内网渗透完整入门指南|渗透流程、核心思路、工具汇总、防御对抗与学习路线

内网安全之:内网渗透流程 郑重声明: 本笔记编写目的只用于安全知识提升,并与更多人共享安全知识,切勿使用笔记中的技术进行违法活动,利用笔记中的技术造成的后果与作者本人无关。倡导维护网络安全人人有责,共同维护网络文明和谐。 内网渗透流程1 前提2 实验环境2.1 建立 meterpreter 反向连接2.2 收集信息提升权限2.3 持久后门: 添加隐藏用户2.4 添加内网路由2.5 扫描内网存活主机2.6 扫描内网主机开放的端口2.6.1 使用 SOCKS 后nmap 扫描报错2.7 攻击内网主机 1 前提 利用已经控制的一台计. 阅读详情

前言

内网渗透(Network Penetration)是网络安全进阶核心、攻防演练必考的技术体系。区别于外网打点、Web 漏洞渗透,内网渗透更注重网络拓扑探测、权限流转、横向移动、域环境拿下。

简单区分:
外网渗透 = 突破边界、打进内网
内网渗透 = 立足内网、扩大权限、拿下核心资产

本文从零梳理内网渗透完整流程、核心目标、攻击手段、常用工具、蓝队对抗与系统化学习路线,适合新手搭建内网渗透知识体系。

一、内网渗透核心目标

在外网渗透中,目标是 “打进去”;在内网渗透中,目标是 “打下来、控全局”。

  1. 获取域控权限(终极目标)
    域控制器 AD 是整个企业内网的最高权限节点,拿下域控等同于接管整个企业所有电脑、服务器、员工账号权限。
  2. 窃取核心业务数据
    数据库服务器、文件服务器、代码仓库、OA、运维平台、财务系统、涉密资料,是内网渗透的核心搜刮目标。
  3. 持久化控制
    在服务器、关键主机、域环境预留后门、持久权限,保证即便初始漏洞修复,攻击者依旧可以持续访问内网。

二、内网渗透标准完整流程

1、内网信息收集(重中之重)

进入内网第一时间不是攻击,而是摸清环境、摸清身份、摸清网络。

本机基础信息探测

判断当前主机权限、系统版本、是否在域、有无杀软、网络网段:

ipconfig
whoami
systeminfo
netstat -ano
tasklist
域环境探测

判断是否存在域、寻找域控、查询域用户、域管理员、域组信息:

  • 查看域控 DNS 地址
  • 查询所有域用户、在线主机
  • 识别高权限管理员账号
全网资产探测

扫描内网存活主机、开放端口、核心服务:
常见高危端口:445、3389、22、3306、1433、80、8080
根据端口判断:文件服务、远程桌面、数据库、Web 服务,寻找突破口。

2、权限维持(留后门、保权限)

拿到初始权限后必须优先做权限维持,防止会话掉线、机器重启、漏洞修复导致权限丢失。

常见持久化手段:

  • 系统计划任务、开机启动项、系统服务后门
  • WMI 事件订阅持久化
  • Kerberos 黄金票据、白银票据持久化域权限
  • DNS、ICMP、SSH 隧道穿透防火墙,维持远程通信

3、横向移动(内网扩散核心)

横向移动是内网渗透最核心、最精彩的环节,以单台机器为跳板,渗透全网主机。

密码凭据抓取
  • Mimikatz 抓取 LSASS 内存明文密码、NTLM Hash
  • Kerberoasting 抓取域服务票据,离线爆破
  • 抓取本地哈希、域用户哈希
经典横向手段
  • 哈希传递(Pass-The-Hash):无需破解密码,直接利用 Hash 登录内网机器
  • PsExec / WMI / SMBExec:利用管理员凭据远程执行命令、上线机器
  • RDP 会话劫持:劫持在线管理员远程桌面
  • 内网漏洞扩散:永恒之蓝、Weblogic 反序列化、Log4j 等内网通用漏洞批量打

