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
800+累计阅读
817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
靶场下载地址：Corrosion:1
下载好之后导入virtualbox启动
Kali IP地址：
Nmap扫描靶机IP：
Nmap扫端口：
浏览器访问80端口：
没发现什么有用的信息
Dirbuster扫目录：
访问一下扫到的内容，发现了txt文件里似乎有提示信息
推测是在登录日志中可能存在文件包含
Fuzz找下参数：
ssh登录尝试一下：
发现确实存在文件包含，上传一句话木马：
命令执行成功：
反弹shell
先监听端口
url编码：
成功拿到shell
在/var/backups目录下找个一个疑似账户备份的压缩包
将压缩包下载到kali上：
发现里面似乎有账户的密码
但是解压需要密码
爆破一下：
解压得到密码：
查看一下账号
ssh登录
提权
发现可以通过sudo滥用提权
写一个用来提权的easysysinfo.c文件，编译到/home/randy/tools/easysysinfo中，利用sudo执行成功提权
数学建模国赛C题实战：从数据预处理到模型优化的完整流程（附Python代码）
本文系统讲解了数学建模国赛C题的完整实战流程，涵盖从数据预处理、模型选择与构建到优化与结果可视化的关键步骤。文章重点分享了如何利用Python进行高效的数据清洗、特征工程，并提供了多种机器学习模型的实现代码与对比验证方法，旨在帮助参赛者构建逻辑清晰、结果可靠的解决方案。
看完这篇 教你玩转渗透测试靶机vulnhub—Corrosion:1
vulnhub是个提供各种漏洞平台的综合靶场，可供下载多种虚拟机进行下载，本地VM打开即可，像做游戏一样去完成渗透测试、提权、漏洞利用、代码审计等等有趣的实战。这是一个漏洞靶机，老样子需要找到flag即可。Easy。
OFDR解调全同弱反射光纤阵列
全同弱反射光纤光栅阵列是在一根光纤上密集刻写波长相同的WFBG，由于每个光栅的反射都比较弱，可实现一根光纤上复用成千上万个光栅，阵列上每个光栅栅区长度相同，相邻光栅之间栅距相同，呈周期性分布。2、获取测量信号：对弱栅阵列加载状态下，使用OFDR系统再次获取弱栅时域曲线，为测量信号。（这里需要注意的是对弱栅阵列加载后，不能使弱栅中心波长漂移到激光器波长扫描范围之外，若超出范围则OFDR技术不能获取弱栅反射信号，因此在选择弱栅阵列波长时尽量让其中心波长在激光器波长扫描范围中间，确保温度/应变测量范围。
[ vulnhub靶机通关篇 ] 渗透测试综合靶场 Corrosion1 通关详解 (附靶机搭建教程)
[ vulnhub靶机通关篇 ] 渗透测试综合靶场 Corrosion1 通关详解 (附靶机搭建教程) 从信息收集到拿到低权限，最后提权获取最高权限，详细解读
DDR4技术原理详解
DDR4是DDR4-SDRAM的简写，即第4代DDR-SDRAM，DDR-SDRAM全称Double Date Rate Synchronous Dynamic Random Access Memory。本文重点解析DDR4技术规范及其背后的电子电路原理，以及编程使用DDR4过程中需要注意的性能事项。
RISC-V内核移植实战：从零开始手把手实现RT-Thread上下文切换（附GD32VF103代码解析）
本文详细解析了在RISC-V架构上移植RT-Thread实时操作系统的核心步骤，重点聚焦于上下文切换机制的实现。通过对比ARM Cortex-M与RISC-V在中断处理和寄存器管理上的关键差异，并以GD32VF103开发板为例，手把手指导开发者完成libcpu抽象层适配、线程栈初始化以及三种上下文切换方式的代码编写与调试，为嵌入式开发者从ARM转向RISC-V平台提供了实战指南。
[ vulnhub靶机通关篇 ] 渗透测试综合靶场 Corrosion2 通关详解 (附靶机搭建教程)
[ vulnhub靶机通关篇 ] 渗透测试综合靶场 Corrosion2 通关详解 (附靶机搭建教程) 从信息收集到拿到低权限，最后提权获取最高权限，详细解读
使用 Simulink + Simscape Electrical 对 级联H桥多电平整流器并网功率分配 进行建模与仿真
