某盾js逆向_data参数详解_python代码还原

这篇博客详细介绍了某盾最新版本中check请求data参数的生成方式。cb、p、ext的算法大同小异,主要涉及随机list、非与或运算以及坐标、时间差的处理。通过理解cb参数的算法,其他参数的解密变得相对简单。作者分享了代码运行截图,为读者提供了解密思路。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

注:本篇博客仅供学习使用,请勿用作其他商业用途,如有侵权,请联系本菜鸟
前面几篇文章介绍了cb,fp,actoken参数的获取办法,下面介绍check请求中data参数的生成方式:
在这里插入图片描述
1.搜索data,打上断点
在这里插入图片描述
m参数的值和前面cb参数的值运算方法一样,先随机一个长度为4的list
然后[48, 48, 48, 48, 48, 48, 48, 48, 0, 0, 0, 8]
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
经过一系列非与或运算最后得到,与前面cb的算法一模一样,就不做过多阐述。
2.p参数
在这里插入图片描述
p参数传入的是x,y坐标和验证码token,以及一个时间差
在这里插入图片描述
获取一个初始字符串后计算得到一个后缀字符串,和cb参数的算法大致相同

3.ext参数的算法也是和cb值的算法一样的,不做过多阐述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

最后附上我的代码运行截图:

在这里插入图片描述
仅为大家提供一个思路,其实只要第一个cb参数研究透了,后面的几个参数的值都是反复的那几步运算,所以只要搞懂cb的算法,后面的都很简单了,到此为止,某盾的最新版本的所有加密参数都全部解决了 O(∩_∩)O 等他们出下一个版本吧!

### Python `inverse_transform` 方法详解 在机器学习的数据预处理阶段,通常会对数据应用某种变换以便更好地训练模型。然而,在某些情况下,可能需要将经过转换的数据恢复到其原始形式。这便是 `inverse_transform` 的作用所在。 #### 特征选择中的逆向转换 当利用特征选择工具对输入矩阵执行降维操作之后,可以借助 `inverse_transform` 函数来尝试重建初始状态下的样本集。例如: ```python from sklearn.feature_selection import SelectKBest, chi2 import numpy as np X = np.array([[1, 2, 3], [4, 5, 6]]) selector = SelectKBest(chi2, k=2).fit(X, [0, 1]) transformed_X = selector.transform(X) reconstructed_X = selector.inverse_transform(transformed_X) print(reconstructed_X) # 将特征选择后的结果还原成原始数据[^1] ``` 这段代码展示了如何通过 `SelectKBest` 类来进行基于卡方检验的选择,并随后调用 `inverse_transform` 来获取近似于原版的数组表示。 #### 数据标准化过程里的反向映射 除了用于特征子集选取外,`inverse_transform` 还广泛应用于其他类型的转换上,比如缩放和平移等线性变化。考虑如下情形: ```python scaler = preprocessing.StandardScaler().fit(X_train) scaled_data = scaler.fit_transform(X_train) original_data = scaler.inverse_transform(scaled_data) print(original_data) # 对它进行fit_transform操作后会得到 [[ 1. 1. -1.] [-1. -1. 1.]] [^4] ``` 这里先是对训练集中每列数值进行了零均值单位方差规范化;接着再经由 `inverse_transform` 把这些被调整过的数值得以复原至未加改变前的样子。 #### 实际应用场景举例 假设有一个已经过 MinMaxScaler 处理过得二维 NumPy 数组 `X_scaled` ,现在想要查看该版本与未经任何改动之前的区别,则可按照下述方式实现: ```python min_max_scaler = preprocessing.MinMaxScaler() fitted_model = min_max_scaler.fit(X_original) normalized_array = fitted_model.transform(X_original) un_normalized_array = fitted_model.inverse_transform(normalized_array) print(un_normalized_array) ``` 此段脚本先是创建了一个最小最大归一化实例并完成拟合工作,紧接着就运用 `.transform()` 和 `.inverse_transform()` 成功实现了双向映射功能展示。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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