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
2.6k累计阅读
2.6k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
还是放出来好了，免得老找我要这东西。功能应该比网上的日志清除工具都要好。它是修改，而不是纯粹的删除和清空基于wtmpclean改的，所以我名字都没换
上几张图好了：
修改wtmp与utmp 与username和hostname相符的条目，同时保留timestamp
修改lastlog，在下次同一帐号登录显示同一IP和时间。 
所有文件都保留了timestamp 功能应该凑合够用了，主要是wtmpclean开发用了automake autoconf等东西，所以嘟嘟拉拉一大堆。也懒得剔除了，呵呵 编译 ./configure make 就可以了，进src 文件夹使用就可以了
下载地址：logtamper-v1.0.tgz (156.96 KB)
linux log cleaner
linux 日志清除工具,据说比较好用,有源码
探索创新数据安全：LogTamper - 日志篡改检测利器
探索创新数据安全：LogTamper - 日志篡改检测利器 在数字化时代，日志数据是系统监控、故障排查和安全审计的关键。然而，日志的真实性与完整性往往被忽视，潜在的安全风险不容小觑。 是一个开源项目，专注于检测并预防日志篡改，为你的数据安全保驾护航。 项目简介 LogTamper 是一个轻量级的日志完整性检查工具，它通过生成校验码（如MD5或SHA256）来确保日志文件未被非法修改。当检测到日志文...
python音频信号分析
声音以具有诸如频率、带宽、分贝等参数的音频信号的形式表示，典型的音频信号可以表示为幅度和时间的函数
Linux中清除痕迹和隐藏自己-清除last login
注意使用logtamper，只能清除日志痕迹，而且主要针对utmp,wtmp,lastlog。而事实上，linux系统重要的会留下你的痕迹日志有：lastlog、utmp、wtmp、messages、syslog、sulog，所以不能完全依赖工具。 此外，各种shell还会记录用户使用的命令历史，它使用用户主目录下的文件来记录这些命令历史，通常这个 文件的名字为.sh_history (k
一步一步教你写股票走势图——K线图一（概述）
股票分时图部分已经开发完毕，受到了广大开发者的好评！界面、功能都挺完美，解决了好一些MP开发者的问题，博主甚是欣悦，更有动力去开源K线图。这里说一下，如果有问题直接留言或者发邮件，github上个人信息有邮件，我看到基本都会回复，博主不加qq的，体谅O(∩_∩)O。分析好了，废话不多说，我们分析下K线图吧，首先我们看下自选股K线图的效果吧效果还是很赞的，经过分时图的研究后，博主越来越确信自选股用的应
树莓派烧录验证失败：跳过验证步骤实现成功启动的实用技巧
本文针对树莓派烧录系统时常见的验证失败问题，提供了跳过验证步骤实现成功启动的实用技巧。通过分析Windows与Linux文件系统差异导致的SD卡验证报错，指导用户在烧录完成后立即关闭验证窗口，或使用BalenaEtcher等第三方工具规避问题，确保树莓派正常启动。
探索LogTamper：日志数据篡改检测的利器
探索LogTamper：日志数据篡改检测的利器 在数字化时代，日志数据是追踪系统行为、诊断问题和保障安全的重要手段。然而，随着网络安全威胁的日益严峻，日志数据的真实性也面临着挑战。为了解决这一问题，我们向你推荐一款名为LogTamper的开源工具，它专门用于检测日志中的篡改行为。 项目简介 LogTamper是一个基于Python开发的日志完整性检查框架。它通过计算日志文件的哈希值，对比历史记录，...
NVIDIA DGX Spark实战：如何在桌面上轻松运行200B参数大模型？
本文详细介绍了如何利用NVIDIA DGX Spark在桌面端轻松运行200B参数大模型。通过实战演示，从系统初始化、模型获取部署到内存管理与性能调优，重点解析了其统一内存架构如何解决本地推理的显存瓶颈，并探讨了进行轻量化微调（如LoRA）的可能性，为AI开发者和研究团队提供了高效的本地化大模型操作方案。
清除入侵痕迹(win&Linux&web)
清除入侵痕迹(win&Linux&web)
2025华为杯第二十二届中国研究生数学建模竞赛E题：高速列车轴承智能故障诊断问题 - 完整解题分析+完整MATLAB源码！
🎓 本文收录于 《滚雪球学数学建模》专栏，本专栏专注于从零基础出发，带你循序渐进掌握数学建模的核心方法与思维路径。通过“滚雪球式”学习法，从最简单的生活化案例到经典建模工具，再到省赛、国赛真题实战演练，逐步积累知识与技能，帮助你搭建完整的建模体系。无论你是刚接触建模的新生，还是希望提升科研与竞赛能力的学者与工程师，本专栏都将为你提供一条清晰、高效、可实操的建模成长路线，助力你快速进阶，突破难点，迈向数学建模竞赛与实际应用的更高峰 🚀！
某东详情页h5st 算法分析
某东详情页h5st 算法分析
大学生作业：80C51存储器数据传输实验：基本指令和数据传送
大学生作业：80C51存储器数据传输实验，报价 200 文章目录实验一、80C51存储器数据传输实验实验目的：实验内容一：基本指令实验内容二：数据传送 实验一、80C51存储器数据传输实验 实验目的： 熟悉软件的集成开发环境 掌握单片机软件设计流程，掌握存储器结构及各窗口之间的联系 掌握内部数据存储器、外部数据存储器的数据传送特点和应用； 实验内容一：基本指令 用三种方法实现将累加器A内容改为20H ORG 0000H LJMP MAIN ORG 0030H MAIN: ;方法一使用寄
c++日志无法查看_小工具 | Linux登陆日志修改脚本
0x00 前言这周去成都出差啦，没太多时间写文章，就给大家介绍一款经典的小工具吧。2008年至今，历久弥新。logtamper是一款*修改*linux日志的工具，在修改日志文件的同时，能够保留被修改文件的时间信息(atime没改，觉得没必要)。Logtamper v 1.1 for linuxCopyright (C) 2008 by xi4oyu 0x01 原理(1)Linux下有几个...
