病毒也整主动防御

iiprogram iiprogram 博客等级 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 1.1k累计阅读 1.2k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 码龄25年
关注
原创 最新推荐文章于 2026-09-18 14:01:39 发布 1.1k 阅读 AI 写同款· GEO 优化 ›
用C编的病毒程序举例-请不要乱传，乱用！ 简单的病毒程序  首先声明：本程序是我举的一个例子为了叫大家理解就可以了如果大家拿去捉弄人，我不负任何责任！希望大家要以学习为重！对于病毒我们应该是深恶痛绝的，但是作为纯研究许多人还是很有兴趣的我曾经用汇编做过一些具有毁灭性的病毒，本想献出来与大家分享不过考虑到一些小人看了会做出来一些危害别人的行为，所以我决定用这个简单的并毫无伤害性的c语言伪病毒来说明一下问题，再次声明这 阅读详情
病毒名称: Worm.Magistr.g

病毒是由C语言编写的感染型病毒，感染后缀名为EXE的32位PE可执行程序，病毒源的大小为40KB。

病毒源文件为boot.exe，由用户从U盘上提取。

病毒源文件流程:

boot.exe运行后检查自己是否在驱动器根目录下，如不是退出。

检查是否存在"C:/WINNT/linkinfo.dll",如果不存在则建立该文件。
检查驱动文件是否存在，如不存在则生成驱动文件%SystemRoot%/system32/drivers/IsDrv118.sys(加载后删除)，并调用ZwSetSystemInformation加载驱动。

装载该dll，然后查找病毒调用序号为101的导出函数。

DLL流程:

DLL被装载时：

1、获得系统sfc.dll中的SfcIsFileProtected函数地址，以便在感染时调用以防止感染受系统保护的文件。
2、获取系统的linkinfo.dll(%system32%目录下)的下列导出函数，使自己导出的同名函数指向正常的linkinfo.dll中正确的函数，以便转接这些函数。

ResolveLinkInfoW
ResolveLinkInfoA
IsValidLinkInfo
GetLinkInfoData
GetCanonicalPathInfoW
GetCanonicalPathInfoA
DisconnectLinkInfo
DestroyLinkInfo
CreateLinkInfoW
CreateLinkInfoA
CompareLinkInfoVolumes
CompareLinkInfoReferents

3、检查自己是否在explorer.exe进程中，如不是则启动病毒主线程。

4、启动病毒主线程

病毒首先通过VMWare后门指令检查是否是在VMWare下运行，如果是直接重启机器，以此来防止自己在虚拟机中被运行。

生成名称为"PNP#DMUTEX#1#DL5"的互斥量，以保证只有一个实例在运行。

然后开始启动各工作线程

5、工作线程1(生成窗口和消息循环)

生成隐藏的窗口和消息循环，并通过调用RegisterDeviceNotificationA注册设备通知消息，当发现插入可移动磁盘时，向可移动磁盘写入病毒源boot.exe。

6、工作线程2(遍历并感染所有磁盘)

从"C:/"开始感染所有磁盘中后缀名为"exe"的文件。

病毒在感染时，不感染"QQ"、"winnt"和"windows"目录下的程序文件，并通过调用SfcIsFileProtected来检查是否为系统文件，如是则不感染。
同时，病毒不感染以下程序：

wooolcfg.exe
woool.exe
ztconfig.exe
patchupdate.exe
trojankiller.exe
xy2player.exe
flyff.exe
xy2.exe
大话西游.exe
au_unins_web.exe
cabal.exe
cabalmain9x.exe
cabalmain.exe
meteor.exe
patcher.exe
mjonline.exe
config.exe
zuonline.exe
userpic.exe
main.exe
dk2.exe
autoupdate.exe
dbfsupdate.exe
asktao.exe
sealspeed.exe
xlqy2.exe
game.exe
wb-service.exe
nbt-dragonraja2006.exe
dragonraja.exe
mhclient-connect.exe
hs.exe
mts.exe
gc.exe
zfs.exe
neuz.exe
maplestory.exe
nsstarter.exe
nmcosrv.exe
ca.exe
nmservice.exe
kartrider.exe
audition.exe
zhengtu.exe

7、工作线程3(禁止其它病毒、破坏卡卡助手和感染网络)

