1、快速建立TCP扫描的方法
我们都有一个经验,就是要网卡工作到高速率上不容易,100M的网卡流量到60M时就差不多了。但是很多做测试仪器的,如Smartbit在测试时可以到物理带宽,看了下面的小工具你也能做到了:
先了解一些TCP的基础,TCP的会话过程(三次握手):
n A发送SYN到B,生成ISN-A(A收到包编号基数),ISN为防止连接中数据接收顺序差错的编号,初始值在建立连接时随机生成,以后开始递增。ISN为通讯的双向ISN-A与ISN-B,各自记录自己的包顺序
n B回送SYN/ACK到A,生成ISN-B(B收到包编号基数),AN=ISN-A+1
n A发送SYN到B,ISN-A+1,AN=ISN-B+1
在TCP包头序列号SN字段,存放在对话初协商随机的32位编号ISN
主机在发送SYN时,要在会话内存中保留ISN与预期的AN,等待回送的SYN/ACK,并与收到的包中的作对比,一致的才认可,防止其他“冒充”的数据包,若等待时间超出,则重发几次SYN,直到有回应,或返回一个超时的错误。一般在扫描过程中,多数连接是没有回应的,但都要等待到超时才结束,因为同时建立的会话多,计算机消耗资源多,尤其是内存,所以多数的扫描工具速度较慢。
逆向SYN cookie技术:在发送SYN时,使用非随机的ISN,利用源与目的IP、源与目的端口,与一个作为“密钥”的种子(共160位)(该种子是扫描工具设置的),通过单向散列函数计算出一个32位的ISN,Scanrand工具采用的是SHA-1,160位输出截取到32位。这样发送SYN时,就不记录ISN等信息,发送进程只管尽快发送。当目标回应时,监听进程把接收数据包的AN减1,然后利用数据包的IP与端口信息,与“种子”一起进行同样的散列算法处理,的出发送时的ISN,如果与收到的数据相匹配,监听进程就可以判定是自己发送的,并且可以知道目的的IP与端口。
由于发送无需等待回应,也不用内存占用,所以扫描发送的速度只受网卡的物理限制。
Scanrand的TCP扫描的返回值:
2 UP:打开SYN/ACK
2 DOWN:关闭RST/ACK
2 un**:ICMP type 3目的不可达(RFC792):un01主机不可达,un03端口不可达
2 ***:ICMP type 11服务超时
另外,逆向SYN cookie技术把发送与接收过程的联系分开,因为之间的联系“没有”了,这样扫描工具可以分别起两个进程,一个只管发,另一个只管收,大大提供扫描的效率。
2、 躲避IDS监测的探测扫描技巧
入侵的第一步是收集信息阶段,也就是收集目标是漏洞点,俗称“踩点”。踩点的主要是工作为几个方面:
? 确定目标系统的操作系统类型与版本
? 开启服务的端口
? 开启服务的版本信息
原理:探测扫描的真正风险在于向目标发送太多的数据包暴露攻击者的存在,这些通讯中常包含一些构成可识别签名的数据,其中一些被有意构建为畸形的数据包,以便得到可辨识的错误信息回复。很多入侵检测系统(IDS)把这些签名作为“特征”进行查找,从而识别攻击的扫描行为。尤其是纯粹的TCP方式。
Xprobe2工具混合了ICMP、TCP与UDP多中方式,并且不发送畸形数据包,探测行为不给网络带来“噪音”,所以能躲避很多IDS的检测。同时利用IDS一般喜欢有产生大量日志或假报警的习惯,用一些表面上看是偶尔可疑的事件,尤其是在大数量事件的背景下,很容易逃脱安全管理人员的眼睛。
探测操作系统类型:
