21、无线安全技术全解析

无线安全技术全解析

1. WarDriving概述

1.1 WarDriving定义

WarDriving是指在特定区域移动,对无线接入点进行统计性测绘,以提高对无线网络安全问题的认识。它并不意味着未经授权使用这些无线接入点,该术语涵盖了所有无线发现活动,如WarFlying、WarWalking等。其起源于WarDialing,在1983年电影《WarGames》中由Matthew Broderick饰演的David Lightman将这一概念引入大众视野。美国联邦调查局(FBI)表示,按照其真正含义,WarDriving在美国并不违法。

1.2 WarDriving所需工具

WarDriving主要有两种硬件设置:笔记本电脑和个人数字助理(PDA)。进行WarDriving还需要以下设备:
- 无线网卡,最好带有外部天线连接器。
- 外部天线,主要有两种类型:
- 全向天线:用于在各个方向尽可能多地捕获接入点。
- 定向天线:用于在已知位置或方向精确查找特定接入点。
- 用于连接天线和无线网卡的转接器。
- 能够输出NMEA格式的手持GPS设备。
- 外部电源,如电源逆变器或点烟器适配器。

1.3 设备配置

不同操作系统在WarDriving时需要进行不同的配置:
- Windows操作系统 :禁用TCP/IP堆栈,以避免意外连接到配置错误的无线网络。
- Pocket PC或Windows CE :设置非标准的IP地址和子网掩码,防止意外连接。
- Linux操作系统 :由于使用的工具采用监控模式,无需额外配置。

1.4 无线网络渗透测试

在进行无线网络渗透测试之前,了解无线网络的漏洞至关重要。不同加密方式的网络存在不同的安全风险:
- 开放网络天生就具有脆弱性。
- 采用WEP加密的网络,由于RC4算法存在已知漏洞,容易被攻破。
- WPA加密的网络可通过字典攻击破解,近期还出现了针对常见SSID的彩虹表。
- Cisco的LEAP(虽然现在不常用)可使用自动化工具进行破解。

无线渗透测试人员有大量工具可供选择,包括开源和商业工具。

2. 无线电与天线理论

2.1 无线电理论

主要探讨了无线电信号和波的理论,研究了频率和波长之间的关系,并给出了频率和波长相互转换的公式。同时,还介绍了无线电的各种技术术语,如天线、信号、噪声和分贝等。

2.2 天线理论

讨论了不同类型的天线,包括全向天线和定向天线,展示了各种天线的辐射模式和多种不同型号。此外,还介绍了其他射频设备,如放大器和衰减器。

2.3 天线选择

在WarDriving、安全审计和“红队”渗透测试等场景中,选择合适的天线需要考虑多种因素。同时,还提供了一些购买天线的渠道。

3. 不同设备的WarDriving

3.1 Sharp Zaurus

Sharp Zaurus是基于Linux的PDA,有适用于它的Kismet安装包。虽然有GPSD可用,但相关软件包不太可靠,建议在Linux工作站上编译二进制文件并复制到Zaurus。可以使用普通手持GPS设备搭配转接电缆,或者专门为Zaurus开发的GPS设备。还可以使用多种不同的Compact Flash WiFi卡,包括带有外部天线连接器的卡。

3.2 iPaq

MiniStumbler可在运行Windows CE变体的PDA上运行。Hermes芯片组的个人计算机存储卡国际协会(PCMCIA)卡与MiniStumbler配合使用效果最佳,但其他卡也能工作。MiniStumbler可与使用NMEA协议的GPS接收器配合使用。

3.3 手持设备的方向查找

使用手持设备进行方向查找时,需要读取无线电信号强度,操作系统类型无关紧要。外部定向天线可使方向查找更加容易,但不是必需的。

4. Windows系统下的WarDriving与渗透测试

4.1 NetStumbler

NetStumbler是Windows用户进行WarDriving的应用程序,它是802.11a、802.11b和802.11g无线网络的检测和分析工具。

4.2 无线渗透测试工具

  • AirCrack - ng有Windows版本,可用于数据包捕获,能破解WEP加密并解码弱WPA - PSK密钥。
  • 可以使用Network View等程序通过图形界面进行网络发现。