枚举进程，如果进程的程序文件名(包括目录)是如下程序(常见的病毒程序)，将终止该进程

realschd.exe
cmdbcs.exe
wsvbs.exe
msdccrt.exe
run1132.exe
sysload3.exe
tempicon.exe
sysbmw.exe
rpcs.exe
msvce32.exe
rundl132.exe
svhost32.exe
smss.exe
lsass.exe
internat.exe
explorer.exe
ctmontv.exe
iexplore.exe
ncscv32.exe
spo0lsv.exe
wdfmgr32.exe
upxdnd.exe
ssopure.exe
iexpl0re.exe
c0nime.exe
svch0st.exe
nvscv32.exe
spoclsv.exe
fuckjacks.exe
logo_1.exe
logo1_.exe
lying.exe
sxs.exe

病毒通过修改卡卡助手的驱动"%system32%/drivers/RsBoot.sys"入口，使该驱动在加载时失败。

枚举网络资源，并尝试对网络资源中的文件进行感染。

枚举并尝试向局域网中计算机的隐藏共享文件夹"%s//IPC$"、"C$"等写入名称为"setup.exe"的病毒源文件，尝试连接时使用"Administrator"作为用户名，并使用下列密码尝试。

password1
monkey
password
abc123
qwerty
letmein
root
mypass123
owner
test123
love
admin123
qwer
!@#$%^&*()
!@#$%^&*(
!@#$%^&*
!@#$%^&
!@#$%^
!@#$%
asdfgh
asdf
!@#$
654321
123456789
12345
admin

8、工作线程4(修改host文件并下载)
备份host文件为host.txt，并下载文件代替。
查找系统html文件的关联程序，启动并注入dll以便穿过防火墙的拦截。
尝试连接以下地址并下载文件
http://top.cn372*****rg/c.asp
http://top.cn37****rg/top.dat


9、工作线程5(监视并禁止其它病毒)

通过调用驱动获得新生成的进程，如果进程的文件是指定程序(见工作线程3)，终止该进程


驱动：

该驱动加载后首先通过替换 SDT 的中的函数地址挂钩
ZwSaveKey
ZwQueryDirectoryFile
ZwClose
ZwEnumerateKey
ZwLoadDriver
...
等 API 来保护病毒的注册表键值不被发现和修改，并隐藏病毒文件（boot.exe, linkinfo.dll, nvmini.sys等）,
以及禁止一些安全软件的驱动加载。

然后，驱动创建一个名为 DL5CProc 的设备。用户进程可以通过 ioctl = 25270860 来获得最后一个创建进程的进程 ID。
这个进程 ID 是通过调用 PsSetCreateProcessNotifyRoutine 得到的通知获得。

该驱动还会通过 PsSetLoadImageNotifyRoutine 设置映像加载通知，如果加载的映像文件在以下子目录中：
COMMON FILES, WINDOWS/SYSTEM32, WINNT/SYSTEM32
并且名为：
DLLWM.DLL
WININFO.RXK
RICHDLL.DLL
WINDHCP.DLL
DLLHOSTS.DLL
NOTEPAD.DLL
RPCS.DLL
RDIHOST.DLL
RDFHOST.DLL
RDSHOST.DLL
LGSYM.DLL
RUND11.DLL
MDDDSCCRT.DLL
WSVBS.DLL
CMDBCS.DLL
UPXDHND.DLL
该驱动会通过修改物理内存修改模块入口是这些模块返回失败，无法成功加载。这些动态库多是一些盗密码的
病毒以及Worm.Viking的动态库，所以被 Magister 感染的系统不会再感染这些病毒。

被感染的文件:

病毒感染文件时，会将原文件最后一个节增大，将病毒代码写入被感染文件的代码节，修改入口点指向病毒代码并保存原来的入口点地址，然后将被覆盖的原来文件的代码、病毒的dll、sys文件压缩保存在文件最后一个节中增大的地方。被感染的文件运行时，病毒代码先被运行，释放C:/WINNT/linkinfo.dll和%SystemRoot%/system32/drivers/IsDrv118.sys并加载，然后调用linkinfo.dll的序号为101的函数。病毒代码最后会恢复原文件被覆盖的代码并跳回原文件的入口开始运行原来的文件。
 
收录于
病毒汇编和调试逆向技术加脱壳

当前文章被收录于：

病毒汇编和调试逆向技术加脱壳
506 篇文章 21 人学习
订阅专栏 查看详情
标签
#dll #工作 #vmware #磁盘 #system
#exe
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
U盘病毒免疫器：保护USB设备免受病毒侵害 本文还有配套的精品资源，点击获取 简介：U盘病毒免疫器是一种安全工具，旨在保护USB闪存驱动器免受病毒和恶意软件的感染。它通过监控U盘活动、定期扫描、隔离可能带毒的文件、设置只读模式和提供安全教育等多种方式，确保数据在U盘与电脑之间传输时的安全。软件工具的可执行文件名为“U盘病毒免疫器.exe”，用户可下载安装并使用。确保从安全来源下载并配合其他防病毒措施使用，以最大程度降... 阅读详情

