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
600+累计阅读
685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
严重: Exception starting filter Struts2
Caught exception while loading file struts-default.xml - [unknown location]
at com.opensymphony.xwork2.config.providers.XmlConfigurationProvider.loadConfigurationFiles(XmlConfigurationProvider.java:839)
linux 服务器下不能同时部署两个struts2工程的问题
去掉工程下lib包里的xml-apis.jar xerces-2.6.2.jar包。就OK.
Struts2高危漏洞S2-046与S2-052：从OGNL注入到反序列化的RCE实战剖析
远程代码执行（RCE）是Web安全领域危害性极高的漏洞类型，其核心原理在于攻击者通过构造恶意输入，诱使服务器将数据错误地解析为可执行代码。在Java Web开发中，OGNL表达式注入和反序列化漏洞是两类典型的RCE成因。OGNL作为Struts2框架强大的表达式语言，若对用户输入过滤不当，可导致任意代码执行；而反序列化漏洞则源于将不受信的序列化数据还原为对象时，触发了危险的利用链。这两种技术常被用于攻击框架层面的缺陷，对应用安全构成严重威胁。本文聚焦于Struts2框架中两个经典的RCE漏洞——S2-046
Struts2漏洞实战：本地靶场搭建与自动化扫描工具深度使用指南
Web应用安全测试中，远程代码执行漏洞是核心攻防焦点，其原理常涉及用户输入未经验证即被解析执行。Struts2作为经典的Java Web框架，因其OGNL表达式注入机制，历史上曾爆发多个高危RCE漏洞，成为安全研究与渗透测试的重要样本。理解其漏洞原理对于构建有效的检测与防御方案具有关键价值。通过Docker容器技术，可以快速搭建包含S2-045、S2-016等经典漏洞的本地隔离环境，形成安全可控的测试沙箱。结合自动化扫描工具，如Struts2-Scan，能够系统化地进行漏洞检测、验证与利用练习。这种“漏洞环
Struts2 XXE漏洞复现与防御：从CVE-2025-68493看XML外部实体注入实战
XML外部实体注入（XXE）是一种基于XML解析机制的安全漏洞，其原理在于应用程序在解析用户可控的XML数据时，未禁用外部实体引用，导致攻击者可构造恶意实体读取服务器文件、发起SSRF攻击甚至实现远程代码执行。该漏洞在Java Web开发中尤为常见，尤其在Struts2等历史框架的特定版本中，因默认配置或第三方库问题而频繁出现。从工程实践角度看，理解XXE的触发条件与利用方式，对于渗透测试、漏洞评估与安全编码至关重要。本文以近期披露的Struts2高危漏洞CVE-2025-68493为切入点，结合Vulhu
linux 部署应用服务器,Linux下部署web项目实战
将Windows下的web项目，部署到Linux下遇到了一些问题，最后几经折腾总算搞定了。相信对Linux用得不多的朋友，想必也一定会遇到同样的问题，这里阿堂主要以图示的形式贴出来，和新手朋友们分享一下！我们项目环境是EJB3+SPRING+STRUTS2+JQUERY+MAVEN+MYSQL有两个小问题，顺便说一下1.最开始，我们的开发环境数据库是Oracle，运行一切正常，切换到mysql 5...
Apache Struts2 S2-015漏洞复现与OGNL注入原理深度剖析
OGNL表达式注入是Java Web安全领域一种经典的远程代码执行漏洞类型。其核心原理在于，当应用程序框架（如Struts2）将未经验证的用户输入直接传递给强大的OGNL表达式引擎进行解析时，攻击者可以注入恶意表达式，从而操纵服务器端逻辑，甚至执行任意系统命令。这项技术的安全价值在于揭示了框架默认信任机制下的高风险攻击面，对于理解Java应用安全模型至关重要。其典型应用场景广泛存在于基于Struts2等MVC框架构建的Web应用中，常被用于渗透测试和红队评估，以验证系统的安全性。本文以Apache Stru
Struts2漏洞扫描与利用实战：从原理到高级攻防技巧
在Java Web应用安全领域，OGNL表达式注入和远程代码执行（RCE）是常见的高危漏洞类型，其原理在于框架对用户输入的处理不当，导致攻击者能够执行任意代码。这类漏洞的技术价值在于可直接威胁服务器安全，常被用于数据窃取、权限提升和内网渗透。在应用场景上，Apache Struts2作为广泛使用的企业级框架，其历史漏洞（如S2-045、S2-057）影响深远，自动化扫描工具成为渗透测试和应急响应的关键。本文聚焦于Struts2-Scan这一集成化工具，深入解析其漏洞特征库与动态Payload引擎的协同机制，
项目只用struts但tomcat公用完整SSHjar包后部署失败问题解决办法
背景最近写了一个网站接口，因为功能简单，我就自己搭的环境，只用了Struts框架，数据库用的jdbc，本地启动正常，但是部署linux服务器就启动不了，查看了tomcat日志，发现好多报错信息，为了分清哪些是我的项目的错误，我删了自己本地项目的jar包，把tomcat共享jar包放自己项目本地启动，然后查看了控制台的报错信息，下面是部分报错，就逐个解决解决PS.公司用的Struts+Spring 错
WinCC ActiveX控件“许可证缺失”故障排查：从注册表修复到系统兼容性全解析
本文深入解析WinCC ActiveX控件报错“未找到许可证信息”的根本原因与解决方案。核心在于系统注册表中控件的设计时许可证密钥丢失或损坏。文章提供了从手动修复注册表、排查64位系统兼容性，到预防性环境部署的全流程专业指南，帮助工程师彻底解决这一常见故障。
linux项目页面跳转,在windows上面部署web项目 struts2能成功跳转页面，但是在linux上面就失败，出现404异常...