5. Linux系统下的WarDriving与渗透测试

5.1 系统准备

使用Kismet进行WarDriving时,需要确保内核具备以下条件:
- 启用监控模式(rfmon)。
- 启用对无线网卡的正确支持。
- 编辑Kismet的配置文件,确保其正确配置以满足特定需求。

5.2 WarDriving与Kismet

Kismet可以显示所发现的每个网络的大量信息,包括IP地址范围、信道、加密类型以及连接到该网络的客户端。还可以使用图形前端,如gkismet。

5.3 无线渗透测试步骤

  • WLAN发现 :确定目标网络。
  • 识别加密方式 :了解目标网络使用的加密类型。
  • 攻击操作 :对WEP和WPA网络的攻击通常需要向接入点发送去认证洪水,Void 11是执行此功能的优秀工具。Aircrack套件(Aircrack、Aireplay和Airodump)是破解WEP加密网络的好工具。CoWPAtty可自动化WPA - PSK破解过程,但需要捕获四次EAPOL握手并拥有强大的字典文件。
  • 后续操作 :破解加密并连接到网络后,应将此访问视为在网络上的立足点,并按照正常的渗透测试程序进行操作。

6. OS X系统下的WarDriving与渗透测试

6.1 Kismac

Kismac是WarDriving中功能最强大的工具之一,可在主动和被动模式下运行,还具备为WarDriving行程绘制地图的功能。

6.2 渗透测试功能

Kismac可执行许多无线渗透测试任务,包括:
- 内置使客户端去认证的功能。
- 包含向无线网络注入流量的程序。
- 内置破解WEP和WPA密码短语的工具。

6.3 其他工具

  • iStumbler不仅能检测802.11 b/g无线网络,还能检测蓝牙设备。
  • 从OS X 10.4 Tiger开始,有许多仪表盘小部件可用于检测无线网络。
  • 数据包分析器或嗅探器,如TCPDump或Ethereal,对无线渗透测试人员来说是很有价值的工具。

7. 核心技术与开源工具

7.1 核心技术

7.1.1 WLAN技术

需要了解的第一项技术是WLAN技术。有两种类型的扫描器:
- 主动扫描器依赖SSID广播信标。
- 被动扫描器利用监控模式(rfmon),可以识别隐藏的接入点。

7.1.2 加密类型

无线网络主要使用四种加密方式:
- 有线等效保密(WEP)加密
- WiFi保护访问(WPA/WPA2)加密
- 可扩展认证协议(EAP)
- 虚拟专用网络(VPN)

7.1.3 攻击机制

不同加密方式的网络存在不同的攻击机制:
| 加密类型 | 攻击机制 |
| ---- | ---- |
| WEP | 易受FMS攻击和切割攻击 |
| WPA | 易受字典攻击 |
| Cisco的LEAP | 易受字典攻击 |
| VPN | 通常不直接脆弱,但可通过间接手段攻破 |

7.2 开源工具

7.2.1 足迹分析工具

GPSMap是Kismet附带的工具,非常适合确定目标组织的无线覆盖范围。

7.2.2 情报收集工具

与任何渗透测试一样,互联网搜索引擎查询和USENET新闻组搜索是收集情报的有效方法。

7.2.3 扫描工具

Auditor包含两个WLAN扫描工具:Wellenreiter和Kismet。

7.2.4 枚举工具

Kismet能够确定关联客户端的信息,是渗透测试人员理想的无线枚举工具。

7.2.5 漏洞评估工具
  • 确定加密类型是评估无线网络漏洞状态的最佳方法之一,Auditor提供了两个适合此任务的工具。
  • Kismet可显示使用的加密强度。
  • 由于Kismet在确定WPA时并不总是准确,可使用Ethereal通过检查捕获的数据包来确定加密强度。
7.2.6 利用工具
  • Auditor提供了丰富的利用工具。
  • Mac - Changer可用于伪造MAC地址。
  • Auditor提供Void - 11用于客户端去认证。
  • Aircrack套件适用于注入流量和破解WEP。
  • CoWPAtty用于破解WPA密码短语,但需要强大的字典文件。