摘要：本文详细介绍了基于Simulink对级联H桥(CHB)多电平整流器并网功率分配进行建模的方法。内容包括系统组成、功率分配意义、Simulink建模流程、PWM控制策略实现、功率分配算法设计以及仿真分析。重点阐述了主电路搭建、双环控制结构(外环功率分配+内环电流控制)和载波层叠PWM调制技术，并提供了功率分配算法示例。通过优化参数和控制算法，可提升系统性能。该建模方法为电力电子变换器和新能源并网系统研究提供了有效工具。
【Vulnhub 靶场】【Corrosion: 1】【简单】【20210731】
靶场介绍：https://www.vulnhub.com/entry/corrosion-1,730/ 靶场下载：https://download.vulnhub.com/corrosion/Corrosion.ova 靶场难度：简单 发布日期：2021年07月31日 文件大小：7.8 GB 靶场作者：Proxy Programmer 靶场系列：Corrosion 打靶耗时：4+ 小时，利用写入日志漏洞 GetShell 的确是很少碰到，Linux 信息收集也花费了一些时间，最后提权用了两种方式。
查找【优快云】- 人工客服
【代码】查找【优快云】- 人工客服。
【Clickhouse】Cannot allocate block number in Zookeeper write prefix view location
我有一个问题，我CK集群跑批的时候，replicated表变成只读的了下面是CK的报错和当时ZK的日志。下面是zk报错开始 我认为是写入的时候，压力太大，ZK扛不住了，就按照博客里的建议优化了ZK的参数，现在偶尔还会只读，zk报错都是图里的那种clickhouse的集群是5分片的集群，数据量比较大。每小时批量一次，每次2-10W条数据，字段的话，不到200个字段，使用的 jdbc sink写入。
看完这篇 教你玩转渗透测试靶机vulnhub—Corrosion:2
vulnhub是个提供各种漏洞平台的综合靶场，可供下载多种虚拟机进行下载，本地VM打开即可，像做游戏一样去完成渗透测试、提权、漏洞利用、代码审计等等有趣的实战。这是一个漏洞靶机，老样子需要找到flag即可。Medium这个靶机难度中偏上 因为比较麻烦1.信息收集获取ip地址 和端口信息web等 查看F12源码信息2.文件包含漏洞，包含日志文件ssh写入木马ssh ''@靶机（新知识点！3.nc反弹shell（这里要使用url编码）zip2john爆破和fcrackzip。
【STK】手把手教你利用STK进行仿真-STK软件简介02 STK专业分析模块
STK/Astrogator是一个交互式轨道机动和深空探测计划工具，用于飞行器运行及任务分析，通过定义推力模型、目标星历、飞行器姿态，提供轨道机动的解决及优化方案。应用Astrogator分析轨道机动的可见性和地面站覆盖，用户可以快速、方便地进行全局分析。任务控制序列保存在STK场景中，用于任务运行、快速制定精确轨道机动方案。为在轨运行的飞行器制定或执行机动计划时，分析人员可以根据飞行过程数据，如发动机定标参数、实际初始轨道，计算出推进器点火和点火时机数据，用于发出指令及精炼机动计划。
vulnhub靶场之corrosion靶场1
目录扫描时若发现有php类似脚本文件，可能会有参数传值，可以进行参数爆破利用文件包含获取新的bash压缩包的密码破解，可以使用工具fcrackzip或者john套件提权时，仔细观察具有SUID的，假设sudo，这里就是通过sudo -l来查询，然后同名替换，执行提权。
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
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")
vulnhub靶场，CORROSION: 1
vulnhub靶场，CORROSION: 1 环境准备 靶机下载地址：https://www.vulnhub.com/entry/corrosion-1,730/ 攻击机：kali（192.168.109.128） 靶机：CORROSION: 1（192.168.109.192） 下载好靶机之后直接使用VMware Workstation Pro虚拟机导入环境，启动即可，将网段设置为NAT模式 目标：获取目标靶机root目录下的flag 信息收集 使用arp-scan确定目标靶机 确定目标靶机IP为192
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