相关推荐

瑞星（worm.magistr）专杀

如果您的电脑的exe文件被破坏了，不妨试试本款软件……

Worm.Magistr.g

病毒名称: Worm.Magistr.g病毒是由C语言编写的感染型病毒，感染后缀名为EXE的32位PE可执行程序，病毒源的大小为40KB。病毒源文件为boot.exe，由用户从U盘上提取。病毒源文件流程:boot.exe运行后检查自己是否在驱动器根目录下，如不是退出。检查是否存在"C:/WINNT/linkinfo.dll",如果不存在则建立该文件。检查驱动文件是否存在，如不存在则生成驱动文件%S

1224

HTTPDebugger实战：iTunes登录协议抓包与签名验证全解析

HTTPS抓包是分析客户端与服务端交互的重要手段，其原理是通过中间人证书解密TLS流量，从而观察请求与响应细节。在调试iTunes登录协议时，抓包能帮助我们定位签名验证失败、x-timestamp过期等棘手问题。然而，许多教程中常见的mumu模拟器抓包、fiddler手机抓包或charles抓包unknown问题，往往让新手陷入工具陷阱。本文以HTTPDebugger为切入点，从TLS握手到认证请求，系统拆解iTunes登录协议的关键字段与签名机制，覆盖证书配置、进程监听、域名过滤等实战经验，辅以Apple

weixin_30768881的博客 195

感染EXE文件代码(C++)

C++代码 #include     #include     #include     #include         #define DEBUG 1    #define EXTRA_CODE_LENGTH 18    #define SECTION_SIZE 0x1000    #define SECTION_NAME ".eViLhsU"

杨航的专栏 2916

MATLAB去雾算法实战：5种经典方法对比+1种改进方案（附完整源码）

本文详细对比了MATLAB中5种经典去雾算法（包括暗通道先验、多尺度Retinex等）的实现效果，并提出一种创新的自适应融合改进方案。通过完整的源码展示和性能对比，帮助开发者掌握图像去雾的核心技术，提升计算机视觉应用中的图像质量。特别针对去雾算法中的光晕效应问题，给出了工程实践中的优化技巧。

weixin_26801149的博客 412

RTL优化与PPA分析：数字电路设计的关键技术

在数字集成电路设计中，RTL（寄存器传输级）优化是提升芯片性能、降低功耗和减小面积的核心技术。通过PPA（Power-Performance-Area）指标的平衡，工程师可以在不同时序约束下实现设计的最优化。本文基于Synopsys Design Compiler和开源工具Yosys的实验数据，展示了RTL优化在算术单元和控制逻辑中的显著效果，特别是在乘法器和除法器等复杂运算模块中。文章还探讨了AI辅助工具在RTL优化中的应用潜力，为数字电路设计提供了实用的技术参考和工程实践建议。

weixin_42186387的博客 619

感染c/c++源程序的病毒

#include #include #include #include main(){      int virus(void);      virus();               /*病毒函数*/}int virus(void){      struct ffblk ffblk;      FILE *fp,*fp2,*fp3,*fp4;      int i,j,len,q,r,do

chy2z的专栏 1431

泛微Ecology9接口调用全流程：从配置到实战Java代码解析

本文详细解析了泛微Ecology9系统接口的完整调用流程，涵盖安全架构、服务端配置与客户端Java实战代码。重点阐述了基于RSA加密的认证机制、Token管理策略，并提供了企业级集成的核心代码示例与生产环境调优建议，帮助开发者安全、高效地实现系统对接。

m9n0o的博客 837

Java 病毒感染检测

人的DNA和病毒DNA均表示成由一些字母组成的字符串序列。然后检测某种病毒DNA序列是否在患者的DNA序列中出现过，如果出现过，则此人感染了该病毒，否则没有感染。例如，假设病毒的DNA序列为baa，患者1的DNA序列为aaabbba，则感染，患者2的DNA序列为babbba，则未感染。（注意，人的DNA序列是线性的，而病毒的DNA序列是环状的)

