【工 具】:Olydbg1.1(diy版)、LORDPE、ImportREC1.6F
【任 务】:脱马甲
【操作平台】:Windows Xp sp2
【作 者】:loveboom[DFCG][FCG][US]
【简要说明】:这里一个比较奇怪的外壳,在外面看不到关于这个壳的任何说明,壳通过一个DLL对原程序进行解压,解压完毕执行原程序,是一个比较有新意的加壳方式。
【详细过程】:
比较有意思,程序只用一个DLL来解压并运行程序,
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
2.4k累计阅读
2.4k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 →
码龄23年
英雄王座源码
有需要英雄王座二次开发的朋友联系本人
外挂、破解软件理论与实战
外挂、破解软件理论与实战
WIM文件挂载工具 WINPE必备
WIM文件挂载工具 WIM文件挂载工具
外挂、pe、elf二进制逆向连载篇
外挂、pe、elf二进制逆向连载篇
【英雄王座】大型多人网络游戏+服务端win7系统专用+客户端+GM工具+全套无毒
服务端要解压到 D:\ 1.打开 一:WIN7注册表.reg 2.打开 二:数据源.reg 3.三:RegServer.bat OK!第一次 玩就要注册上面的3个注册表 第二次玩就不用启动了! 正式开始架设! A:启动数据库.exe B:开启服务端.bat 等2分钟 我是WIN7 内存3-4G 应该可以玩吧! OK!打开客户端 开始游戏.bat 进游戏吧! 新建立的任务 摁 R 键人物才会跑 账号 123456 123456 dong 123456 admin 123456
[3D检测系列-PV-RCNN] PV-RCNN实战指南:从论文解析到代码调试全流程
本文提供了PV-RCNN在3D目标检测领域的实战全流程指南。文章深入解析了其Point-Voxel融合的核心思想,并详细演示了从环境搭建、数据准备、代码复现到模型训练与调试的具体步骤,特别针对常见的报错问题给出了解决方案,帮助开发者高效掌握这一经典算法。
【转】脱壳工具
脱壳工具http://www.pediy.com/tools/unpacker.htm 文件类型侦测工具 peid 0.94
基于Apache SeaTunnel构建CDC数据同步管道
Apache SeaTunnel是一个数据集成开发平台,其发展经历了几个重要阶段:ETL时代(90年代):面向结构化数据库的数据同步,用于构建数据仓库。MPP和分布式技术流行:使用技术如Hive进行数据仓库的构建。此阶段主要使用mapreduce程序进行数据搬运和转换。数据湖技术流行:重视数据集成,强调先同步数据至数据湖仓储,再进行业务面向的转换和设计。CDC,即变更数据捕获,是一种捕获数据库变更事件(如插入、更新、删除)的技术。
claude code源码万字深入分析
临时把当前整段对话重新总结一遍。
SUMO从入门到精通:手把手教你用开源工具完成智能网联车仿真(附Python接口教程)
本文提供了一份SUMO开源交通仿真工具的完整实战指南,从环境搭建、基础仿真到Python接口TraCI的深度应用。重点讲解了如何利用SUMO的高度可定制性进行智能网联车仿真,包括实现动态信号优先等核心算法,并介绍了与网络仿真器集成以构建高保真车联网通信环境的方法。
论文记录:Affine Formation Maneuver Control of Multiagent Systems
多智能体编队控制仿真记录 实现功能:平移/旋转/尺寸缩放/shear,见截图 注意:本仿真图只是起到了演示效果,中间过程速度产生突变,实际中是不允许的。需要进行速度规划,这一点论文中仿真图更为贴合实际。 参考论文:Zhao, S. (2018). Affine Formation Maneuver Control of Multiagent Systems. IEEE Transactions on Automatic Control, 63(12), 4140–4155. 突然发现有个博主写得很好,参考:
从datasheet看国产触摸调光IC的工程取舍
