IP域名关系的研究与系统设计(学习某知名测绘系统)

EDU资产测绘:从域名到C段的纵深挖掘与风险规避 本文详细介绍了EDU资产测绘的全过程,从域名发现到C段扫描,帮助教育机构全面识别和管理其数字资产。通过二级域名爆破、IP反查、C段扫描等技术,结合FOFA和Google Hacking等工具,有效发现潜在风险点。文章还提供了合规建议和实战技巧,确保测绘过程合法且高效,助力教育机构提升网络安全防护能力。 阅读详情

IP域名关系库管理包括域名库检索和whois库检索,详情如下。

域名库检索支持以下5项功能:

1.通过过滤器检索

筛选条件包含IP地址、口令、工具名称、可利用的漏洞编号、创建时间;

2.通过关键字检索

在查询框中输入域名库名称的部分关键词,支持模糊查找和精确查找;

3.组合条件检索

支持过滤器组合、关键字组合、过滤器及关键字组合;

4.订阅检索

对未检索到的查询,可实时发布订阅申请,运维人员可查看申请并尝试从数据源获取对应需求的数据,如果没有检索到则提示用户不支持此类数据,如果检索到则将对应数据进行入库操作并告知用户数据已新增,可检索查看。

5.命中库展示

对搜索命中的数据可在页面进行对应的展示,包括搜索结果展示和聚合信息展示。聚合信息展示包括可利用的漏洞编号聚合信息展示、时间聚合信息展示。

whois库检索支持以下5项功能:

1.通过过滤器检索

筛选条件包含IP地址、域名、Ip归属、CIDR、注册商、联系电话、创建时间、更新时间、过期时间等;

2.通过关键字检索

在查询框中输入whois库名称的部分关键词,支持模糊查找和精确查找;

3.组合条件检索

支持过滤器组合、关键字组合、过滤器及关键字组合;

4.订阅检索

对未检索到的查询,可实时发布订阅申请,运维人员可查看申请并尝试从数据源获取对应需求的数据,如果没有检索到则提示用户不支持此类数据,如果检索到则将对应数据进行入库操作并告知用户数据已新增,可检索查看;

5.命中库展示

对搜索命中的数据可在页面进行对应的展示,包括搜索结果展示和聚合信息展示。聚合信息展示进一步分为注册商聚合信息展示、电话聚合信息展示、电邮聚合信息展示、时间聚合信息展示等。支持不少于10个字段,包括IP、域名、子域名、组织结构、组织邮箱、创建时间、过期时间、DNS、状态

支持非结构化查询、模糊查询IP域名关系数据

(1)模糊查询

当我们搜索的内容变成中文或者包含空格的一句话时,会触发系统的模糊查询规则:

在输入框中检索:奇虎科技,会发现返回的结果虽然很多,但是没有一个是包含完整且连贯的奇虎科技字符串的,其实原因就是我们输入的奇虎科技被拆分成了:奇虎和科技进行搜索,以此实现模糊查询的效果。

非结构化查询:

除此之外,在不指定字段的前提下进行全局检索,系统会根据索引,对数据的多种字段进行检索,诸如产品字段、响应字段、服务字段等。如在输入框中检索:"nginx":

支持按域名各属性字段(如IP、域名、组织结构、创建时间、过期时间、状态等)查询,支持字符串、正则、逻辑运算等检索条件

支持结果数据检索API接口,支持按各类检索条件向其他平台推送资产数据

 

系统支持多种接口和调用方式,能够进行API数据的获取和操作

网络空间测绘浅析 网络空间测绘,即通过对网络空间中的各种资源进行实时监测和分析,实现对网络空间的态势感知,助力识别网络威胁、检测网络攻击,从而提高网络安全防御和应急响应能力,保障网络空间的安全稳定运行。本文从网络空间测绘的概念出发,从设备资产、域名空间、网络拓扑、数字证书等方面对网络空间测绘的实践情况进行介绍和分析,并对网络空间测绘技术应用的发展进行展望。从网络空间防护体系的视角来看,安全攻防技术的快速发展对网络空间测绘提出了更高要求。攻防博弈永不停歇,网络空间测绘技术将在攻与防的反复较量中不断优化、提升。 阅读详情

