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
8k累计阅读
8k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
XSS漏洞的利用一直以来有各种各样的方式，不过XSS平台无疑是其中的佼佼者。XSS Platform集成了一些常见的XSS Payload，可以很方便的利用漏洞对网站进行渗透。网上有一些现成的xss平台，不过由于担心自己的食物被别人窃取等等的原因，很多人选择自己搭建一个平台，这样既方便又实用。那么如何快速搭建一个属于自己的XSS平台呢？
XSSER下载地址：
链接：https://pan.baidu.com/s/18CG3FJIJJtY0Lwf_n4sfTw
提取码：3ngb
将源码解压到你的网站目录，然后进行一些修改，修改的地方有以下几点：
1.修改config.php里面的数据库连接字段，包括数据库配置、URL配置以及显示设置；!
在这里插入图片描述
2.将根目录下的数据库文件(xssplatform.sql)导入到mysql数据库中；导入之后记得执行以下SQL语句
UPDATE xss平台搭建（使用xsser.me源码）
需要修改的地方比较多，目前已基本可用，还在学习摸索中。。。 1、将xssplatform.sql中的xsser.me/修改为实际使用的URL，如localhost:6666/xss/ 2、修改themes\default\templates\register.html中的提交按钮的源码为： 行53 修改为 3、邀请码的生成 （1）将文件source\user.p
XSSer.me开源平台：自动化XSS测试工具部署与实战指南
跨站脚本攻击（XSS）是Web应用安全中最常见的漏洞类型之一，其原理在于攻击者能够将恶意脚本注入到网页中，当其他用户访问时触发执行，从而窃取敏感信息或进行会话劫持。理解XSS漏洞的成因、分类及危害，对于构建安全的Web应用至关重要。在安全测试领域，自动化工具能显著提升漏洞发现与验证的效率。XSSer.me作为一个集成了Payload管理、自动化注入与数据回传监控的开源平台，正是为这一需求而生。它通过可视化的Web界面，将复杂的XSS攻击向量和编码绕过技巧整合，支持从探测到利用的全流程，尤其适用于授权渗透测试
搭建xsser环境过程以及遇到的坑
先说一下搭建xsser的基本过程吧。 服务器环境：Apache+php+mysql (Windows 10) 1、先进入phpmyadmin中新建一个数据库，用于待会存放xsser的数据，名字可以随便取，如xxsplatform： 2、然后把xsser的源码（放在文末了）解压，放在网站的目录下，我的是D:/AppServ/www/XSS 下面要执行几步操作： （1）到ph...
xsser测试平台
配合phpstudy工具搭建了xsser.me平台，主要用于检测xss漏洞，并对其进行利用
XSS平台源码(xsser.me)
XSS平台源码(xsser.me)
-xsser.me-:XSS平台
-xsser.me-:XSS平台源码
Android：Google三方库之Adjust集成详细步骤
Android为APP添加google adjust功能
飞书多维表格省钱攻略：1个专业版账号，全员合规用、权限全掌控
像运动馆、 托管班、作业辅导、少儿美术、书法、口才班等等。对于大多数中小团队而言，飞书多维表格的核心需求是“协作高效、数据可控、成本可控”，而“1个专业版账号+多联系人”的模式，恰好完美契合这三点——既不用为不必要的席位付费，又能解锁全部专业功能，还能通过精细化权限管控保障数据安全。尤其是餐饮店、乒乓球训练馆这类个体经营或小型团队，人员分工清晰、权限需求明确，采用这种模式能最大化节省成本，同时提升管理效率。无需复杂的配置，无需额外的技术支持，5分钟就能搭建起全员协作的省钱体系。
VSCODE编辑+EIDE插件调试+STM8_Debug插件调试+IAR_STM8工具链编译开发项目
1. 安装 在VS CODE安装EIDE、STM8-Debug插件 2. 使用 EIDE 创建一个 8/16 Bit MCU 项目 新建虚拟文件夹，把工程外部的文件添加进虚拟文件夹，实现工程和源文件之间的关系，而不用实际把源文件复制到工程目录下。 EIDE工程和源文件实现分开放置，EIDE（EIDE工程）、EWSTM8（IAR STM8工程）、Project（ST Visual Develop工程） 选择工具链 烧录工具选择 头文件包含目录 添加宏定义 3. 编译 4. 使用STM8
【同花顺公式编辑教程】第4章 功能函数
本章节主要给出大部分能够运行且常用的同花顺指标编辑器提供的函数。其中，计算类函数不作演示，绘图类函数提供示例及示例运行结果。
别再踩坑了！手把手教你用EB Tresos Studio创建Autosar MCAL工程（含模块配置避坑指南）
本文详细介绍了使用EB Tresos Studio创建Autosar MCAL工程的完整流程，包括工程创建前的关键准备、模块配置的避坑指南以及工程验证与代码生成的实用技巧。通过实战案例和黄金准则，帮助开发者高效完成MCAL工程创建，避免常见错误，提升开发效率。
什么是PMOS？什么是NMOS？两者有什么区别？
这个电压差被称为阈值电压（Vth），通常为0.7V至2V（低压NMOS）或4V至10V（功率NMOS）。当Vgs（栅极-源极电压）大于Vth时，沟道中的电子被吸引到栅极下方，形成导电通路，使电流可以从漏极流向源极。NMOS与PMOS的结构类似，都由三大部分组成：栅极（Gate）、源极（Source）和漏极（Drain）。由于NMOS在开启时，电子是主要的载流子，电子的迁移率比空穴高，因此NMOS通常具有更低的导通电阻（Rds(on)），这使其成为高速开关电路中的首选。它的沟道由电子（负载子）传导。
MR2数据集实战：5步搞定多模态谣言检测模型训练（附完整代码）
本文详细介绍了如何使用MR2多模态数据集构建高精度谣言检测系统，涵盖环境配置、数据准备、多模态特征工程、模型架构设计、训练调优及部署优化等5个关键步骤。通过双线性融合技术处理文本、图像和网页三模态数据，解决特征对齐和模态冲突等工程难题，并提供完整代码实现和性能优化方案。
vue3 - 高德地图定位出错Get ipLocation failed.Geolocation permission denied.（info: “FAILED“ | status: 0）报错解决！
vue3，nuxt3，高德地图，定位，位置，报错，AMap.Geolocation，解决报当前定位失败，高德地图H5 定位失败报错，web网页网站，报错详细解决教程，Get ipLocation failed.Geolocation permission denied.，高德地图定位报错info: "FAILED"，高德地图status: 0，已经是https了还是报错，确保了浏览器位置已经开了，手机定位也开了，没解决，H5页面在ios的浏览器上使用 高德地图 报当前定位失败Geolocation，移动端设
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