4、本地权限提升

若初始拿到的是普通用户权限,无法抓取凭据、无法横向移动,必须先提权:

Windows 提权方式
  • 系统内核漏洞提权(PrintNightmare 等)
  • 服务配置错误、权限溢出
  • 令牌窃取、注册表配置不当提权
Linux 提权方式
  • SUID 高危文件提权
  • 定时任务 Cron 滥用
  • Docker 容器逃逸、权限配置错误

5、域渗透高阶阶段(内网终极目标)

域环境是企业内网的核心,拿下域控实现全网接管。

主流域渗透技术:

  • MS14-068:域用户提权域控漏洞,伪造高权限票据
  • DCSync:模拟域控同步数据,dump 全网所有用户 Hash
  • PrivExchange:利用 Exchange 服务器跳板获取域管权限
  • AD CS 域证书漏洞 ESC1~ESC8:证书服务配置错误,低成本拿下域控

三、内网渗透常用工具大全

C2 远控框架(核心)

Cobalt Strike、Metasploit、Sliver、Havoc

代理隧道工具(突破内网隔离)

FRP、Neo-reGeorg、Chisel、Stowaway、NPS

域环境信息收集 & 横向工具

BloodHound(域关系拓扑分析神器)、PowerView、SharpHound、ADFind、CrackMapExec

密码抓取 & 爆破工具

Mimikatz、SecretsDump、Hashcat、Kerberoast 工具集

四、蓝队防御与对抗视角

真实攻防演练中,内网渗透阻力极大,主要对抗点:

  1. EDR/AV 终端防护
    拦截恶意程序、查杀 Mimikatz、监控内存读取、拦截 Shell 行为,红队需要免杀、混淆、内存加载绕过。
  2. 网络隔离 VLAN
    企业内网严格划分网段,ACL 策略限制横向访问,只能寻找多网卡跳板机跨网段扩散。
  3. 日志审计监控
    Windows 日志会记录所有攻击行为:
    4624(登录事件)、4698(计划任务创建)、4662(属性篡改)
    蓝队可实时溯源、定位攻击链路。

五、内网渗透系统化学习路线

1、夯实基础(不要跳过)

  • Windows / Linux 系统原理、权限机制
  • TCP/IP、SMB、RDP、Kerberos 协议原理
  • PowerShell、批处理、Python 基础脚本

2、自建靶场复现

本地虚拟机搭建完整域环境:域控主机 + 多台域成员主机,模拟真实企业内网,练习信息收集、提权、横向、域渗透。

3、懂原理而非只会工具

拒绝脚本小子:
弄懂 Mimikatz 抓密码原理、Kerberos 认证流程、票据生成原理、DCSync 同步机制。

4、实战刷题积累

VulnHub、HackTheBox 域环境靶机、CTF 内网题型、红蓝对抗演练。

六、全文总结

  1. 内网渗透整体流程:信息收集 → 权限维持 → 本地提权 → 横向移动 → 域控拿下,是一套完整闭环的攻击体系。
  2. 内网渗透比拼的不是工具,而是对系统、协议、域机制的理解。
  3. 真实内网存在大量防御设备,免杀、绕过、隧道、日志规避是高阶红队必备能力。
  4. 学习内网渗透必须靶场实操 + 原理吃透,只看不学、只点工具无法进阶。

免责声明

本文所有技术内容仅用于网络安全合规学习、授权渗透测试、安全加固研究、CTF 竞赛训练。
严禁用于未授权内网探测、渗透、横向攻击,任何违规操作造成的法律后果由当事人自行承担。


像目前比较火热的开发岗位实属网络安全,毕竟国家网络安全法也出台了,网络安全等级保护2.0等合规要求也出来了。

网络安全对于大部分政企单位来说,已经从[可选项]变成了[必选项]。在以前,很多政企单位在进行 IT 部门及岗位划分时,只有研发和运维部门,安全人员直接归属到基础运维部;而现在,越来越多单位为了满足国家安全法律法规的要求,必须成立独立的网络安全部门,拉拢各方安全人才、组建 SRC(安全响应中心),为自己的产品、应用、数据保卫护航。