以下是无线网络渗透测试的基本流程mermaid图:

graph LR
    A[WLAN发现] --> B[识别加密方式]
    B --> C{是否需要去认证}
    C -- 是 --> D[使用Void 11去认证]
    C -- 否 --> E[直接攻击]
    D --> E
    E --> F{加密类型}
    F -- WEP --> G[使用Aircrack套件破解]
    F -- WPA --> H[使用CoWPAtty破解]
    G --> I[连接网络]
    H --> I
    I --> J[后续渗透测试]

8. GPS与地图绘制

8.1 使用GPSD与Kismet

要将GPS设备与Kismet配合使用,需要安装GPSD,具体步骤如下:
1. 从http://www.pygps.org/gpsd/ 下载GPSD。
2. 解压并解包GPSD。
3. 执行配置脚本,然后运行make和make install。
4. 在启动Kismet之前启动GPSD,以便记录发现网络的GPS坐标。

8.2 配置Kismet进行地图绘制

在kismet.conf文件中确保以下设置:
- gps=true
- gpshost=localhost:2947

8.3 使用GPSMap绘制地图

GPSMAP随Kismet一起安装,可使用以下开关进行操作:
- -S #:从多个服务器下载地图。
- -r:创建范围圈地图。
- -f和-i:过滤接入点,仅创建目标网络的地图。

8.4 使用StumbVerter绘制地图

StumbVerter是一个免费程序,可从www.michiganwireless.org/tools/Stumbverter/ 下载,用于将NetStumbler数据集导入Microsoft MapPoint并生成地图。安装简单,只需执行安装程序。在导入NetStumbler数据之前,需要将其导出为NetStumbler摘要文件格式。

9. MITM攻击

9.1 MITM攻击设计

MITM攻击的基本目标是让无线客户端连接到攻击者控制的接入点,然后将其流量转发到真正的(授权)接入点。在无线渗透测试中,通常会测试无线网络的安全控制。成功执行MITM攻击需要一个或多个目标接入点。攻击过程如下:
- 无线客户端(受害者)最初连接到目标接入点。
- 当客户端与目标接入点断开连接后,会连接到MITM攻击平台配置的接入点。
- MITM攻击平台为原本连接到目标接入点的无线客户端提供接入点功能,其配置与目标接入点几乎相同,普通用户难以区分。

9.2 攻击所需硬件

成功执行MITM攻击需要以下硬件和关键软件程序:
- 笔记本电脑:可作为目标接入点的克隆,并提供与目标无线网络的连接,还可运行Web服务器托管攻击中发现的伪造网站,因此应具备处理内存密集型任务的能力。
- 两块无线网卡:一块为无线客户端(受害者)提供接入点功能,需能够进入主机AP模式(也称为主模式);另一块用于与目标接入点建立连接。
- 天线:选择合适的天线很重要,主要考虑两种类型:定向天线和全向天线。
- 2.4 GHz放大器:用于增强MITM接入点的信号,使其信号强度超过目标接入点。

9.3 识别和攻破目标接入点

在发起MITM攻击之前,需要识别并攻破目标接入点。为此,需要收集目标的初步数据,可通过WarDriving获取尽可能多的信息,并利用这些信息绕过接入点的安全机制。

9.4 攻击笔记本电脑配置

9.4.1 内核配置

Linux内核是Linux操作系统的核心,需要启用一些选项以准备攻击平台,包括对硬件的支持、实用程序和驱动程序。

9.4.2 IP转发和NAT

安装和配置Linux内核及两块无线网卡后,启用IP转发和NAT可创建无线路由器/网关,使两个无线接口能够相互通信和传递流量。

9.4.3 Dnsmasq

Dnsmasq是一个轻量级、易于配置的DNS转发器和DHCP服务器,在攻击平台上有两个重要功能:为连接到接入点的无线客户端提供IP地址,以及监控和毒害DNS查询,可用于将Web应用的DNS请求重定向到伪造的Web服务器。