相关推荐

网络空间测绘理论体系白皮书(2023年)04测绘体系框架应用实践

网络空间测绘不仅直接作用于网络空间中的数据资源,也会作用于物理空间的真实设备、社会空间的组织机构、认知空间的用户倾向等等。下面以重点域名评估为例。而从更通用的角度上看,在网络空间探测获取到探测对象的基础数据之后,一方面需要针对探测对象作进一步分析处理,把基础探测数据,逐步抽象到类别标签代表的信息、知识,深入回答探测对象是什么、怎么样的问题;网络空间测绘的知识图谱本体涉及 IP、域名、证书、设备、软件等 10 多个信息域实体,同时关联物理域的各粒度地理位置、社会域的各层级组织行业、认知域的多源安全事件等等。

sinat_41942180的博客 1674

知道IP怎么反查域名?这几个方法一查一个准

知道网络IP怎么反查出真实域名来?给大家分享几个我常用的方法,就算你不懂技术你都能查得出来!

m0_71745484的博客 3273

资产测绘学习笔记

风险管理之资产确认

qq_53207309的博客 3027

ZoomEye:网络空间测绘与子域名收集指南

通过本次探索,我们认识了ZoomEye所在的强大引擎家族,并亲手使用ZoomEye完成了从网络空间测绘到子域名收集的流程。将这些工具与方法结合运用,你就能像一位数字空间的探索者,逐步揭开网络资产的神秘面纱,构建出属于自己的、高效全面的信息收集体系。

2503_94122524的博客 725

网络空间资产测绘网站

网络空间资产搜索引擎是对全球互联网暴露资产进行周期性不间断且深度地扫描与探测,融合多种资产检索方式,全面发现互联网暴露资产,对资产进行画像管理。他类似于行军打仗中使用的作战地图,类似于信息化战争中的卫星导航系统,为网络安全防护提供资产的态势感知数据,不至于没有目标和方向。目前,常用四种网络空间资产搜索引擎包括:FOFA、ZoomEye、360Quake、Shodan,以SAAS方式提供数据服务。 各个产品的详细差异可以登录产品对应的官网进行对比。

9652

子域名枚举与真实IP探测:网络安全资产测绘的核心技术实践

在网络安全和IT运维领域,资产发现与测绘是基础且关键的环节。其核心原理在于通过系统化的信息搜集技术,识别目标网络的所有暴露面,其中子域名枚举和IP地址解析是两大支柱技术。子域名枚举通过字典爆破、搜索引擎语法、证书透明度日志等多源数据聚合,横向扩展攻击面;IP解析则通过DNS记录查询、CNAME追踪及CDN识别,纵向定位真实资产。这项技术的核心价值在于,它能帮助安全人员全面梳理数字资产、发现潜在风险点,并为漏洞评估、渗透测试及攻击面管理提供精准的输入。在实际应用场景中,无论是企业进行自身安全巡检、红队进行授权

weixin_30387799的博客 501

IP反查域名技术指南:方法全解析,高效又实用

网络安全产业就像一个江湖,各色人等聚集。相对于欧美国家基础扎实(懂加密、会防护、能挖洞、擅工程)的众多名门正派,我国的人才更多的属于旁门左道(很多白帽子可能会不服气),因此在未来的人才培养和建设上,需要调整结构,鼓励更多的人去做“正向”的、结合“业务”与“数据”、“自动化”的“体系、建设”,才能解人才之渴,真正的为社会全面互联网化提供安全保障。

xx16755498979的博客 1677

批量域名转IP自动化解析工具与实战技术详解

回顾一下,我们走了多远?最开始,你以为DNS就是个翻译器;后来发现,它可以帮你发现隐藏资产、验证CDN策略、追踪攻击者;接着你写了脚本,自动化处理数千域名;再后来,你做了GUI,让更多人能参与进来;最终,你把IP变成了坐标、标签、威胁信号,构建起属于自己的外部攻击面视图。这不仅仅是一个技术演进的过程,更是一种思维方式的转变:不要只看到孤立的数据点,要学会连接它们,形成网络。

weixin_28999139的博客 1021

域名与IP关联分析:构建目标网络拓扑

如必须暴露,使用一次性随机子域名和IP,并配置严格的防火墙策略(如仅允许公司IP)。域名与IP关联分析 是指通过技术手段,系统性地发现一个组织(目标)在互联网上使用的所有域名及其对应的IP地址,并进一步分析这些IP地址上开放的服务、端口及应用,最终将这些离散的信息点连接成一张反映目标网络外部轮廓和内部关联的“地图”的过程。· 关联分析 就是调查员的任务:找出“旗舰产品X”这个品牌(域名)实际运营在哪个数据中心(IP),同时发现这个数据中心(IP)是否还托管着另一个不为人知的“实验性项目”(隐藏子域名)。