例子1: ICMP的PING是网络中常见的连接查询方式,但很多“指纹”细节可以带来探测中需要的重要信息。正常情况下发送ICMP Echo Request,目标机器一般回复为Echo Reply。工具Xprobe2在发送Request时,把ICMP包的Code字段设为123(自己定义的),而不是0。有意思的是不同操作系统的目标机器回复是不同的,Microsoft Windows会用Code 0回复,其他OS一般采用与请求相同的Code值回复。
探测服务端口是否带开:
例子2:正常情况下,探测服务端口会对常见的端口或全部端口直接发送连接建立请求包,密度大,排列整齐,很容易被IDS发现。为了在探测目标端口是否打开时躲避IDS的监控,工具Xprobe2采用了一个“第三方模拟”的技术。Xprobe2先自己给本地DNS发个某地址DNS请求,得到正确的返回包。然后Xpeobe2把这个返回包改造为自己是DNS服务器,给目标机器的返回包,发送DNS端口(53),查询端口就是目标中要探测的端口,如UDP65500。目标机器收到这个包很意外,因为自己没有发过请求,所以就给了一个正常的回复,如端口不可达,而这正式Xprobe2所需要的,回复中表明该端口关闭。因为DNS包不会引起IDS的注意,从而掩盖了探测的行为。
探测服务端口上的服务类型信息:
该需求对常见服务是不必要的,但对于网络管理人员采用了很多“安全”措施后,也就变得很需要了。“不公开,即安全”是一种传统的安全理念,所以网管人员采用一些非标准端口运行通常的网络服务,让探测者失去“目标”,保证安全。
作为扫描者需要探知端口上的服务详细信息,作为网络管理员需要探知网络内用户安装了那些公司不允许的“服务”。
Amap(www.thc.org)是探测端口服务的工具。主要的原理是通过开启多个连接,抓取该端口服务的“特征”,从而判断服务的类型。如Telnet到到端口,即可提示服务类型与版本信息等。但是服务“特征”不明显或被修改时,这种方式就难以奏效。Amap通过模拟一些查询或会话建立的初始请求,尝试与目标建立连接,从而探测服务的类型与版本。如SSL服务需要握手的三个步骤:1、Client_hello。2、Server_hello。3、Server-to-client certificate transfer
当然,该工具积累了一个庞大的常见应用模拟通讯数据库。
Amap也是网管人员的好工具,可用来发现用户安装的、未经授权的服务,尤其是对经常变化端口号,隐藏公司不允许的服务的情况,如P2P、VNC远程桌面等。
3、 不可小看的ARP协议
ARP是通讯中匹配IP地址与MAC地址的协议,是TCP/IP通讯的基础,当主机要给目标发送数据时,首先通过DNS协议把www地址(应用层地址)翻译成目标IP地址(网络层地址),再通过ARP协议把IP地址影射为目标的MAC地址(数据链路层地址)(可能是网关而非真正的目标计算机),数据才可以发送。在Hub时代,大家通讯都是可监听到的,MAC地址的广播与更新相对简单,但到了Switch时代,冲突域“没有了”,其他两人的通讯也不再是你能随意获得的,所以ARP也有了新的发展。
? 代理ARP(proxy ARP):在很早的时候,目标主机与源主机不在一个网段时,ARP的广播会网关设备截止而抛弃,目标主机就听不到,当然就无法回答。所以网络中有一个“管理者”负责把不是本网段的ARP请求统一管理,代理这些请求,让源主机先发送给自己,再由自己发送给目标机器,这就是ARP代理。后来主机内都设置了默认网关地址,当主机发现目标主机不在本网段时,直接发送给设备的网关。所以直接请求网关的MAC地址就可以了。虽然ARP代理已经很少使用,但想侦听别人通讯的人也可以冒充网关,从而代理你的业务。