9.5 克隆目标接入点并发起攻击

完成MITM攻击笔记本电脑的配置后,建立无线连接并开始攻击。确保硬件正常运行并正确连接,包括放大器和全向天线。为了让无线客户端连接到攻击者的接入点,可以等待客户端断开并重新连接,或者使用void11强制客户端与目标接入点断开连接。如果一切顺利,当接入点的信号强度超过目标网络的接入点时,无线客户端应会连接到攻击者的接入点,Dnsmasq将根据/etc/dnsmasq.conf文件中的DHCP分配为客户端提供IP地址,客户端将接入点的IP地址作为网关和主DNS服务器。

10. 无线接入点固件修改

10.1 固件修改选择

修改无线接入点固件有多种选择,主要的软件有HyperWRT、DD - WRT和OpenWRT,这里重点介绍OpenWRT。硬件选择几乎没有限制,具体取决于所选的软件安装,以Linksys的WRT54G接入点为例。

10.2 安装OpenWRT

OpenWRT固件可安装在50多种硬件设备上。从OpenWRT网站下载使用squashfs文件系统的固件。可使用Telnet接口配置路由器,但建议使用更安全的SSH连接。OpenWRT使用简单的命令行界面,通过NVRAM变量设置固件中的不同选项。由于使用squashfs文件系统安装,大多数配置文件实际上是设备/rom/目录中对应文件的符号链接。编辑这些文件时,需要删除符号链接,将文件从/rom/目录复制到原始目标目录,然后继续编辑。

10.3 软件包安装与管理

通过编辑/etc/ipkg.conf文件,可以从Web安装软件包,使工作站完全配置。ipkg套件允许用户添加、删除和更新软件包。但WRT54G的系统存储有限,因此需要根据设备的用途选择一次安装哪些软件包。

10.4 枚举和扫描

  • Nmap :WRT54G可作为远程门户使用Nmap进行初始端口扫描,OpenWRT的Nmap软件包提供了大多数选项。
  • Netcat :可用于在WRT54G上建立连接,打开端口或与其他设备建立出站连接。
  • Tcpdump :Tcpdump软件包可用于捕获和分析TCP流量,了解设备在网络中的位置有助于确定可以嗅探和分析的流量类型和数量。

10.5 Kismet无人机安装与配置

Kismet可以在WRT54G上运行,但设备可用空间有限。只要在ipkg.conf文件中列出正确的源,安装kismet就很简单。可以配置kismet无人机在设备上持续运行,进行持续的无线扫描,需要指定正确的kismet_drone.conf文件。无人机运行后,可以从配置文件中指定的同一子网的其他工作站连接到它,也可以直接从路由器运行kismet查看范围内的接入点。

10.6 安装Aircrack破解WEP密钥

在WRT54G上使用Aircrack需要大量磁盘空间来存储流量的pcap文件。可以挂载远程文件系统,并将其指定为数据输出的挂载点,以避免受WRT54G内部内存的限制。安装Aircrack套件只需编辑ipkg.conf文件指向新的存储库,更新可用软件列表,然后安装Aircrack。

11. 无线视频

11.1 无线视频的优势

无线视频具有成本低、安装和使用方便的优点。目前大多数无线视频使用2.4 GHz频率范围,但也有1.2 GHz和900 MHz的其他选项。视频传输使用多种格式,如NTSC、PAL或SECAM,NTSC是美国的默认格式。由于当前技术的限制,渗透测试通常不适用于无线视频评估,但也有一些例外,如Linksys DCS5300G。

11.2 无线视频技术

无线视频技术有多种形式,包括:
- 婴儿监视器
- 泰迪熊摄像头
- 监控监视器
- 间谍摄像头
- 网络摄像头

无线摄像头可以隐藏在各种产品中,如泰迪熊、时钟收音机和间谍摄像头。在默认配置下,无线摄像头在室内的传输距离约为100英尺,室外约为400英尺。信号接收距离取决于源端和/或接收端使用的天线。

11.3 检测工具

11.3.1 相关术语
  • 传播:用于定义信号从源端传播并扩散到周围区域的方式。
  • 衰减:描述信号随着远离源端而逐渐减弱的现象。
11.3.2 扫描通道