vulnhub靶场—Corrosion:1
思路：easysysinfo有root权限，可以用来提权，并且由easysysinfo.c编译而来，源代码中的cat未使用绝对路径，若修改cat的内容为提权脚本，当运行easysysinfo时，就会执行我们修改后的cat,从而提权。执行ls -la,发现easysysinfo有root权限，前面还有easysysinfo.c，easysysinfo应该是由easysysinfo.c编译过来的。发现存在easysysinfo , easysysinfo.py。下面是easysysinfo.c的内容。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
vulnhub靶场——CORROSION:1
准备 攻击机：kali 靶机: CORROSION: 1 NAT 192.168.91.0 网段 下载连接: https://www.vulnhub.com/entry/corrosion-1,730/ 信息搜集与利用 主机发现 python3 ping.py -H 192.168.91.0/24 如图所示得到目标靶机IP地址: 192.168.91.188 端口扫描 如图所示只开放了 22，80 两个端口。 HTTP http://192.168.91.188/ 目录扫描 挨个访问上面的路径：
Vulnhub: Corrosion靶机
文件包含ssh日志getshell，替换程序配合sudo提权
Vulnhub靶机：Corrosion 2
运行环境：Virtualbox攻击机：kali（10.0.2.15）靶机：corrosion:2（10.0.2.13）目标：获取靶机root权限和flag靶机下载地址：https://www.vulnhub.com/entry/corrosion-2,745/
Vulnhub靶机：Corrosion1
运行环境：Virtualbox攻击机：kali（10.0.2.15）靶机：corrosion:1（10.0.2.12）目标：获取靶机root权限和flag靶机下载地址：https://www.vulnhub.com/entry/corrosion-1,730/
Vulnhub靶场: Corrosion2
这里有段小插曲~，当生成的war名字是shell.war时，上传访问的时候会显示404，但是用jsp.war不会，不知道是不是对上传的文件名进行了过滤。/manager需要账号和密码登录，所以下载backup.zip文件查看，发现backup.zip文件有密码，这里用。可以结合/etc/passwd的数据和/etc/shadow的数据，创建1个含有用户名和密码详细信息的文件。查看randombase64.py的权限，发现没有写的权限。这里爆出了randy的密码，直接用ssh连接，用。
vulnhub靶场之corrosion2
目录扫描一定要仔细，可能会错过重要信息对于压缩包的密码破解，使用fcrackzip或者john套件都可以tomcat一般对于用户的相关信息可能放在中tomcat中密码多用的可能性还是有的善用发现特权的命令look的一些特权用法可以在网址去查看添加或者移动文件时，要注意文件夹是否有权限unshadow的使用和john密码破解使用sudo -l寻找哪些文件可能有root权限对于python提权的方式有很多，这里是直接本地调用bash，还可以通过反弹获取终端，不过代码可能会麻烦一些。
vulnhub靶场——CORROSION:2
vulnhub靶场——CORROSION:2 Wirteup
Corrosion2，头条面试网络安全
本人从事网路安全工作12年，曾在2个大厂工作过，安全服务、售后服务、售前、攻防比赛、安全讲师、销售经理等职位都做过，对这个行业了解比较全面。最近遍览了各种网络安全类的文章，内容参差不齐，其中不伐有大佬倾力教学，也有各种不良机构浑水摸鱼，在收到几条私信，发现大家对一套完整的系统的网络安全从学习路线到学习资料，甚至是工具有着不小的需求。最后，我将这部分内容融会贯通成了一套282G的网络安全资料包，所有类目条理清晰，知识点层层递进，需要的小伙伴可以点击下方小卡片领取哦！
vulnhub靶机corrosion1
vulnhub靶机corrosion1
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
293
扫一扫