? 查询ARP(Unsolicited ARP,也称未经同意的ARP):在主机开机时,初始化TCP/IP栈,并向准备使用的IP地址发送一个ARP请求,查看网络中是否有地址冲突。当请求没有收到答复时,可以放心使用该IP地址。当然TCP/IP规定在发送方不知道目标的MAC时,都要先发送查询ARP,等待目标者答复,没有目标MAC是没有办法组织发送包的。
? 免费ARP(Unicast ARP,Gratuitous ARP,也称无故ARP):因为网络设备(交换机)中的FDB转发表(MAC地址对应端口)和主机ARP缓存表(IP地址对应MAC地址)都是动态学习刷新的,一段时间没有数据包就会“老化”而删除,所以为了刷新这些会“学习”的表格,直接发送ARP应答,由于是自己主动发送的,并且此ARP应答不是针对某个地址,而是针对本网段的广播,所以称免费ARP。一种情况是主机在开机时会发送免费ARP,目的是告诉网络“我来了”,同时通知交换机在对应的端口上记录自己的MAC。另一种情况是有些主机与网络设备为了保持自己在别人缓存中不被老化,定期发送的刷新提示,这样当有人给自己发数据时,就不用因为地址老化而发送ARP请求再重新查找了。Cisco的网络设备就有定期发免费ARP的习惯。
ARP是MAC地址学习的工具,所以免费ARP一般很常见,安全设备会忽视他是存在,从而成为攻击者监听的工具。
ARP下毒攻击原理:攻击方的目标是成为通讯双方的ARP代理,也称作中间人攻击,具体是通过免费ARP,快速刷新通讯双方的主机ARP缓存,让双方都认为对方的IP地址对应的MAC地址就是中间人的,从而在他们双方通讯时把数据“误送”给了中间人,再由中间人代理给对方。
中间人攻击若模拟自己是网关,则可以代理网段上所有主机对外的通讯,所以网关设备对网络上的冒充自己IP的行为一向非常重视
相关推荐
二、租用AutoDL服务器与连接教程
点击右上角控制台,选择【租用新的实例】;,我这里使用的是xshell和xftp工具(自行下载)。打开本地目录和服务器目录,直接拖动文件。
Web漏洞挖掘:网络信息探测体系与实战工具链详解
网络信息探测是网络安全领域的基础性侦察技术,其核心原理在于通过系统化、多层次的信息收集,构建目标的数字画像。该技术通过资产发现、端口扫描、服务识别及深度信息收集等手段,将看似孤立的域名、IP、服务版本等信息碎片整合分析,从而精准定位攻击面。在Web漏洞挖掘与渗透测试中,充分的信息探测能极大提升后续漏洞发现的效率与成功率,是“知己知彼”的关键环节。本文聚焦于实战,深入解析以Nmap、FFuf等为核心的工具链在子域名枚举、服务指纹识别等场景下的高级配置与组合应用,并探讨在对抗WAF等防护措施时的隐蔽性技巧,旨在
力软敏捷开发框架源码7.0.6旗舰版 JNPF开发平台3.4.5 企业版 旗舰版
JNPF作为作为一款深受用户喜爱的低代码产品,凭借雄厚的科研技术力量、丰富的软件开发项目经验、严谨的项目开发流程和高质量的售后服务,已成功帮助千家企业完成数字化项目,建立了覆盖不同行业客户和不同发展阶段的软件产品服务体系。
网络探测和诊断工具 - traceroute
一、概要traceroute是Linux和Mac OS等系统默认提供的用于网络诊断和探测最常用的工具,Windows系统提供了一个叫:tracert的工具,和traceroute工具的功能相同。通过IP地址或域名,traceroute能探测数据包从源地址到目的地址之间经过哪些路由器,以及经过每个路由器的耗时。二、traceroute原理2.1 相关名词ICMPICMP全称...