Alfadi联盟 萧瑶的博客 1079

python画弗里德曼(Friedman) 检验和秩和检验(Nemenyi)检验图

python画弗里德曼(Friedman) 检验和秩和检验(Nemenyi)检验图 画好后效果图 实现代码如下 import matplotlib.pyplot as plt #算法平均排名 _alg_=[1.405,2.643,2.786,2.167] y=[1,2,3,4]#alg1,alg2,alg3,alg4 通过Nemenyi测试计算得到的临界值CD CD=1.024 h_CD=CD/2 plt.figure(figsize=(10,6)) plt.scatter(_alg_,y,s=10

大模型天花板 4466

QT项目实战:如何在正点原子Linux开发板上集成CVR-100UC身份证阅读器(附完整代码)

本文详细介绍了在正点原子Linux开发板上集成CVR-100UC身份证阅读器的完整实战流程。内容涵盖驱动适配、库文件部署、QT项目框架搭建、核心功能封装以及界面集成,并提供了完整的代码示例,帮助开发者快速实现嵌入式环境下的身份证信息读取功能。

yyy34的博客 260

知道 IP 如何反查域名?这几招干货方法,一查一个准

IP 反查域名是网安、运维的高频操作,教你几个硬核方法,轻松实现精准查询!从新手友好的在线查询工具,到进阶的 dig/nslookup 命令行操作,再到能查备案信息、关联域名的专业平台,全覆盖无死角,操作步骤简单,结果真实可靠,不管是单 IP 查询还是批量核验,都能一查一个准,建议收藏备用!

Button12138的博客 6109

Python Opencv cv2提取图像中某种特定颜色区域(例如黑字白纸背景下的红色公章提取),并将纯色背景透明化

拜拜PHOTOSHOP- 领导突然让我帮他把公章从图片中抠出来,在确保了不是要做坏事的情况下,我打开了PHOTOSHOP,用魔棒工具一点一点抠,但由于魔棒工具的原理是对比临近区域像素差值,导致封闭字体中的区域无法剔除,而且一点一点抠非常麻烦,愤而PYTHON,使用CV2完美解决。 效果如下(马赛克是我添加的): 任务就是把蓝色的公章抠出来。 效果如上。 代码如下: import cv2 import numpy as np src = cv2.imread(r"imagepath")#这里填你的原图像路

qq_43670549的博客 1万+

常见空间测绘搜索引擎介绍和使用以及子域名的收集

右侧则展示了具体的主机信息,如主机域名或 IP(例如:borigin-app.accessoneportal.com、forty2.site)、主机所在国家与城市(如:美国洛杉矶、伊朗德黑兰)、ASN(自治系统,代表运营商,如 Amazon AWS、Antbox Networks Limited)、开放的端口(80、443)、Web 服务指纹(如:nginx/1.24.0)、返回的 HTTP 头信息(Server、Content-Type、Last-Modified 等)等。(由以下几部分组成)

m24tyy的博客 1045

【AI智能体】Claude Code +Superpowers 项目实战操作详解

Claude Code +Superpowers 项目实战操作详解

congge 4056

【银河麒麟桌面系统】安装英伟达(NVIDIA)显卡驱动

本文详细介绍了在麒麟桌面操作系统V10 SP1(版本号2503)上安装NVIDIA RTX 5060显卡驱动的完整流程。主要内容包括:查看系统版本信息,从NVIDIA官网下载Linux 64位驱动,授予执行权限后运行安装程序,处理安装过程中的X server警告、32位库安装、DKMS模块选择等问题,以及安装完成后如何验证驱动状态。同时提供了卸载驱动的步骤和常见问题解决方案,如处理X server警告、libglvnd EGL依赖问题等。该指南适用于需要在国产麒麟系统上安装NVIDIA显卡驱动的用户,包含完

信创运维工程师 · 银河麒麟 & 容器实战 | 金融生产环境迁移·等保加固 | 142篇原创·17万+阅读 6316

网络空间资产测绘知识小结

网络空间资产测绘就是对全网的网络资产进行统计,分析,获取信息,通过这些信息给用户提供漏洞及时发现,漏洞发生之后,快速定位,以及安全数据分析等服务。追踪、掌握网络资产情况的过程,通常包括主机发现、操作系统识别、服务识别等,是实现网络安全管理的重要前提, > 在网络安全相关工作中具有广泛的应用价值。...............