2.4 GHz频率范围内有14个可能的通道可供扫描,具体取决于所在地区,美国仅使用11个通道。

11.3.3 检测工具

市场上没有单一的工具可以进行全面的无线评估,有多种硬件和软件工具可供选择,包括:
- ICOM IC - R3接收器
- X10.com接收器和软件
- WCS - 99视频扫描仪
- Spy Finder摄像头探测器

工具的成功使用部分取决于评估过程中使用的天线。全向天线可在接收器周围360度接收信号,而定向天线在15度弧范围内接收信号。完整的无线评估应包括使用类似Spy Finder的工具扫描隐藏摄像头,因为并非所有无线摄像头都使用可充分扫描的频率。可以使用三角测量法定位信号,使用两个带有定向天线的接收器,相距至少100英尺,在360度范围内扫描,直到找到与目标匹配的最强信号,两条线的交叉点即为信号源。

以下是无线视频检测过程的mermaid图:

graph LR
    A[开始检测] --> B[选择检测工具]
    B --> C{是否使用全向天线}
    C -- 是 --> D[全向扫描]
    C -- 否 --> E[定向扫描]
    D --> F[记录信号]
    E --> F
    F --> G{是否发现可疑信号}
    G -- 是 --> H[使用三角测量法定位]
    G -- 否 --> B
    H --> I[确认信号源]
    I --> J[结束检测]

综上所述,无线网络的安全涉及多个方面,包括WarDriving、渗透测试、核心技术、开源工具、GPS应用、MITM攻击、固件修改和无线视频检测等。了解这些知识和技术,并掌握相应的工具和操作方法,对于保障无线网络安全和进行有效的渗透测试至关重要。在实际应用中,需要根据具体情况选择合适的技术和工具,并严格遵守法律法规和道德准则。

12. 无线安全技术总结与应用建议

12.1 技术总结

  • WarDriving :是一种统计性测绘无线接入点的活动,可提高对无线网络安全问题的认识。它起源于WarDialing,在美国按其真正含义并不违法。进行WarDriving需要特定的硬件设备和不同操作系统下的配置。
  • 天线理论与选择 :了解无线电和天线理论对于选择合适的天线至关重要。全向天线适用于广泛捕获接入点,定向天线适用于精确查找特定接入点。在不同场景下,如WarDriving、安全审计和渗透测试,需要考虑多种因素来选择天线。
  • 不同系统下的工具应用 :在Windows、Linux、OS X等不同操作系统下,有各种适合WarDriving和无线渗透测试的工具。例如,NetStumbler适用于Windows系统的WarDriving,Kismet在Linux系统中功能强大,Kismac在OS X系统中表现出色。
  • 核心技术与加密攻击 :WLAN技术中有主动和被动扫描器,无线网络主要使用四种加密方式,每种加密方式都有相应的攻击机制。开源工具涵盖了足迹分析、情报收集、扫描、枚举、漏洞评估和利用等多个方面。
  • GPS与地图绘制 :通过安装GPSD并与Kismet配合使用,可以记录发现网络的GPS坐标。使用GPSMap和StumbVerter等工具可以绘制WarDriving的地图。
  • MITM攻击 :MITM攻击的目标是让无线客户端连接到攻击者控制的接入点,需要特定的硬件设备和软件程序。攻击前需要识别并攻破目标接入点,同时对攻击笔记本电脑进行配置。
  • 无线接入点固件修改 :可以选择HyperWRT、DD - WRT和OpenWRT等软件修改无线接入点固件。以OpenWRT为例,安装和配置过程涉及多个步骤,还可以安装各种软件包进行枚举、扫描和破解等操作。
  • 无线视频 :无线视频具有成本低、安装和使用方便的优点,但渗透测试通常不适用于无线视频评估。市场上有多种检测工具,可利用三角测量法定位信号源。