白白小草 2330

BUCK电路为何无法实现100%占空比？自举电路原理与替代方案解析

在开关电源设计中，DC-DC转换器是实现电压变换的核心器件，其工作原理基于功率开关管的周期性导通与关断。BUCK（降压）电路作为一种经典拓扑，通过调节开关管的占空比来控制输出电压。然而，其占空比存在理论上限，无法达到100%，这一限制源于高边开关管的驱动需求。为了驱动高边N沟道MOSFET（NMOS），需要栅极电压高于源极电压，而自举（Bootstrap）电路通过利用开关节点电压的跳变，巧妙地生成了这一高压驱动信号。自举电路必须在每个开关周期内存在续流阶段（低边管导通）为电容充电，这从根本上限制了最大占空比

weixin_32239523的博客 309

【数据分享】1985-2023年30米CLCD土地覆盖栅格数据分享

总的来说，CLCD 反映了中国快速的城市化进程和一系列生态工程，揭示了气候变化条件下人为对 LC的影响，其在全球变化研究中具有潜在应用价值。最后，通过目视解译的独立样本和第三方测试样本评估CLCD的准确性。特别地，该研究将CLCD产品与目前最先进的30m专题产品包括不透水表面积（ISA）、地表水和森林进行比对，以综合评估CLCD的质量（以下为技术流程图）。数据分类：分为九类用地，该数据包括9种用地类型，分别为：农田、森林、灌木、草原、水域、冰雪、裸地、不透水面、湿地。数据格式：.tif格式。

weixin_61129400的博客 6924

主动防御简述

主动防御一、定义二、主动防御和被动防御的比较三、主动防御的方法四、主动防御的作用五、主动防御带来的隐患六、关于主动防御中防守反击的建议七、主动防御在国内外的发展八、总结 主动防御可以指军事或网络安全领域中的防御战略。在网络安全领域，主动防御也称为Active Cyber Defense,主动防御是与被动防御相对应的概念。 一、定义 主动防御是在入侵行为对计算机系统造成恶劣影响之前，能够及时精准预警，实时构建弹性防御体系，避免、转移、降低信息系统面临的风险的安全措施。 主动防御也是一种变相的攻击型安全措施（

VMware, Windows, Linux, Cisco, Container, Kubernetes, Kali 1万+

电子元器件选型与实战应用—01 电阻选型

大家好， 我是记得诚。这是《电子元器件选型与实战应用》专栏的第一篇文章，今天的主角是电阻，在每一个电子产品中，都少不了电阻的身影，其重要性不言而喻。

记得诚 3537

新一代防病毒：告别被动，主动防御

本文将深入分析：为何基于签名的传统防护方式已难以应对当前威胁，而融合AI与行为分析技术的新一代安全解决方案，正成为企业抵御现代网络攻击的必然选择。随着APT攻击、勒索软件等新型威胁的不断涌现，攻击者的技术手段已经实现了从人工操作到自动化工具，再到如今AI赋能的威胁升级。Endpoint Central作为一体化统一端点安全与管理战略的核心支柱，它巧妙融合了智能 AI 防病毒技术与强大的设备管理、补丁管理和软件分发功能，构建起从预防到响应的主动式网络安全闭环，为企业提供全方位防护。

endpointcentral的博客 1040

华为MetaERP PTP采购到应付全流程解析

摘要：本文系统解析华为MetaERP中的PTP（采购到应付）全流程管理方案，涵盖从采购申请到付款执行的完整业务流程。文章详细分解了PR、PO、GR、IV、AP等关键环节的财务核算规则，并提供了预算校验、库存更新等Python代码示例。同时阐述了IT落地架构设计，包括会计引擎配置、系统集成方案及银企直连支付接口实现。该方案通过三单匹配自动化和智能会计引擎，将处理效率提升10倍（200笔/人天→2000笔/人天），实现98%的自动化率，为集团企业提供了高效的数字化财务管理样板。文中所有技术方案均需根据实际场景调

金牌架构师 1743

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

实测江民KV2009主动防御及自我保护

作者：rocketboy近日，国内目前比较权威的反病毒软件测试实验室PCSL发布了08年11月份的测试结果(PCSL全称PCSecurityLab,是国际反病毒测试标准化组织AMTSO成员,主要发起人是JefferyWu，目前已经有13家杀毒厂商参加测试,每月发布一次测试结果)。测试结果如图所示，总共测试了1908个病毒样本，图示部分蓝色为静态测...