根据国家发布的《网络安全人才实战能力白皮书》数据显示,目前中国网络安全人才供应严重匮乏,每年高校安全专业培养人才仅有3万余人,而网络安全岗位缺口在2027年将达327万,缺口高达95%。

在这里插入图片描述

了解网络安全,首先要搞清楚下面这些前提

  • 网络安全到底包含哪些技术?是否需要会编程?
  • 网络安全行业有哪些职业方向?“我”该如何选择?
  • 网络安全的职业发展和成长路线是什么?

如果你是准备学习网络安全(黑客)或者正在学习,下面这些你应该能用得上:

①网络安全学习路线
②20份渗透测试电子书
③安全攻防357页笔记
④50份安全攻防面试指南
⑤安全红队渗透工具包
⑥网络安全必备书籍
⑦100个漏洞实战案例
⑧安全大厂内部视频资源
⑨历年CTF夺旗赛题解析

一、网络安全(黑客)学习路线

网络安全(黑客)学习路线,形成网络安全领域所有的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。

在这里插入图片描述

二、网络安全教程视频

我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。

三、网络安全CTF实战案例

光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这里带来的是CTF&SRC资料&HW资料,毕竟实战是检验真理的唯一标准嘛~

img

四、网络安全面试题

最后,我们所有的作为都是为就业服务的,所以关键的临门一脚就是咱们的面试题内容,所以面试题板块是咱们不可或缺的部分,这里我给大家准备的就是我在面试期间准备的资料。

在这里插入图片描述

网安其实不难,难的是坚持和相信自己,我的经验是既然已经选定网安你就要相信它,相信它能成为你日后进阶的高效渠道,这样自己才会更有信念去学习,才能在碰到困难的时候坚持下去。

机会属于有准备的人,这是一个实力的时代。人和人之间的差距不在于智商,而在于如何利用业余时间,只要你想学习,什么时候开始都不晚,不要担心这担心那,你只需努力,剩下的交给时间!

这份完整版的网络安全学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

img

手把手教你如何进行内网渗透 0x00 Preface 内网渗透主要是基于前期外围打点getshell的webserver,通过收集webserver上的信息,然后对其他内网主机进行口令上的攻击,当然也有一些基于漏洞的攻击。 内网相关概念这里不再进行介绍,大家可以自行百度,诸如什么是域、域与工作组的区别、什么是DC、什么是AD等。当然,概念是生涩难懂的,结合实际环境会有助于理解。 0x01 信息收集 systeminfo 查看系统详细信息,如OS版本、补丁安装情况,可以根据这些信息筛选可利用的漏洞。 net start 查看启动进 阅读详情

相关推荐

从零搭建Kali Linux渗透测试环境与内网靶场实战入门

网络安全的核心在于理解攻击与防御的对抗原理,渗透测试作为模拟攻击的合法评估方法,是掌握安全技术的关键实践路径。其技术价值在于通过主动发现系统弱点,帮助企业提前修复漏洞,提升整体安全防护能力。在应用场景上,渗透测试广泛适用于企业安全评估、合规审计及安全研究人员的技术验证。本文聚焦于Kali Linux这一渗透测试领域的标准工具集,详细演示如何基于VMware虚拟机搭建隔离的实验环境,并构建包含Metasploitable2等靶机的内网攻防靶场。通过结合内网渗透与免杀技术的基础操作,读者可在安全可控的沙箱中,直

weixin_30878501的博客 980

内网渗透步骤

内网渗透步骤包括以下几个步骤: 信息收集:收集有关目标网络的信息,包括 IP 地址范围、操作系统、网络拓扑结构、开放端口和服务等。 漏洞分析:分析目标网络中存在的漏洞,并找出可以利用的漏洞进行攻击。 攻击尝试:尝试利用找到的漏洞进行攻击,获取对目标网络的访问权限。 权限提升:在获得访问权限后,尝试通过各种手段提升自己在目标网络中的权限。 持久化访问:确保在目标网络中的访问权限能够持久保留...