12.2 应用建议

  • 安全防护方面
    • 对于无线网络所有者,应定期进行WarDriving式的自我检测,了解自身网络的覆盖范围和安全状况。使用强加密方式,如WPA2,并定期更换密码。
    • 避免使用默认的SSID和管理密码,防止被攻击者轻易识别和破解。
    • 定期更新无线接入点的固件,以修复已知的安全漏洞。
  • 渗透测试方面
    • 在进行渗透测试前,充分收集目标网络的信息,包括使用开源工具进行足迹分析和情报收集。
    • 严格遵守法律法规和道德准则,获得授权后再进行测试。
    • 针对不同的加密方式,选择合适的攻击工具和方法,如使用Aircrack套件破解WEP加密,使用CoWPAtty破解WPA密码短语。
  • 无线视频方面
    • 对于使用无线视频设备的用户,应注意设备的安全设置,如更改默认密码,避免设备被他人轻易访问。
    • 在进行无线视频检测时,使用多种检测工具进行全面评估,确保没有隐藏的无线摄像头。

12.3 常见问题解答

以下是一些常见问题及其解答:
| 问题 | 解答 |
| ---- | ---- |
| WarDriving是否违法? | 在美国,按其真正含义WarDriving并不违法,但如果未经授权使用无线接入点则可能违法。 |
| 如何选择合适的天线? | 根据具体场景选择,全向天线适用于广泛捕获接入点,定向天线适用于精确查找特定接入点。还需考虑天线的增益、频率范围等因素。 |
| 如何破解WPA密码? | 可以使用CoWPAtty等工具进行字典攻击,但需要捕获四次EAPOL握手并拥有强大的字典文件。 |
| 无线视频检测有哪些工具? | 市场上有ICOM IC - R3接收器、X10.com接收器和软件、WCS - 99视频扫描仪、Spy Finder摄像头探测器等工具。 |

12.4 未来趋势展望

随着无线网络技术的不断发展,无线安全领域也将面临新的挑战和机遇。未来可能会出现更强大的加密算法和安全机制,同时攻击者也会开发出更先进的攻击手段。因此,持续关注无线安全技术的发展,不断学习和更新知识,对于保障无线网络安全至关重要。

以下是一个总结无线安全技术应用流程的mermaid图:

graph LR
    A[确定目标] --> B[信息收集]
    B --> C{目标类型}
    C -- 无线网络 --> D[WarDriving与扫描]
    C -- 无线视频 --> E[视频检测]
    D --> F[漏洞评估]
    E --> F
    F --> G{是否存在漏洞}
    G -- 是 --> H[选择攻击工具]
    G -- 否 --> I[结束]
    H --> J[实施攻击]
    J --> K[验证结果]
    K --> L{是否成功}
    L -- 是 --> M[报告与建议]
    L -- 否 --> H
    M --> I

总之,无线安全技术是一个复杂而重要的领域,需要我们不断深入学习和实践。通过合理应用各种技术和工具,我们可以更好地保障无线网络的安全,同时也能在渗透测试中发挥更大的作用。在未来的发展中,我们应紧跟技术趋势,不断提升自己的能力,以应对日益复杂的无线安全挑战。

相关推荐

无线AP介绍

一、无线AP安装部署 无线AP相比比较简单,但需要注意以下细节,避免出现速度慢、卡顿、无法运行等情况。 根据覆盖的范围选择无线AP型号; 一般室内无线AP间隔在20-30米距离,室外AP间隔在30-50米; 在部署之前,需要考虑环境及外界设备对AP无线信号的影响,再综合考虑覆盖范围; 无线AP最好选择双频,双频较单频速度更快、干扰更低、价格更贵,未来的趋势; 无线信号由AP为中心向四周发射,如有墙壁灯障碍物可反射或改变方向; AP最好选择安装在中间位置,全向推荐高度4-6米,定向6-8米,Po

jzyue 1万+

21、无线渗透测试与WarDriving技术全解析

本文全面解析了无线渗透测试与WarDriving技术,涵盖了WarDriving的概念、工具配置及应用场景,详细介绍了无线电与天线理论,以及在不同设备和操作系统(如Windows、Linux、OS X)下的使用方法。文章还深入探讨了无线网络渗透测试的核心技术、MITM攻击的实现、无线接入点固件的修改、无线视频技术的安全检测等内容,并提供了实际案例和防御策略建议。通过系统化的技术分析和实践指导,帮助读者深入了解无线网络安全及攻防手段。

