据。这项技术的价值在于能将海量、非结构化的网络数据转化为可供分析的资源，广泛应用于舆情监控、竞品分析和学术研究等领域。然而，面对微信视频号这类未开放官方API的封闭生态，常规爬虫技术失效，必须深入应用逆向工程手段。逆向工程涉及对客户端与服务器间私有通信协议、数据加密（如AES）及签名算法的深度剖析，是应对高强度反爬机制的关键。本文将聚
京东评论数据获取：官方API与网页爬虫的合规实践与避坑指南
在电商数据分析与市场研究中，数据采集是基础且关键的环节。其核心原理是通过程序化方式从目标网站获取结构化信息，主要分为调用官方API和编写网页爬虫两种技术路径。从技术价值看，规范的数据采集不仅能提升分析效率，更是保障数据合规性、项目可持续性的基石。在应用场景上，无论是竞品分析、用户口碑研究还是市场趋势洞察，稳定可靠的数据源都至关重要。本文聚焦于京东商品评论数据的获取，深入探讨了官方API的申请调用流程与签名验证机制，并剖析了在不得已使用网页爬虫时，如何通过管理会话、使用代理IP池、控制请求频率等策略应对反爬虫
AI系统安全实战：从对抗样本到隐私保护的车牌识别防御体系
在深度学习模型广泛应用于计算机视觉、自然语言处理等领域的今天，模型安全已成为系统设计中不可忽视的核心环节。其核心原理在于，深度学习模型作为高度非线性的复杂函数，对输入数据的微小扰动可能异常敏感，攻击者可利用梯度信息构造对抗样本，导致模型输出错误。这种脆弱性不仅威胁模型预测的可靠性，更可能引发数据泄露、模型窃取等严重安全风险。因此，构建鲁棒的AI系统具有重要的技术价值，能保障关键业务（如自动驾驶、金融风控）的稳定运行，并满足日益严格的数据隐私法规要求。在车牌识别、人脸验证等涉及敏感信息的应用场景中，模型需同时
详解Android/IOS平台下抓包工具使用以及抓取API接口
抓包工具 Charles 主机允许代理模式 客户端设置代理 截获数据包 HTTPS 模仿一个app UI 请求接口封装 加密请求 Header抓包（Packet Capture），实际上就是对网络请求（包括发送与接收）的数据包进行截获、重发、编辑、转存等操作，在Android下，也经常被用来进行数据截取等。学会抓包之后，获取某个App的API就是轻而易举的事了，当然，现在有很多App，都对API进行
【信息科学与工程学】计算机科学与自动化——第一百八十七篇 网络安全中的学科知识03
本体建container_secure = run_as_nonroot ∧ cap_drop_all ∧ read_only_root ∧ seccomp_profile ∧ no_privileged。本体建container_secure = image_scan_pass ∧ distroless_base ∧ run_as_nonroot ∧ seccomp_profile ∧ pod_security_policy。攻击者通过钓鱼邮件、电话诈骗、USB诱饵、假冒身份等手段获取初始访问。
Transformer代码（Pytorch实现和详解）！！！
这个是第一版，有些代码如果不对，欢迎在评论指正，后续会慢慢改，我也是刚接触transformer，若有些地方理解不对还请指正。
Unity适配Nintendo Switch平台开发
查看文档、下载SDK，都需要账号登录。
手把手教你搞定EMC EFT测试：从电源线到信号线的完整整改实战（附常见失败原因）
本文详细解析了EMC EFT测试中的常见问题及整改措施，从电源线到信号线的完整实战方案。通过四步定位法和成本最优整改策略，帮助工程师有效应对电快速脉冲群干扰，提升产品通过率并降低成本。
从入门到精通：MediaGo跨平台部署全攻略，Docker+NAS实战案例深度拆解！
本篇将深入解析开源媒体处理工具MediaGo的运作机制，该软件具备跨平台兼容性，支持Windows、MacOS及Linux三大主流操作系统。其核心创新在于采用模块化架构设计，用户无需额外依赖任何插件即可完成快速部署。作为GitHub平台上的开源项目，该工具特别注重用户体验设计，通过Docker容器化方案可无缝接入各类网络存储设备，显著优化系统资源占用并提升数据处理效率。以飞牛云NAS系统为实施案例，本文将详细展示本地化部署全流程。
【元宵快乐】猜灯谜吃元宵 元气满满闹元宵~（附猜灯谜小游戏）
导语 元宵节，又称上元节、灯节，是春节之后的第一个重要节日。 相传，汉文帝（前179—前157年）为庆祝周勃于正月十五勘平诸吕之乱，每逢此夜，必出宫游玩，与民 同乐，在古代，夜同宵，正月又称元月，汉文帝就将正月十五定为元宵节。 随着社会和时代的变迁，元宵节的风俗习惯在不断变化，但至今仍是中国的传统节日。2008年， 元宵节选入第二批国家级非物质文化遗产。 对我而言，除了吃元宵、看花灯……还有一件最重要的事情…就是… 猜灯谜！猜灯谜！！猜灯谜！！！猜谜事小，展现聪明才智事大哈哈哈.jpg .
极智AI | 详解 ViT 算法实现
大家好，我是极智视界，本文详细介绍一下 ViT 算法的设计与实现，包括代码。
YOLOv9 损失函数解析
YOLOv9作为YOLO系列的最新成员，在损失函数设计上进行了多项创新，重点优化了动态任务对齐机制、多模态定位损失融合以及跨层级梯度协同，进一步提升了检测精度与训练效率。
量产导入 | 产品可靠性测试标准完整大集合（JEDEC/IEC/SAE…）
产品可靠性测试是产品质量保证中的重要一环， 包含有Pre-con, aging(寿命）和ESD(静电）等， 下面就收集了权威标准JEDEC全系列， 请参照如下 同时也附上其它的可靠性标准供大家参考及交叉理解， 可能侧重点不同， 大家可以参考下。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
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")
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。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
552
扫一扫