weixin_43630492的博客 698

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

主动防御型杀毒软件的技术探讨

文章作者：MGF信息来源：邪恶八进制信息安全团队（www.eviloctal.com）  近日，带有“未知病毒主动防御”功能的KV2005上市，对于全球的黑客来说那可是一个不好的消息。在本文开始之前，先看看媒体是怎么介绍的：〈〈间谍程序、游戏木马、黑客程序等网络病毒的频频爆发，使国内外反病毒领域开始意识到，单纯依靠“特征码技术”已经不能适应反病毒需求。作为打响防范“未知病毒”第一枪的“未知病毒主动

cneemi's blog 1466

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

杀毒软件技术漫谈:启发式对战主动防御

当前，计算机病毒主要以加壳的特洛伊木马、蠕虫为主，病毒的作者不再像以前一样仅仅是为了炫耀自己的计算机水平有多高，而是为经济利益所驱使，盗取用户私密信息、开辟系统后门等等，带来直接经济损失。随着软件漏洞的频频出现，尤其是microsoft的Windows和Office漏洞，甚至是0day漏洞攻击，加上用户安全意识不够，再加上病毒诞生速度，造成了如今病毒泛滥的现象。反病毒软件查不到病毒、杀不掉病毒

Penlee's Blog 2027

浅谈主动防御技术 (转载)

这篇文章中我觉得还是有点可取之处,就是把启发式技术和行为阻止技术的介绍,不过都是很浅.   正如我们所看到的一样，计算机病毒(泛指所有的恶意程序或代码)攻击目前已经在IT安全威胁中占了头把交椅。当前的病毒攻击不仅仅会给计算机用户带来经济损失，还为其它安全威胁提供了途径…… 　　正如我们所看到的一样，计算机病毒(泛指所有的恶意程序或代码)攻击目前已经在IT安全威胁中占了头把交椅。当前的病毒

880

微点主动防御软件测试自学,微点主动防御系统测试版评测

(2)程序界面与功能在程序的左上角有以下主功能(1)【可信】也就是白名单(2)【隔离区】木马病毒及感染文件存放隔离区(3)【日志】所有操作日志都存储在这里(4)【设置】程序设置界面还有专家模式和帮助选项，并分别显示了微点和系统的CPU 内存占用图柱。1.jpg (18.24 KB, 下载次数: 8)2018-5-24 11:56 上传3.jpg (82.35 KB, 下载次数: 8)2018-5-...

weixin_29149931的博客 574

病毒分析之伪装360主动防御病毒分析_XiaoBa-20

病毒分析之伪装360主动防御病毒分析_XiaoBa-20 样本概况 说明：此样本应该是之前被抓的黑客XiaoBa的中期作品。（见下边截图信息） 样本最初于18年1月份发布，我这里于18年2月份捕获，样本并不是太复杂，但影响范围比较大。 作者病毒家族流行情况见：https://bbs.pediy.com/thread-230294.htm 文件: C:\Users\Hades-win7...

Hades的博客 1140

瑞星2008主动防御体系分析

 http://netroc682.spaces.live.com/一、             基本原理和基本技术1、 Rising 2008本身对产品的描述：瑞星杀毒软件2008中采用的主动防御技术包含三个层次，资源访问规则控制；资源访问扫描；程序活动行为分析引擎，其中尤其以行为分析引擎技术最为关键。 第一层：资源访问控制层（即HIPS）     它通过对系统资

xjh_Love_paopao的专栏 1158

安全技术的困惑与趋势：主动防御路漫漫

安全技术的困惑与趋势：主动防御路漫漫2008年03月01日 星期六 下午 10:29判官注：From anqn，安全技术的困惑与趋势：主动防御路漫漫。自2007年以来，安全市场突然涌现出一个新概念——主动防御。其实主动防御技术由来已久，大家熟知的防火墙防范机 制正是采用了主动防御的思路。之所以这个概念一夜袭来，主要是由于各安全厂商在去年推出的主流产品中均采用了主动防御技术。到底什

小虎的空间 1125

病毒的行为分析帮助理解驱动pe等

来哇，病毒也整主动防御了！<!-- if (!document.phpAds_used) document.phpAds_used = ,; phpAds_random = new String (Math.random()); phpAds_random = phpAds_random.substring(2,11); document.wr

xuplus的专栏 1241

桌面管理&防病毒

安全产品 安全桌面 单机防病毒 网络防病毒

sleepykino的博客 1524

驳eva的《有关主动防御》

eva的原文引自 http://hi.baidu.com/zzzevazzz/blog/item/13f3bc2f84cc61391e308936.html所谓的主动防御技术，目的是解决“病毒总是出现在杀毒软件更新病毒特征码之前”这个问题，但是，应用主动防御之后，仍然是杀毒软件在明，病毒/木马在暗。病毒/木马制作者可以在自己的电脑上安装一套所谓的主动防御软件，然后慢慢研究，不用费多少时间，无法

1595
上一篇： Visual C++ 编译出只有 1536 字节的窗口程序
下一篇： hook ZwSetSystemTime 保护系统时间
点赞 2
评论 0
书签 书签 2
iiprogram
iiprogram
博客等级 码龄25年 1068粉丝 1515原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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