EC2103-7518作为一颗功能专一的台灯触摸调光IC,在BOM成本、PCB面积、调试工时上相比传统多芯片方案有明显优势,适合LED护眼学习台灯、直播摄影桌面补光灯、化妆镜LED镜前灯、酒店客房床头触摸阅读灯、家用桌面氛围落地小台灯等场景。EC2103-7518作为LED双色温触摸控制芯片,通过CW(白灯,14脚)和WW(暖灯,11脚)两个逻辑输出脚实现四种色温模式循环:白光→暖+白→白+暖→暖光。触摸调光IC的核心是触摸算法。我的实测是:72小时持续点亮测试,触摸响应一致,未出现寄存器漂移导致的失灵。
7-1 链式基数排序 (20 分)
7-1 链式基数排序 (20 分) 实现链式基数排序,待排序关键字n满足1≤n≤1000,最大关键字数位≤5。 输入样例: 第一行输入待排序个数n(1≤n≤1000),再输入n个数(n的数位≤5)。 10 278 109 63 930 589 184 505 269 8 83 输出样例: 输出每趟分配-收集后链表中的关键字,趟数为序列中最大值的数位(如样例中930的数位为3),每行结尾有空格。 930 63 83 184 505 278 8 109 589 269 505 8 109 930 63 26
高通410随身WiFi SP970-V13实测:频段网速与去云控刷机指南
随身WiFi作为移动网络共享设备,其核心在于基带芯片与频段支持。高通410(MSM8916)集成LTE Cat4基带,支持多频段,功耗低且社区资源丰富,成为入门级随身WiFi的热门方案。通过频段锁定与去云控优化,可显著提升网速与稳定性,适用于租房、出差等临时网络场景。本文以SP970-V13为例,分享频段分析、网速实测与刷机去云控的实操经验。
从GWAS到单细胞:利用seismic包精准定位疾病相关的关键细胞亚群与驱动基因
本文详细介绍了如何利用seismic包将GWAS与单细胞测序数据结合,精准定位疾病相关的核心细胞亚群与驱动基因。通过创新的统计算法和实战案例,帮助研究者从遗传汇总数据中挖掘关键生物学机制,提升疾病研究的精准度和效率。
044、镜头脏污与异物检测:产线 AOI 检测方案与 ISP 脏污补偿
文章摘要(148字) 本文针对镜头生产中的脏污检测问题,提出产线AOI检测与ISP补偿结合的解决方案。产线端采用明场、暗场、偏振三通道联合检测技术,将油污漏检率从8.3%降至0.2%。ISP端通过RAW域局部梯度分析和频域补偿算法,动态修复产线漏检的微小脏污。作者结合实战案例,详细分析了传统灰度阈值法的局限性,并给出多模态检测的代码实现要点,强调必须建立"产线拦截+终端补偿"的双重防护机制。
Pi Agent 本地智能体实战:从安装到自定义 Skills 的完整指南
在AI编程工具日益丰富的今天,智能体(Agent)的本地化部署与可扩展性成为开发者关注的核心。与依赖云端沙箱或封闭IDE插件的方案不同,本地优先的智能体通过常驻后端服务与轻量桌面端结合,让用户同时获得控制权与灵活性。其核心价值在于Skills机制——一种将任意脚本或命令行工具封装为可复用能力的设计哲学,使得智能体不再是黑盒,而是可被用户编排的胶水平台。无论是代码审查、日志分析还是CI流水线中的自动化任务,基于Tool Call的计划-执行-检查循环都保证了每一步的可追溯性。从环境配置中的Python版本兼容
uniapp - 实现 App 端 “半屏幕“ 连续扫码功能,页面只有半个屏幕是扫码框并且可持续连续扫码获取数据(不使用官方 uni.scanCode API,因为无法连续扫码!)详细示例源码插件教程
uniapp app端实现半屏幕扫码,uniapp 扫一扫半个屏幕,uniapp 扫一扫,uniapp持续扫码实现,uniapp怎么自定义扫码和连续扫码,uni-app App端半屏连续扫码,uniapp 扫一扫半个屏幕,uniapp自定义扫码页面样式,实现连续扫码功能(uniapp),uniapp - 实现 App 端 "半屏幕" 连续扫码功能,页面只有半个屏幕是扫码框并且可持续连续扫码获取数据(不使用官方 uni.scanCode API,因为无法连续扫码!)详细示例源码插件教程。
RK3568/T527/T536嵌入式芯片选型实战指南
嵌入式SoC选型本质是系统级工程决策,而非单纯比拼CPU主频或NPU算力。理解ARM Cortex-A55架构下不同芯片的内存带宽分配、外设接口物理层设计(如MIPI-CSI独立PHY、PCIe Gen2/Gen3通道能力)及功耗热分布特性,是保障边缘AI设备稳定量产的关键。USB 3.0信号完整性、DDR PHY校准窗口、BootROM加载机制等底层差异,直接决定原理图设计容错性、Linux设备树适配难度与EMC一次通过率。面向工业视觉、智能网关、低功耗传感等典型场景,需结合真实负载(如batch siz