人若有志,就不会在半坡停止。 5826

Java 实现 MP3 音频合并工具类:摆脱 FFmpeg,高效低 CPU 的纯本地方案【需求已解决】

本方案充分发挥了 Java 音频 SPI 的潜力,实现了轻量、跨平台、低 CPU 消耗的 MP3 音频合并工具类。 对于希望在服务器或桌面应用中集成音频处理功能的开发者而言,这无疑是一个可行且优雅的解决方案。

一键难忘的博客 547

如何通过 IP 反查域名?这几个实用妙招,一查一个准

知道 IP 想找对应域名?这几个方法帮你轻松搞定,一查一个准!整理了网安圈常用的 IP 反查域名技巧,涵盖免费工具、本地操作、专业查询三大类,能查单域名绑定、多域名关联,甚至部分隐藏解析记录,步骤简洁、结果精准,适配渗透测试、域名排查、运维调试等场景,建议收藏随时用!

m0_59236602的博客 4641

Unity开发AR之Vuforia-MultiTarget笔记

在增强现实(AR)技术蓬勃发展的今天,越来越多的开发者开始探索如何将AR应用于各种场景中。Vuforia作为一个领先的AR开发平台,为开发者提供了强大的工具和功能,使得创建AR体验变得更加简单和直观。本文将为您介绍Vuforia的基本概念、特点,以及如何配置和使用MultiTarget功能,旨在帮助您更加深入地理解Vuforia SDK,并在您的项目中有效地应用。Vuforia是一个由PTC开发的增强现实SDK,它提供了丰富的功能,使团队能够在各种设备上创建互动的AR应用。

TxNet 1052

【图论】系列(一)之图论的构成

图论是研究图的数学分支,本章介绍了图论的基本构成和概念

qq_30066733的博客 751

攻击面测绘与信息战争

本部分内容将帮助学习者从“信息搜集者”进阶为“攻击面分析师”,为后续渗透测试提供精准打击目标。对目标IP段进行Masscan全端口扫描,筛选出开放80/443端口的资产。在Shodan中搜索暴露的Redis服务,尝试未授权访问。使用ARL对目标企业进行全自动资产测绘,导出CSV报告。扫描发现该域名暴露Kibana服务(未授权访问漏洞)。:所有操作需在授权范围内进行,禁止扫描非归属资产。对指定域名进行子域名爆破,生成可视化资产图。提取目标的隐藏子域名,并验证其可访问性。收集目标企业员工邮箱,生成字典文件。

Alfadi联盟 萧瑶的博客 895

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。

子域名查询,二级域名查询,如何查看顶级域名有几个二级域名

主域名查二级域名,主域名查子域名。后续增加协议,特征,DNS。

小高工作室 1万+

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

知道 IP 怎么反查域名?这几个方法,一查一个准

还在为 IP 反查域名发愁?分享几个全网通用的高效方法,无需复杂技术,输入 IP 就能快速查到对应绑定域名,甚至能挖掘隐藏的关联域名。涵盖免费在线工具、本地命令行操作、专业网安平台三种类型,适配不同使用场景,步骤清晰、结果精准,网安从业者、运维人员必备,亲测有效一查一个准!

shandongjiushen的博客 3268

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

与ZoomEye类似的搜索引擎以及如何进行子域名收集

它通过人工智能与机器学习的方式对全球全量IPv4、IPv6地址进行持续性测绘工作,实现全网资产设备精准发现、精准识别能力。奇安信全球鹰网络空间测绘系统,可对暴露在整个互联网上的服务器和设备的端口、协议、应用、漏洞进行纵深探测,对。通过网络空间测绘技术,发现互联网资产暴露面、未知资产类型等关键安全信息,实现互联网资产的可查、可定位、操作可识别。当然进行子域名收集的方法还有:OneForAll,Google语法,空间探测,IP反查等。但是它是一款外国的搜索引擎,所以在使用时需要挂梯子。

H29908的博客 1868
上一篇: 基于拓扑漏洞分析的网络安全态势感知模型
Attacker2001
博客等级 码龄12年 101粉丝 37原创
评论
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