在windows下面部署web项目 struts2能成功跳转页面，但是在linux下面就失败，出现404错误！在windows下面部署web项目 struts2能成功跳转页面，但是在linux下面就失败，出现404错误！代码：index.jspHTML codeString path = request.getContextPath();String basePath = request.getS...
AI数字人：口播与唇形同步的福音，支持本地部署/批量生成/口齿清晰
你也可以直接输入语音，虚拟化身会根据语音的节奏和语调，同步做出相应的动作和表情，表现更加生动。不过这依然是个值得关注的工具。借助先进的 AI 算法，Heygem 高精度捕捉五官、轮廓等特征，构建逼真的虚拟模型。同时，它还能克隆语音，捕捉人声的细微特征，支持多种语音参数设置，打造高度相似的音色效果。打开设置，调整镜像存储位置，镜像文件比较大70~80G，选择合适的盘，设置完成后点击“Apply & Restart”。数字人视频画面与声音高度同步，口型匹配自然流畅，智能优化音视频效果，带来极佳的视听体验。
四足机器人机械结构设计：从腿型到驱动的全面解析
本文全面解析了四足机器人机械结构设计的核心要点。资深工程师老张深入探讨了并联腿与串联腿的选型策略、不同腿型布局对稳定性的影响，并详细对比了皮带轮与连杆驱动方式的优劣。文章结合实战经验，强调了足端设计、材料选择及整体结构轻量化等关键细节，为机器人开发者提供了从理论到实践的宝贵指导。
Struts2漏洞自动化检测工具链：从原理到实战部署
在Web应用安全领域，漏洞扫描是识别和修复安全风险的基础环节，其核心原理是通过模拟攻击行为来检测系统潜在弱点。对于广泛使用的Java Web框架，如Struts2，其历史上存在多个高危远程代码执行漏洞，使得自动化检测工具成为安全运营的刚需。这类工具的技术价值在于将繁琐的手动检测流程系统化、自动化，通过模块化设计整合资产发现、漏洞检测引擎、任务调度与结果报告，显著提升漏洞排查效率与覆盖率。在应用场景上，它尤其适用于企业内网安全评估、红蓝对抗演练及日常安全巡检，帮助防守方快速定位受影响的资产。本文聚焦于构建一个
Cadence数模混合仿真实战：从Verilog到ADE L的完整流程解析
本文详细解析了Cadence数模混合仿真的完整流程，从Verilog代码编写到ADE L仿真环境配置。通过实战案例讲解如何创建Config文件、搭建混合信号原理图，并分享提高仿真效率的技巧和常见问题排查方法，帮助工程师掌握这一关键芯片设计验证技术。
Linux下部署web项目实战
上个星期,阿堂将window下的web项目，部署到Linux下遇到了一些问题，最后几经折腾总算搞定了。相信对Linux用得不多的朋友，想必也一定会遇到同样的问题，这里阿堂主要以图示的形式贴出来，和新手朋友们分享一下！ 我们项目环境是EJB3+SPRING+STRUTS2+JQUERY+MAVEN+MYSQL 有两个小问题，顺便说一下 1.最开始，我们的开发环境数据库是oracle，运行一
OctoMag: An Electromagnetic System for 5-DOF Wireless Micromanipulation
电磁线圈组驱动经典系统，可以作为参考。 OctoMag: 用于5自由度无线微操作的一个电磁铁系统 OctoMag: An Electromagnetic System for 5-DOF Wireless Micromanipulation [1] Paper Link Authors: J. J. Abbott, etc. 2010, TRO IEEE Transactions on Robot...