week9的博客 156

21、无线安全技术全解析:从WarDriving到渗透测试

本文深入解析了无线安全技术,涵盖了WarDriving的定义与工具、无线网络渗透测试方法、不同操作系统的设置、MITM攻击步骤、固件修改以及无线视频技术等内容。同时,文章还讨论了无线网络安全的最佳实践与未来发展趋势,为读者提供了全面的安全防护指南。

k8l9m0n的博客 92

4、无线渗透测试全解析

本文深入解析了无线渗透测试的各个方面,从无线安全的现状、WLAN漏洞的分类,到无线渗透测试的基础知识和实际应用案例。文章详细介绍了针对不同加密方式(如WEP、WPA、LEAP)的攻击方法,并列举了常用的渗透测试工具和注意事项。此外,还探讨了无线安全技术的发展趋势,并为网络管理员和渗透测试人员提供了实用的建议,旨在帮助读者更好地理解无线网络安全问题并采取有效措施加以防范。

k8l9m0n的博客 99

21、Windows Vista 网络与无线功能深度解析

本文深入解析了Windows Vista在网络通信和无线功能方面的多项改进。内容涵盖IPv6支持、网络和共享中心、Windows防火墙特性、无线架构升级、WPA2安全协议支持、网络诊断框架等关键功能。同时,还介绍了网络地图、无线组策略配置以及与网络访问保护(NAP)的集成,旨在帮助用户提升网络的安全性、可用性和管理便捷性。无论是个人用户还是企业用户,均可从这些改进中受益。

leaf8的博客 82

8、无线频谱拍卖机制全解析

本文全面解析了无线频谱拍卖机制的设计与挑战,重点探讨了间接机制、同时升价拍卖(SAAs)、套餐投标以及2016年FCC激励拍卖中的反向拍卖等关键机制。分析了不同拍卖机制的优缺点及适用场景,并讨论了未来优化方向。通过理论与案例结合,为频谱拍卖机制的设计提供了深入的参考与启示。

a1b2c的博客 71

21、PCI合规与无线支付网络安全解析

本文深入探讨了PCI合规与无线支付网络安全的重要性。通过分析数据保护、无线技术发展以及其潜在风险,结合实际案例和应对措施,全面解析了保障支付安全的关键策略。同时,还介绍了相关的安全工具、最佳实践以及未来趋势,为读者提供了实用的安全检查清单,以降低无线支付网络的安全风险,确保支付信息和资金安全。

ujm567890的博客 84

6、无线天线:类型、选择与应用全解析

本文全面解析了无线天线的类型、选择与应用场景,详细介绍了全向天线和定向天线的特点、信号模式及其适用场景,同时探讨了射频放大器、衰减器等辅助设备的作用。文章还提供了针对不同场景(如驾车扫频、安全审计、红队渗透测试)的天线选择建议以及安装和优化技巧,旨在帮助读者更好地理解并选择适合的无线天线系统。

k8l9m0n的博客 249

6、无线天线知识全解析:类型、应用与选择指南

本文深入解析了无线天线的相关知识,包括天线类型(全向天线和定向天线)及其信号模式、射频设备(放大器和衰减器)的作用,以及在不同场景(如驾车探网、安全审计、红队渗透测试)中如何选择合适的天线。同时涵盖了天线系统的安装调试流程、维护保养方法以及未来无线天线技术的发展趋势。通过本文,读者可以全面了解无线天线在无线通信中的应用与优化策略。

fanta的博客 357

手机无线性能全解析 | G1MNW 测试报告深度拆解

频段丰富,覆盖2G到毫米波5G,确保全球网络无缝连接。功率管理灵活,不同模式和天线配合,实现性能与能效的平衡。安全第一,无线充电与多模块共存,最大功率被限制,保障人体安全。

weixin_43199439的博客 247

全国充电站分布数据

CnOpenData推出的充电站数据覆盖全国34个省份的3万条数据,包含充电站名称、省份名称、省份代码、商圈、经纬度等地理信息以及商业类型、评分、消费等衍生信息,能为城市规划、环境科学、市场分析、技术发展和社会经济研究等多个领域提供宝贵的数据支持。