基于PyQt5和OpenCV的传统图像分割应用UI程序
主要功能包括：加载和显示图像应用多种图像分割算法调整算法参数保存处理结果。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
vfp 修改本机时间_小工具 | Linux登陆日志修改脚本
0x00 前言这周去成都出差啦，没太多时间写文章，就给大家介绍一款经典的小工具吧。2008年至今，历久弥新。logtamper是一款*修改*linux日志的工具，在修改日志文件的同时，能够保留被修改文件的时间信息(atime没改，觉得没必要)。Logtamper v 1.1 for linuxCopyright (C) 2008 by xi4oyu 0x01 原理(1)Linux下有几个...
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")
sqlserver2008清除日志方法_小工具 | Linux登陆日志修改脚本
0x00 前言这周去成都出差啦，没太多时间写文章，就给大家介绍一款经典的小工具吧。2008年至今，历久弥新。logtamper是一款*修改*linux日志的工具，在修改日志文件的同时，能够保留被修改文件的时间信息(atime没改，觉得没必要)。Logtamper v 1.1 for linuxCopyright (C) 2008 by xi4oyu 0x01 原理(1)Linux下有几个...
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
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。
Linux如何清除last信息,Linux中清除痕迹和隐藏自己-清除last login
注意使用logtamper，只能清除日志痕迹，而且主要针对utmp,wtmp,lastlog。而事实上，linux系统重要的会留下你的痕迹日志有：lastlog、utmp、wtmp、messages、syslog、sulog，所以不能完全依赖工具。此外，各种shell还会记录用户使用的命令历史，它使用用户主目录下的文件来记录这些命令历史，通常这个文件的名字为.sh_history (ksh)，.h...
6.2 Linux痕迹清除
Linux 日志文件一般包括如下： (1) /var/log/messages：每一行包含日期、主机名、程序名，接着是PID或内核标识，最后是消息；文本文件 (2) /var/log/wtmp：永久记录每个用户登录、注销及系统的启动和关机事件，用来查看用户的登录记录，last命令通过访问这个文件获得信息；二进制文件，使用last命令查看 (3) /var/run/utmp：记录有关当前登录的...
linux好用的擦屁股工具
最近搞linux内网的时候用了一个擦脚印工具不错。 是这个 logtamper_v1_1 网上都下的到，比较老的东西了，感觉不错。 ./logtamper-static -h root 192.168.1.9 擦除last连接 ./logtamper-static -w root192.168.1.9 隐藏W 还有一个小技巧，一般管理查linux的时候，会...
Linux后门
===Linux入侵检测=== 0. 断网 1. history 查看最近命令执行历史 2. /var/log/* 日志检查 3. lastlog last 查看登录信息 4. netstat -anp 查看可疑连接 5. lsmod 查看加载的模块 6. ps -awuxf 查看可疑进程 7. /etc/passwd crontab shell ssh fstab配置文件检查
Linux syslog进程退出日志审计
Linux syslog进程退出日志审计 一、syslog正常关闭 二、syslog正常启动 三、syslog正常重启 四、kill掉sylsog进程（没有产生任何日志） 五、nessus扫描产生的日志 Jan 9 15:17:36 localhost sshd[4838]: Did not receive identification str...
python连接linux获取日志_python修改linux日志（logtamper.py）
#!/usr/bin/env python#-*- coding:utf-8 -*-#mail: cn.b4dboy@gmail.comimportos, struct, sysfrom pwd importgetpwnamfrom time importstrptime, mktimefrom optparse importOptionParserUTMPFILE= "/var/run/utmp...
linux登陆日志清理,入侵日志清理之linux篇
其实我一直觉得整个入侵最重要的就是日志的清扫。但说实话国内很多站点的维护人员也都是业余人员，根本不会去看日志，入侵者也很少有重视这方面的。论坛上似乎还没有这方面的内容，所以我就来补充一下吧。警告：此文为原创作品，仅发布于习科论坛(bbs(dot)black(dot)org)和我自己的博客(www(dot)jhdxr(dot)com)。谢绝一切形式的转载。一个常规的入侵思路，可能是先通过sql注入/...
网络安全攻防 -- 黑客攻击简要流程
呆了, 百度不够强大, 好多工具百度竟然百度不出来; 1. 踩点 (Footprinting) 踩点目的 : 主动获取信息情报, 确定目标域名系统, 网络地址范围, 名字空间, 关键系统如网关 邮件服务器等设置; 踩点相关技术 : 源查询, whois, whois的Web接口, ARIN whois; 踩点所使用的工具 :
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
599
扫一扫