ROS 2在自动驾驶中的应用：感知节点开发
ROS 2在自动驾驶中的应用：感知节点开发 ，人工智能，计算机视觉，大模型，AI，本文围绕ROS 2在自动驾驶感知节点开发展开，介绍了ROS 2基础、感知节点开发流程，包括环境搭建、代码编写等，还阐述了常用传感器感知节点开发、多传感器融合，以及测试调试、性能优化、部署集成等内容，分析了开发面临的挑战与未来趋势，为相关开发提供了全面指导，涉及简单代码示例和概念解释。
struts2文件上传到服务器,struts2 上传文件到远程服务器
struts2 上传文件到远程服务器 内容精选换一换将文件上传至Windows云服务器一般会采用MSTSC远程桌面连接的方式。本节为您介绍本地Windows计算机通过远程桌面连接，上传文件至Windows云服务器的操作方法。Windows云服务器可以访问公网。在本地Windows计算机上，单击“开始”，在出现的“搜索程序和文件”输入框中输入mstsc。弹出远程桌面连接对话框。弹出远程桌面连将文件上...
2.4 提示词优化
我们在使用大模型的时候，同一任务使用不同表述的提示词，可能得到差异巨大的结果，因为模型的性能高度依赖输入提示词的质量。我们可以通过提示词优化来更高效地获取理想输出。
在linux服务器上搭建Struts2项目运行环境
服务器上工作: 首先要先装java https://www.cnblogs.com/lamp01/p/8932740.html 然后装好tomcat https://www.cnblogs.com/yuhebin/p/8594774.html mysql装好并允许远程连接 https://www.cnblogs.com/ytytzzz/p/11022801.html 本地工作:...
西南科技大学模拟电子技术实验二（二极管特性测试及其应用电路）预习报告
3、用二极管正向虚拟IV仪测出数据，并记录数据于虚表3和虚表4。1、按照指导书multisim仿真软件上画出三种模型电路图，1、按照指导书multisim仿真软件上画出三种模型电路图，1、按照指导书multisim仿真软件上画出三种模型电路图，表6 二极管三种模型参数测试表（电源电压=1.2V）2、用万用表测出数据，并记录数据于虚表1和虚表2。2、用万用表测出数据，并记录数据于虚表5和虚表6。表5 二极管三种模型参数测试表（电源电压=12V）二极管三种模型参数测试表（电源电压=12V）
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
"struts中文问题"，"struts国际化问题"——终极解决方案
引文－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－说实话，你们的方法都做的复杂了，Java本身就支持多国语言编码，不需要写任何程序，可以很简单的 实现。 秘诀就是两点： 1、所有HTML/JSP页面全部采用UTF-8编码 2、客户端浏览器完全支持UTF-8编码 步骤： 1、首先把所有的
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")
部署struts2项目到Tomcat服务器中报错：Dispatcher initialization failed 以及 Tomcat 始终加载同一个项目的web.xml配置文件信息
严重: Dispatcher initialization failedUnable to load configuration. - action - file:/E:/apache-tomcat-7.0.85/webapps/StrutsDemo/WEB-INF/classes/struts.xml:11:52 ...Caused by: Action class [gz.itcast.Tes...
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。
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
Tips Struts2 部署在生产环境中需要注意的参数
最近用loadruner测试一个即将上线的站点，WEB和数据库分别装在了两台SUSE服务器上。在测试过程中遇到了一些小麻烦，在几个同事的合作下解决了问题。一开始就用loadruner创建200个线程对网站进行注册测试，每个线程注册1000次。麻烦的事情出现了，数据库服务器、web服务器、loadruner客户端负载都很小，既没有发现瓶颈这个问题。开始还以为是网络问题，后来把loadruner客户机
Struts2 S2-061漏洞实战：从OGNL注入到反向Shell的完整渗透测试指南
表达式注入是一种常见的安全漏洞类型，其核心原理在于应用程序将未经验证的用户输入直接作为代码或查询语句的一部分进行解析执行。在Java Web开发领域，OGNL（Object-Graph Navigation Language）作为一种强大的表达式语言，被Struts2等框架广泛用于数据绑定和导航。然而，当框架错误地将用户可控的参数代入OGNL表达式进行解析时，就会形成OGNL表达式注入漏洞，攻击者能够借此执行任意代码，危害极大。这类漏洞的技术价值在于其往往能直接导致远程命令执行（RCE），是渗透测试中获取服
Ssm怎么部署到linux服务器,Linux下部署SSM，通过启动tomcat即可运行
java文件名更改一直是false,看看是否是文件打开没有关// 更改文件名称 public static void chenckFileName(String oldFile, String newFileName) { File file = new Fi ...lamp环境搭配(centos6.4)(一)如果你的服务器没有链接网络可以先挂载本地光盘....
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
326
扫一扫