weixin_42583683的博客 1199

移动端内网渗透实战:从工具使用到攻防思路的完整学习路径

内网渗透是网络安全领域的核心技能之一,它涉及在获得内部网络初始访问权限后,进行横向移动、权限提升和信息收集等一系列操作。其基本原理在于利用网络信任关系、系统漏洞或配置弱点,突破安全边界。掌握内网渗透技术对于构建纵深防御体系、理解攻击者视角至关重要,广泛应用于红蓝对抗、渗透测试和安全评估等场景。本文聚焦于一个日益重要的切入点——移动端,探讨如何将智能手机等设备作为进入内网的跳板。通过结合渗透工具包与系统化的实战思路,文章详细拆解了从环境搭建、信息收集、代理穿透到横向移动的完整链条,并融入了权限维持和免杀技术等

weixin_29325515的博客 300

渗透测试之内网渗透学习,超详细

渗透测试之内网渗透学习,超详细

z099164的博客 5810

2026网络安全实战学习路线:从零基础到红蓝对抗

网络安全作为数字时代的基础保障,其核心在于理解攻击原理与防御技术的动态对抗。从TCP/IP协议栈分析到Web应用漏洞挖掘,安全工程师需要掌握操作系统原理、网络通信机制等计算机基础,进而深入SQL注入、XSS等OWASP Top 10漏洞的攻防实践。随着企业安全体系升级,内网渗透中的横向移动技术和权限维持手段成为必修技能,而云安全、移动安全等新兴领域则拓展了职业发展空间。本路线以实战为导向,通过DVWA靶场、HTB挑战等真实场景训练,帮助学习者系统掌握从基础到高阶的网络安全技能,特别适合希望快速进入安全行业的

weixin_26642481的博客 339

从零到一:华为iMaster NCE-Campus部署中的Euler OS与FusionInsight深度解析

本文深入解析华为iMaster NCE-Campus部署中Euler OS与FusionInsight的关键技术要点,包括RAID配置、网络绑定技术、安装避坑指南及性能调优方案。通过实战经验和详细配置示例,帮助工程师提升部署效率与系统稳定性,确保华为企业级解决方案的高效运行。

f6g7h8i9j的博客 550

一次完整的渗透测试流程

渗透测试 渗透测试就是利用我们所掌握的渗透知识,对网站进行一步一步的渗透,发现其中存在的漏洞和隐藏的风险,然后撰写一篇测试报告,提供给我们的客户。客户根据我们撰写的测试报告,对网站进行漏洞修补,以防止黑客的入侵! 渗透测试的前提是我们得经过用户的授权,才可以对网站进行渗透。如果我们没有经过客户的授权而对一个网站进行渗透测试的话,这是违法的。去年的6.1日我国颁布了《网络安全法》,对网络犯罪有了法律约束,不懂的移步——> 网络安全法 渗透测试分为白盒测试和黑盒测试 1.白盒测试就...

HIM_MRY的博客 6904

Win11 24H2家庭版共享打印机失败?别慌,一个批处理脚本搞定所有设置

本文提供了Win11 24H2家庭版共享打印机失败的解决方案,通过一个批处理脚本自动修复所有设置问题。脚本包含安装组策略组件、修改关键注册表项等操作,帮助用户快速恢复打印机共享功能,适用于普通家庭用户。

weixin_30632089的博客 428

渗透测试技术,从入门到精通,小白也能成为白帽黑客,最新的学习路线和方法都在这。

首先你要知道渗透测试工程师的主要工作是什么,他们有个外号叫“白帽黑客”,平时就是用黑客技术从外部入侵到系统内部,在整个入侵的过程中就能发现系统的漏洞,然后把漏洞告诉程序员去修复,业内有句话说得好,最好的防御就是知道怎么去入侵,要想保证你的网站、软件和小程序的安全,永远离不开会渗透技术的白帽黑客。如果你对白帽黑客的技术感兴趣,可以看看我们内部录制的这套视频教程,从0到漏洞挖掘的技术都有,是我粉丝我都可以免费给你们,总共90多节,一天学个两三节,一个月就能成为白帽黑客,关键是你是不是真的想学这些技术。