Sunny9qx的博客 4022

L298N电机驱动模块的接线使用与代码实现

#include "iostm8s208mb.h" #define u8 uint8_t #define u16 uint16_t #define u32 uint32_t typedef unsigned char uint8_t; typedef unsigned short uint16_t; typedef unsigned long uint32_t; // 关于LED灯的宏定义 #define LED2 PI_ODR_ODR2 //输出量 #define LE

Clichong 13万+

【CASS精品教程】006:CASS7.1 道路设计参数文件打开无响应,提示roadpara解决办法,权威解决办法汇总

在用CASS7.1 软件进行断面法土方量计算,在生成断面图后,需要进行道路设计参数文件的设计,打开断面设计参数文件的时候,无响应,提示roadpara,如下所示: 道路设计参数文件 解决办法有三种 第一种方法:Win+R (1)64位系统:输入regsvr32 C:\Windows\SysWOW64\CellCtrl5.ocx,回车 (2)32位系统输入regsvr32 C:...

智慧空间实验室 1万+

智能温室:温室环境监测_(7).土壤监测技术包括pH值和电导率

土壤的pH值是指土壤溶液的酸碱度,它对植物的营养吸收和生长发育有着重要的影响。在智能温室中,土壤监测是非常重要的一个环节,因为土壤的pH值和电导率直接影响植物的生长和健康。本节将详细介绍如何利用传感器和数据处理技术来监测土壤的pH值和电导率,并提供具体的代码示例。在智能温室中,监测到的土壤pH值和电导率数据需要传输到中央控制系统进行进一步的处理和分析。通过以上步骤,您可以构建一个完整的智能温室土壤监测系统,实时监控土壤的pH值和电导率,确保植物在最佳的生长环境中。校准通常包括在已知电导率的标准溶液中进行。

zhubeibei168的博客 1407

热力学仿真软件:Fluent_(8).材料属性设置

在 Fluent 中,材料属性主要包括密度、比热容、导热系数、黏度等物理性质。这些属性在不同的仿真场景中有着不同的作用,例如在流体仿真中,密度和黏度是必不可少的;在传热仿真中,导热系数和比热容是主要考虑的因素。如果所需的材料不在材料库中,或者需要对现有材料进行修改,用户可以自定义材料属性。在主菜单中选择Materials。点击打开材料编辑器。在材料编辑器中,点击Create按钮,输入新的材料名称。选择材料类型(如FluidSolid等)。在属性栏中填写所需的材料属性。

kkchenjj的博客 1490

上午题目复习ing

无线局域网,11b是常用的,2.4ghz,后来改进5ghz,有些字段可以工作在5g的字段802.11/11a/1h/11n,,,,,11b和11g还在2.4ghz工作。数据链路层 传输服务,数据链路维护,差错控制,arp ip到mac,rarp反过来,token ring,x.25,atm,ethernet,蓝牙10m,简化因特网,分散式网,快调频,短包,点对点,点多多点,2.4ghz,最高速率1mb/s。gsm:是时分多址,900m-1800m,微蜂窝是市区,微微风是室内,伞是盲点,

weixin_47120900的博客 891

MIPI D-PHY TX 一致性测试实例解析 Part 03

本文之前,已经讨论了MIPI D-PHY TX的1.3.x和1.4.x的测试项,1.5.x的测试项相对较少,主要是用于时钟和数据通道相关的时序测量

一只豌豆象的博客 5184

手把手教你使用ConvNeXt训练自己数据集和推理,ConvNeXt模型训练(CVPR 2022),一个能挑战 Vision Transformer 的卷积神经网络,含完整代码和数据集

手把手教你使用ConvNeXt训练自己数据集和推理,ConvNeXt模型训练(CVPR 2022),一个能挑战 Vision Transformer 的卷积神经网络,含完整代码和数据集

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 1447

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

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")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

上一篇: 61、.NET 微服务开发:从 Docker 网络到 Minikube 测试与调试
下一篇: 6、电子入门:实验室搭建与安全须知
fanta
博客等级 码龄24年 58粉丝 1750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