Windows游戏多开检测实战:5种技术原理与破解方法详解(附C++代码)
本文深入解析了Windows游戏多开检测的5种核心技术原理,包括进程枚举、互斥体、信号量、窗口及文件映射检测,并详细探讨了对应的破解方法。通过分析这些基于进程和内核对象的攻防机制,为开发者与逆向爱好者提供了从底层理解Windows系统进程管理的实战视角,并附有核心C++代码示例。
ethercat linux lan9252 - lan9253调试
linux 的ethercat测试
系统渗透与防护——网络探测
网络探测 网络探测指对计算机网络或DNS服务器进行扫描,获取有效的地址、活动端口号、主机操作系统头型和安全弱点。 常用工具 Nmap、Nessus、OpenVAS、Metasploit Framework 网络探测的应用 网络探测对统计网络行为,保障网络安全、建立网络仿生环境等方面有看重要的意义,主要有以下几个方面应用。 安全评估 远程系统安全评估是一种非常重要的安全防护方法,包括构成网络的路由器、交换机和提供各种应用的服务器以及个人PC,都存在着相当数量的
ComfyUI中一个超好用的变量管理类节点-KJNodes
在AI绘图中,ComfyUI的热度开始慢慢起来一些,但是这个软件在使用的过程中,需要很多连线,仅仅一个最简单的动画生成,就需要连接这么多线条,而且有些线会飞的很远,看起来就很不美观,尤其是一些复杂工作流,连接到最后自己可能已经分不太清楚到底连接好了没有。今天在研究C站的大佬们的工作流的时候,发现一个有意思的工作流,看起来大概是这种感觉:干净整洁。他用到了KJNodes这么个节点来管理变量,git上星标也不算很多,所以我想很多朋友可能还不知道,所以这里简单介绍下用法。
渗透与测试——常用的网络探测命令
概述 常见的网络命令包括:ping、ipconfig、arp、net、tarcert、netstat、netsh、nslookup等命令。 这些命令是微软操作系统自带的,可以帮助我们更好的了解操作系统的网络情况,快速的判断网络拓扑、解决网络故障、发现黑客入侵痕迹等。 ping 作用 PING (Packet Internet Groper),因特网包探索器,用于测试网络连接量的程序 。Ping是工作在 TCP/IP网络体系结构中应用层的一个服务命令, 主要是向特定的目的主机发送 ICMP(Interne
【HSPiP应用指南】从理论到实践:如何利用汉森溶解度参数优化配方设计
本文深入解析了汉森溶解度参数(HSP)理论及其在配方设计中的核心价值,并详细介绍了如何利用HSPiP软件工具从理论走向实践。文章通过匹配溶解度参数、计算汉森距离(Ra),系统阐述了如何解决溶剂选择、颜料分散稳定性及扩散行为预测等关键问题,并结合界面气相色谱(IGC)等实验方法提升预测精度,旨在帮助配方师实现配方设计的可视化、可量化与高效优化。
系统盘被 1Panel 撑爆了?一键脚本 3 分钟搞定无损迁移!(1Panel如何快速无损的修改安装目录)
很多用户因默认安装导致 1Panel 面板占满系统盘 😱,本文详解了为何常规快照迁移会失效,并提供了通过**一键自动化脚本**实现无损迁移的完美方案 🛠️。无论你是 NAS 用户还是服务器管理员,都能找到安全扩容的最佳实践。
网络探测工具Nmap介绍
Nmap是一款用于网络发现和安全审计的网络安全工具。可用于列举网络主机清单、管理服务升级调度、监控主机、监控主机服务运行状况、检测目标主机是否在线和端口开放情况、侦测运行的服务类型及版本信息、侦测操作系统与设备类型等。
基于DSIFT多尺度图像融合的MATLAB代码
多尺度图像融合是一种常用的图像处理技术,它可以将具有不同尺度和空间频率特征的图像融合成一幅更具信息丰富度和视觉效果的图像。DSIFT算法是一种基于SIFT算法的改进版本,它在提取图像特征时采用了密集采样的方法,能够有效地提取图像的局部特征。多尺度图像融合基于DSIFT算法的思想,通过在不同尺度下提取图像的DSIFT特征,并将这些特征进行融合,得到最终的融合图像。然后,通过DSIFT算法提取了两幅图像的特征。通过运行上述代码,我们可以在MATLAB中实现基于DSIFT多尺度图像融合的算法,并观察到融合结果。
node-ping: 快速、强大的网络探测工具
node-ping: 快速、强大的网络探测工具 项目地址:https://gitcode.com/gh_mirrors/no/node-ping node-ping 是一个基于 Node.js 的网络探测库,它可以用来快速检测网络连接的可用性和延迟。它支持 ICMP(互联网控制消息协议)和 TCP 协议,并且提供了许多实用的功能和选项。 功能和用途 使用 node-ping,您可以实现以下功能: ...
文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况
主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。
android 蓝牙通讯demo
android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。
了解***的"初级阶段"---网络信息探测技巧
了解***的初级阶段---网络信息探测技巧 1、快速建立TCP扫描的方法 我们都有一个经验,就是要网卡工作到高速率上不容易,100M的网卡流量到60M时就差不多了。但是很多做测试仪器的,如Smartbit在测试时可以到物理带宽,看了下面的小工具你也能做到了: 先了解一些TCP的基础,TCP的会话过程(三次握手): n A发送SYN到B,生成IS...