QIANDXX的博客 1083

LabVIEW QMH模板实战:从创建到错误处理的完整指南

本文提供LabVIEW QMH模板从创建到错误处理的完整实战指南。详细解析了队列消息处理器(QMH)作为LabVIEW核心设计模式如何实现任务解耦与异步通信,涵盖事件处理循环、消息处理循环的搭建、用户事件创建、队列引用管理、消息优先级控制以及健壮的错误处理机制,帮助开发者构建稳定、可维护的复杂应用程序。

white的博客 727

MCP4728 电路及stm32F103程序移植

写在前面 通过优快云查到一些MCP4728 的程序,结合程序及datasheet对于驱动的描述,理清了思路 感谢开路者! MCP4728的电路比较简单,见下文描述 应用电路 datasheet: 实际测试电路: SCL接stm32的PB10,SDA接PB11 RDY/BSY引脚和LDCA引脚,悬空 解释见截图: MCP4728地址 选择任意输出通道写入DAC输入寄存器 应用程序 int mcp4728_write_all_channel(float vol1, float vol2, fl

u013074298的专栏 5433

2026渗透测试学习路线:从零基础到精通就业的完整指南

渗透测试是网络安全领域的核心实践,旨在通过模拟黑客攻击来评估系统安全性。其原理在于主动发现并利用安全漏洞,验证防御措施的有效性。这项技术的价值在于帮助企业提前识别风险,避免数据泄露等安全事件,是构建主动防御体系的关键环节。在金融、互联网、政府及关键基础设施等应用场景中,渗透测试工程师的需求持续增长。本文基于行业高频搜索关键词,系统拆解了从计算机基础、网络协议到内网渗透、漏洞利用的完整知识体系,并融入了Kali Linux、Burp Suite等核心工具链的实战应用,为学习者提供了一条清晰、可执行且对接市场需

wangqiaowqo的专栏 878

山东专升本计算机网络基础知识点 --- 计算机网络基础

计算机网络是指将一群具有独立\textcolor{WildStrawberry}{独立}独立功能的计算机通过通信设备及传输媒体等互联起来,在通信软件的支持下,实现计算机间资源共享、信息交换或协同工作\textcolor{WildStrawberry}{资源共享、信息交换或协同工作}资源共享、信息交换或协同工作的系统。计算机网络是计算机技术和通信技术紧密结合的产物\textcolor{WildStrawberry}{计算机网络是计算机技术和通信技术紧密结合的产物}

z339521的博客 2815

红蓝对抗实战案例拆解:3个典型场景,从攻击到防御全复盘

本文重点:网络安全红蓝对抗红方和蓝方的区别?网络安全红蓝对抗什么意思?网络安全红蓝对抗演练,网络安全红蓝对抗赛

wangluo12138的博客 513

【Unity】【VR】如何让Distance Grab抓取物品时限制物品的Rotation

VR中Canvas抓取旋转问题的解决方案 在VR应用中,Canvas作为UI面板常需被抓取拖动,但默认会随手柄产生Z轴旋转,导致UI歪斜。Unity的Rigidbody冻结旋转功能对此无效,因为XR抓取直接修改Transform而非物理模拟。