蓝牙模块HM-10手册
蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
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")
RTL8201F百兆以太网硬件设计避坑指南:原理图与PCB实战解析
在嵌入式系统设计中,为MCU扩展以太网接口是常见需求,而PHY芯片作为物理层收发器,决定了链路稳定性与传输性能。理解PHY与MAC之间的MII/RMII接口时序、时钟方向以及网络变压器的信号耦合原理,是硬件工程师进行原理图设计的基础。本文围绕RTL8201F这一典型百兆PHY芯片,从选型对比、供电与时钟设计、MAC接口连线到PCB布局,系统梳理了实际项目中容易忽略的细节。结合LAN8720、DP83848等常见方案的特点,帮助读者快速建立正确的硬件设计思路。更重要的是,通过分享两次打板实测中遇到的晶振不起振
WINCC7.3破解文件
WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!
PD受电芯片选型实战:协议、功率与热管理三重博弈
USB PD受电芯片是快充系统的核心枢纽,其本质远超简单协议转换——它集成了实时协议状态机、动态功率调度与精密热管理功能。理解PD协议演进(如PD3.1 EPR、PPS)、PDO协商机制及VDM扩展能力,是保障多设备兼容性的基础;而功率路径设计需统筹VBUS处理、DC-DC效率与PCB热扩散,直接决定实际可承载功率;热与EMI则通过电感选型、HFSS仿真、SW节点布局等物理层手段影响长期可靠性。在华为SuperCharge适配、云快充协同、Type-C数据/充电复用等典型场景中,芯片选型必须兼顾协议灵活性、
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
超小型32位MCU:从封装到选型的全面解析
在嵌入式系统设计中,MCU(微控制器)是核心组件,其小型化趋势正深刻改变终端产品的形态。随着工艺与封装技术的进步,32位MCU在极小的尺寸内实现了高性能、低功耗与高集成度,使可穿戴设备、智能传感器等场景受益匪浅。这一演进的核心在于平衡封装尺寸、引脚数量、功耗预算与成本,通过QFN、CSP等封装工艺和内部时钟、低功耗外设的优化,实现了系统级的“减法设计”。无论是替代传统8位MCU,还是支撑边缘节点AI推理,超小型32位MCU都展现出巨大的工程价值。本文从封装技术、芯片架构、内核选择到选型实操与供应链风险,系统
输入输出外挂总结
转载自:http://blog.youkuaiyun.com/f_zyj/article/details/51473493 还有这一篇:http://blog.youkuaiyun.com/yujuan_mao/article/details/8119529 ACM模版 适用于正整数 template class T> inline void scan_d(T &ret) {
游戏外挂基本原理及实现[转贴]
游戏外挂基本原理及实现[转贴]游戏外挂基本原理及实现游戏外挂已经深深地影响着众多网络游戏玩家,今天在网上看到了一些关于游戏外挂编写的技术,于是转载上供大家参考 1、游戏外挂的原理 外挂现在分为好多种,比如模拟键盘的,鼠标的,修改数据包的,还有修改本地内存的,但好像没有修改服务器内存的哦,呵呵。其实修改服务器也是有办法的,只是技术太高一般人没有办法入手而已。(比如请GM去夜总会、送礼、收黑钱
AcProtect 1.41 外壳分析
【目 标】: 应作者要求,这里不贴上软件名【工 具】:Olydbg1.1(diy版)、LORDPE、ImportREC1.6F 【任 务】:分析外壳 【操作平台】:Windows 2003 server 【作 者】: LOVEBOOM[DFCG][FCG][US]【相关链接】: ......【简要说明】: 脱ACPROTECT的壳并不多,以前最多只
9948
1096
140
1万+
298

被折叠的 条评论
为什么被折叠?



