小白如何挖掘属于自己的第一个漏洞(无脑篇)

小白如何挖掘属于自己的第一个漏洞(无脑篇)

本篇讲的是毫无技术的小白如何挖掘第一个漏洞。

使用到的工具

1、浏览器:谷歌、火狐等等。

2、电脑(windows、macos、linux等等)

3、fofa、hunter、00信安、fofa查询工具

(https://github.com/wgpsec/fofa_viewer/releases)等

在一个夜黑风高的晚上,月光被乌云遮掩,四周的树影在风中摇曳,仿佛在低语。远处传来几声猫头鹰的鸣叫,打破了寂静。小镇的街道上空无一人,只有路灯投下微弱的光辉,映照出斑驳的石砖。突然,一阵寒风袭来,似乎带来了未知的气息。夜色中的一扇窗户微微开启,透出一丝温暖的光亮,像是黑暗中的一盏明灯,吸引着那颗渴望冒险的心。

就在这时拿出电脑打开我们的浏览器在浏览器中查找目标,简单的一些漏洞,比如:弱口令、get型的未授权访问等等

如使用百度语句弱口令漏洞 fofa进行检索,进入一篇文章可得到fofa语句:app=“JAWS”

通过fofa查询工具将查询结果批量导出

如果没有fofa会员怎么办,那就低价淘一个

通过上面百度的文章可以得到弱口令

小白的话就硬玩儿,一个一个尝试,打开其中一个输入弱口令如果不行那就换下一个,就可以进入后台非常的刺激。健康又美味啊兄弟们!

互动话题:如果你想学习更多网安方面的知识和工具,可以看看以下题外话!

网络安全学习路线&学习资源

很多小伙伴想要一窥网络安全整个体系,这里我分享一份打磨了4年,已经成功修改到4.0版本的**《平均薪资40w的网络安全工程师学习路线图》**对于从来没有接触过网络安全的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。

如果你想要入坑黑客&网络安全工程师,这份282G全网最全的网络安全资料包!
↓↓↓ 扫描下方图片即可前往获取↓↓↓

网络安全学习路线&学习资源

在这里插入图片描述


在这里插入图片描述
学习资料工具包

压箱底的好资料,全面地介绍网络安全的基础理论,包括逆向、八层网络防御、汇编语言、白帽子web安全、密码学、网络安全协议等,将基础理论和主流工具的应用实践紧密结合,有利于读者理解各种主流工具背后的实现机制。

网络安全源码合集+工具包

​​​​​​

视频教程
很多朋友都不喜欢晦涩的文字,我也为大家准备了视频教程,,每个章节都是当前板块的精华浓缩。(全套教程点击领取哈)

优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享

视频配套资料&国内外网安书籍、文档&工具

​​​​​
​​ 因篇幅有限,仅展示部分资料,需要扫描下方图片即可前往获取
在这里插入图片描述好了就写到这了,大家有任何问题也可以随时私信问我!希望大家不要忘记点赞收藏哦!

特别声明:

此教程为纯技术分享!本文的目的决不是为那些怀有不良动机的人提供及技术支持!也不承担因为技术被滥用所产生的连带责任!本书的目的在于最大限度地唤醒大家对网络安全的重视,并采取相应的安全措施,从而减少由网络安全而带来的经济损失。!!!

对于小白而言,训练一个属于自己的图像生成AI可按以下方式进行: ### 选择合适的模型架构 常见的图像生成模型架构有Transformer + 扩散模型组合(如DALL·E 2采用的架构)、Rectified Flow + MMDiT架构等。对于小白,扩散模型相对容易上手,因为它有许多开源的实现和丰富的教程。例如Stable Diffusion就是基于扩散模型的开源图像生成模型,可以作为学习和训练的基础。 ### 准备数据集 数据集的质量和多样性对模型训练效果至关重要。可以根据自己的需求选择公开数据集,如CIFAR - 10、MNIST等,这些数据集包含了大量的图像数据,适合用于基础的图像生成训练。如果有特定的生成需求,也可以自己收集和整理数据集,但要注意数据的标注和清洗。 ### 选择开发环境 可以使用Python作为主要的编程语言,结合深度学习框架如PyTorch或TensorFlow进行开发。这些框架提供了丰富的工具和函数,方便进行模型的构建、训练和评估。以下是一个使用PyTorch的简单示例: ```python import torch import torch.nn as nn # 简单的图像生成模型示例 class SimpleImageGenerator(nn.Module): def __init__(self): super(SimpleImageGenerator, self).__init__() self.fc = nn.Linear(100, 784) # 假设输入是100维的噪声向量,输出是28x28的图像 def forward(self, x): return torch.sigmoid(self.fc(x)) model = SimpleImageGenerator() ``` ### 进行模型训练 在训练过程中,需要定义损失函数和优化器。对于图像生成任务,常用的损失函数有均方误差损失(MSE)、交叉熵损失等。优化器可以选择随机梯度下降(SGD)、Adam等。以下是一个简单的训练循环示例: ```python import torch.optim as optim criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 假设data是训练数据,target是目标图像 for epoch in range(num_epochs): optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() ``` ### 评估和优化模型 训练完成后,需要对模型生成的图像进行评估。可以使用一些指标如峰值信噪比(PSNR)、结构相似性指数(SSIM)等来评估图像的质量。根据评估结果,调整模型的参数和训练策略,以提高生成图像的质量。
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