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
5.3k累计阅读
5.4k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
原文地址：http://hello1010.com/mitmproxy-android/
http抓包分析工具有比较多，如Fiddler，FireBug，HttpWatch，Tcpdump，PAW（mac）等。在做移动开发时，找到一款合适自己的能进行移动设备http抓包的工具也是非常重要的。正所谓，工欲善其事必先利其器。
个人非常喜欢Fiddler，功能强大，而且还支持替换文件，对于调试线上的js/css文件非常方便。可惜，没有MAC版本。于是我只能另寻利器。
今天给大家介绍一款强大的支持手机端抓包的工具：mitmproxy。官网地址：http://mitmproxy.org/ 。这是mitmproxy官网的自述：
an interactive, SSL-capable man-in-the-middle proxy for HTTP with a console interface
它是开源的，托管在github上，使用python开发，跨平台。https://github.com/mitmproxy/mitmproxy
下载
下载地址：
Lanmitm, Android中间人攻击测试工具.zip
Lanmitm, Android中间人攻击测试工具
mitmproxytest:Android自动模拟测试
介绍 使用mitproxy代理工具做Android自动化Mock数据测试 环境搭建 创建虚拟环境(python 3.7) python3.7 -m venv /Users/xinxi/PycharmProjects/mitmproxytest/venv or virtualenv venv source venv/bin/activate 激活虚拟环境 deactivate 退出虚拟环境 安装mitmproxy pip install mitmproxy 安装appium client pip install appium_python_client 安装appium server npm install appium Android设备 使用Android6.0系统,大于6.0系统无法抓https包 使用 手机连接代理 移动设备和电脑保存在一个wifi网络下,在移动设备在网络代理填写电脑
安卓wifi破解、中间人攻击等
安卓wifi破解、中间人攻击、安卓wifi嗅探，断开连接等
HTTPS及HTTPS中间人攻击
HTTPS及HTTPS中间人攻击，全站HTTPS正在称为潮流趋势，国内实现全站https的有淘宝和百度两家。CIA：机密性，完整性，可用性(可用性是合法用户可以访问自己有权限访问的资源)解决的是信息传输中数据被篡改、窃取加密：对称、非对称、单向https的工作原理还是有必要研究下的(原理我也是从网上学习总结的，感谢这些前辈)用户在浏览器里输入一个https网址，然后连接到server的443端口。采用HTTPS协议的服务器必须要有一套数字证书，可以自己制作，也可以向组织申请。区别就是自己颁发的证书需要客户端验证通过，才可以继续访问，而使用受信任的公司申请的证书则不会弹出提示页面web通信中的S
从零开始：如何用PSINS工具箱构建你的第一个IMU误差模型
本文详细介绍了如何使用严恭敏教授开发的PSINS工具箱构建IMU误差模型，涵盖从基础参数设置到高级误差建模的全过程。通过imuerrset函数配置陀螺零偏、随机游走等核心参数，并结合实战案例展示消费级MEMS器件的误差建模方法，帮助用户提升惯性导航系统的精度与可靠性。
基于Dify1.9知识库流水线模板的思考——图像和表格数据处理
本文探讨了Dify1.9知识库流水线中LLM节点对文档图像/表格增强处理的优化方案。针对当前仅在内容后追加说明的简单做法，提出了结构化标注的改进方法：通过唯一ID和注释块标记图像/表格及其描述，确保内容可精准对齐。文章详细阐述了该方案的解析处理流程、数据结构化表示方法，以及在RAG检索和文档还原中的具体应用。关键经验包括：必须结构化标注非文本内容、LLM增强的必要性、语义向量化处理等。该方案解决了原始方法在内容重排、相似元素区分和检索精度等方面的问题。
AI 生成 ECU 功能测试用例
本文分享了AI辅助汽车电子测试的实战经验。作者以某车企车身控制器（BCM）项目为例，对比了传统测试用例编写方式（需100小时）与AI辅助方式（仅3个工作日）的效率差异，实现76%的效率提升。文章详细展示了从需求文档生成测试用例的全过程，包括需求文档示例、AI提示词模板和AI生成的完整测试用例表格（涵盖正常功能、边界条件、异常场景等测试类型）。通过具体案例说明如何利用AI快速生成初稿后人工审核优化的方法，为ECU测试工程师提供了可复用的效率提升方案。
Xilinx Aurora 8B/10B IP核详解和仿真
Xilinx Aurora 8b/10b IP核的详解，以及使用与仿真示例，对IP核的配置和如何仿真有非常详细的说明，除了对IP核官方文档的内容进行了解析以外，还对GTX引脚的选择等比较容易混淆和不好理解的地方进行了说明。最后对IP核的仿真运行进行了STEP BY STEP 的说明，对仿真的结果也进行了简要的说明。 该文档对Xilinx FPGA和ZYNQ SOC下 AURORA 8B/10B IP核的使用提供了一个快速上手的指导。
PCB Layout工程师核心能力与实战进阶指南
PCB Layout是电子硬件从原理图到物理实现的关键环节，本质是将电路逻辑转化为受电磁场、热力学与制造工艺约束的三维空间结构。其设计质量直接决定信号完整性（SI）、电源完整性（PI）和电磁兼容性（EMC）等核心性能指标。随着高速接口（如PCIe Gen5、USB3.2）、高密度封装（BGA微间距、HDI）及车规/工业级可靠性要求提升，Layout已从‘连线’演进为多目标协同优化的系统工程。掌握Altium Designer等EDA工具、理解叠层设计与DFM规则、具备SI/PI仿真意识，并能贯通芯片Data
英伟达（NVIDIA） 显卡型号、计算能力（CC）、CUDA版本、PyTorch版本 对照表
本文全面梳理NVIDIA显卡型号与其计算能力（CC）的对应关系，并详解各代CUDA版本对不同架构的支持与弃用情况，帮助用户判断硬件兼容性。同时，结合PyTorch官方发布版本，整理其支持的CUDA版本清单，指导开发者合理选择深度学习环境配置。涵盖从Jetson嵌入式设备到H100、Blackwell等最新旗舰显卡，是一份实用的AI开发环境搭建参考指南。
CANOE-介绍 @014-基于CAPL的Someip测试（CANOE 15.0/16.0/17.0）【草稿】发送事件、方法
摘要：本文介绍了使用CANoe 16.0及更高版本配置SOME/IP测试环境的方法，包括硬件连接、工程配置和CAPL代码实现。SOME/IP是一种面向服务的车载通信协议，支持服务发现、事件推送和方法调用。文章详细说明了网络拓扑配置、数据库文件加载等步骤，并提供了CAPL代码示例，展示如何初始化多个应用端点（15个不同端口）和服务实例（73个服务），通过SomeIpOpenLocalApplicationEndpoint和SomeIpCreateProvidedServiceInstance函数实现。配置过程
【ESP32使用MAX98357播放音频】
在物联网和智能家居领域，音频播放功能越来越受到重视。ESP32作为一款功能强大的微控制器，结合MAX98357音频放大器模块，可以实现高品质的音频播放。本文将详细介绍如何使用ESP32的I2S接口通过MAX98357进行音频播放。
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")
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
322
扫一扫