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
了解黑客的"初级阶段"---网络信息探测技巧
1、快速建立TCP扫描的方法 我们都有一个经验,就是要网卡工作到高速率上不容易,100M的网卡流量到60M时就差不多了。但是很多做测试仪器的,如Smartbit在测试时可以到物理带宽,看了下面的小工具你也能做到了: 先了解一些TCP的基础,TCP的会话过程(三次握手): nA发送SYN到B,生成ISN-A(A收到包编号基数)...
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")
域学习:内网探测存活主机端口、定位域管理工具、判断内网连通性:
ICMP协议探测: 平时经常用PING去探测一个主机是否能被探测到或者用于判断机器是否可以出网。这里做个笔记更好了解一下PING和IMCP协议 ICMP出现的原因: 在IP通信中,经常有数据包到达不了对方的情况。原因是,在通信途中的某处的一个路由器由于不能处理所有的数据包,就将数据包一个一个丢弃了。或者,虽然到达了对方,但是由于搞错了端口号,服务器软件可能不能接受它。这时,在错误发生的现场,为了联络而飞过来的信鸽就是ICMP 报文。在IP 网络上,由于数据包被丢弃等原因,为了控制将必要的信息传递给发信方。I
主动信息收集
kali——信息收集
VC 黑客软件编写基础代码大全
VC 黑客软件编写基础代码大全 确定Windows和windows系统目录 有两个SDK函数可以完成该功能。GetWindowsDirectory和GetSystemDirectory,下例说明了如何使用这两个函数: TCHAR szDir [MAX_PATH]; //Get t
网络攻防第三周作业
一、教材学习笔记 1、网络信息收集的内容: 网络攻击信息收集: (1)入手点:目标的名称和域名 (2)攻击准备阶段 在网络中的地理位置 与真实世界的联系(实施社工和物理攻击) 网络地图 攻击所需的更详细信息 (3)攻击实施阶段 目标系统中存在的安全缺陷和漏洞 目标系统的安全防护机制 网络防御信息收集 : (1)追查入侵者的身份、网络位置、所攻击的目标、采用...
Web安全深度剖析第三章读书笔记
3 信息探测 主要收集的信息:服务器的配置信息和网站的信息 包括网站注册人 目标网站系统 目标服务器系统 目标网站相关子域名 目标服务器所开放的端口 服务器存放网站等 3.1 Goole Hack 3.1.1 搜集子域名 可以使用site,也可以使用软件查询。但是一般是不准确的,目前没有很好的方法来搜集网站的子域名。 3.1.2 搜集Web信息 关键字 说明 site 指定域名 intext 正文中存在关键字的网页 intitle 标题中存在关键字的网页 info 一些基本信息
安全--信息收集
收集目标web服务器的网络信息、系统信息、组织信息 + 网络信息 包括:域名、TCP/UDP的端口、网络协议、防火墙、访问控制策略等 + 系统信息 包括:系统标识、站点目录、系统架构、路由表、测试/临时文件 + 组织信息 包括:员工信息、邮箱/电话、公司地址、组织网站、组织背景等 WHOIS信息 收集注册人、电话、邮箱、dns、地址等 + whois 信息 whois.chinaz.com , w...
Nmap使用手册
Nmap使用手册
主动信息收集——四层发现(传输层)
TCP、UDP协议详解:https://blog.youkuaiyun.com/tonglin12138/article/details/86470433 缺点:基于状态过滤的防火墙可能过滤扫描,全端口扫描速度慢 TCP扫描: 不发送SYN包,直接发送ACK包,目标主机若存在,则返回一个RST包 正常发送TCP链接请求,发送SYN包,目标主机不存在则没有返回,存在且包中端口号等信息正确,则返回SYN/...
最有用的网络命令
1、测试物理网络 命令:ping 192.168.0.8 -t ,参数-t是等待用户去中断测试2.查看DNS、IP、Mac等信息 A.Win98:winipcfg B.Win2000以上:Ipconfig/all3.网络信使 命令:Net send 计算机名/IP * (广播) 传送内容,注意不能跨网段 命令:net stop messenger 停止信使服务,也可以在面板-服务修改
1329



被折叠的 条评论
为什么被折叠?