每日出拳老爷子的博客 611

索尼IMX316 标定_ToF模块相机校准

很多东西一开始给出去的并不是最优的方案,而是在客户端支持中,以及在持续不断的芯片验证中,发现还可以这么做,还能够再提升Sensor的性能,所以说这是一个持续的过程。曾经听说过一个故事,在某厂里ST产品一直作为第一供应商多年,然后近段时间即将被新兴公司的ToF产品所打败,性能报告已经出来,但是ST并没有更新产品,而是在原有产品更新了固件以及标定流程,此时产品的性能又是超越其他供应商的产品。相机矩阵不考虑镜头失真,因为理想的针孔相机没有镜头。为了准确地代表一个真实的相机,相机模型包括径向和切向的镜头畸变。

dream it possible 1157

【2026最新最详细网络安全入门到精通学习路线】从0到挖漏洞、打CTF、护网、就业

广度: 面向企业安全建设的核心场景(渗透测试、红蓝对抗、威胁狩猎、应急响应、安全运营),本知识库覆盖了从攻击发起、路径突破、权限维持、横向移动到防御检测、响应处置、溯源反制的全生命周期关键节点,是应对复杂攻防挑战的实用指南。Web安全、系统安全、二进制安全、无线安全、数据安全、移动安全、工控安全、渗透测试、CTF、售前售后、运维安全、样本分析、代码审计、密码算法、数字取证、安全开发、等保测评……关于培训:哪家机构好。其他必修:CSRF、文件上传漏洞、文件包含、RCE(远程代码执行)、SSRF、逻辑漏洞。

weixin_42340783的博客 625

【Python开发者必看】Windows下Python版本管理器Pyenv安装使用,轻松管理Python版本的入门与进阶指南,从此告别Python环境不兼容的噩梦

好了,关于 【Python开发者必看】Windows下Python版本管理器Pyenv安装使用,轻松管理Python版本的入门与进阶指南,从此告别Python环境不兼容的噩梦 就写到这儿了,如果还有什么疑问或遇到什么问题欢迎扫码提问,也可以给我留言哦,我会一一详细的解答的。1、手动下载对应版本到 pyenv-win\install_cache 目录(如上手动操作安装步骤,文件名需匹配,如 python-3.10.0-amd64.exe)。该指令会列出,pyenv包管理工具所支持的所有python版本,

Spring Boot-Common On With You 854

2026 全网最全!网络安全从 0 到精通学习路线,挖洞 + CTF + 就业全覆盖

广度: 面向企业安全建设的核心场景(渗透测试、红蓝对抗、威胁狩猎、应急响应、安全运营),本知识库覆盖了从攻击发起、路径突破、权限维持、横向移动到防御检测、响应处置、溯源反制的全生命周期关键节点,是应对复杂攻防挑战的实用指南。Web安全、系统安全、二进制安全、无线安全、数据安全、移动安全、工控安全、渗透测试、CTF、售前售后、运维安全、样本分析、代码审计、密码算法、数字取证、安全开发、等保测评……所以这里不做具体推荐。其他必修:CSRF、文件上传漏洞、文件包含、RCE(远程代码执行)、SSRF、逻辑漏洞。

2401_84760527的博客 1065

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")

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。

从零到一:渗透测试学习路线与实战指南

渗透测试是网络安全领域的核心实践,旨在通过模拟攻击来评估系统的安全性。其原理在于遵循标准化的测试流程,主动发现并利用系统、网络或应用中的安全漏洞,从而验证其安全防护的有效性。这项技术的价值在于能够将潜在的安全风险前置暴露,帮助组织在遭受真实攻击前修复漏洞,提升整体安全水位。在应用场景上,渗透测试广泛应用于金融、互联网、政企等对安全要求极高的行业,是安全工程师、红队成员及安全研究员的必备技能。本文聚焦于渗透测试的实战学习路径,系统性地拆解了从基础认知到工具使用,再到靶场实战与职业规划的全过程,并深入探讨了SQ

weixin_30448603的博客 525

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

上一篇: 漏洞挖掘合法变现指南|SRC / 众测平台、赏金技巧、避坑要点完整总结
下一篇: 运维转行网安|从0到1落地指南,2026最稳转型路径
程序媛西米
博客等级 码龄5年 4031粉丝 1569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
 
 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