新手指南：手把手教你如何搭建自己的渗透测试环境

智泊AI官方 智泊AI官方 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 1.7k累计阅读 1.7k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6年
关注
原创 2024-01-06 20:09:05 1.7k 阅读 AI 写同款· GEO 优化 ›
从渗透测试到漏洞复现：手把手教你用Docker在Kali上快速搭建靶场环境 本文详细指导如何在Kali Linux上部署Docker，并利用其快速搭建安全、隔离的漏洞靶场环境。通过官方源安装Docker引擎，配置镜像加速器以优化下载速度，并以Vulhub为例演示一键启动漏洞复现环境，显著提升渗透测试与安全研究的工作效率。 阅读详情

介绍

白帽子是指个体发起的黑客攻击，找到系统潜在的可能被恶意黑客利用的的漏洞或脆弱点。在目标不知情或者没得到授权的情况下发起黑客攻击是非法的。所以通常是建立一个自己的实验室，练习黑客技术。

在这个实验室里，你能看到如何创建一个自己的黑客环境，练习各种各样的黑客攻击技术。我们将会探讨不同类型的虚拟系统，构建一个虚拟网络，在虚拟环境中运行试用版的操作系统，搭建一个有漏洞的web应用程序，安装Kali LInux，执行渗透测试。

所需条件：

VMware Workstation

Windows XP系统映像

Kali Linux虚拟映像

下面的步骤中会进一步详细介绍。

虚拟环境

当我们谈到道德黑客的时候，最好最安全的方法就是在虚拟环境下练习。可以使用虚拟机创建虚拟环境。虚拟机是运行在物理机上的虚假机器。在虚拟世界中，物理机上运行的真实的操作系统称为“host”，虚拟机上运行的操作系统称为“guest”。如果guest被攻破，host仍然是安全的，所以说虚拟机是安全的。

常用的虚拟系统有VMware Workstation、VMware Workstation Player、Oracle VirtualBox等。在这个实验室中，我们将使用VMware workstations。VMware Workstation和VMware Workstation Player二者之间的不同之处是，Workstation可以创建和运行虚拟机，而Player只能用于运行虚拟机。

其它的不同之处有：

快照：快照是虚拟机的硬盘文件在某个时间点上的拷贝。它保留了虚拟机的状态，因此我们可以返回或者恢复到之前的状态。如果VM发生了某些错误，我们就可以恢复到任意时刻的快照。快照保存的状态包括：

虚拟机内存的内容

虚拟机的设置

虚拟机硬盘的状态

在VM Workstation中有这些功能。

克隆：克隆是对当前虚拟机的拷贝。当前已存在的虚拟机被称为父虚拟机，当克隆操作完成后，克隆机是一个独立的虚拟机，当然它与父虚拟机会共享虚拟硬盘。

在VM Workstation中有这些功能。

不要把克隆和快照混淆了。快照保存了虚拟机当前的状态，当你遇到一些错误的时候可以恢复到那个状态。然而，克隆是虚拟机的一个拷贝，可以单独使用。

免费版VS商业版：VMware Workstation Player可以免费供于个人使用，VMware Workstation Pro是一个收费的供商业使用的软件。

这份完整版的学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

👉[[[优快云大礼包：《黑客&网络安全入门&进阶学习资源》免费分享]]]（安全链接，放心点击）

img

步骤1：在VMware Workstation上运行Windows试用版操作系统

一旦我们下载并安装了VMware Workstation，下一步就是下载并安装Windows XP, Vista, Server 2003，因为这些系统有许多著名的安全问题。可以在这里或这里下载到映像。

img

在下载了“.iso”文件后，打开VMware Workstation，选择“File”，单击“New virtual machine”，选择下载好的“.iso”文件。

img

按照屏幕上的指令在workstation上安装windwos XP。

img

点击“Customize Hardware”按钮，配置其它的设置选项，比如内存，USB设置等。RAM大小可以根据需要增加或减少。

img

如上图所示，选择“Power on this virtual machine after creation”选项，单击“Next”按钮。

img

img

img

步骤2：寻找并配置有漏洞的web应用程序

有很多有漏洞的应用程序，我们可以用来以学习为目的练习渗透测试。下面是一些应用程序：

Damn Vulnerable Web Applications (DVWA):基于PHP, Apache以及MySQL，需要安装到本地。

OWASP WebGoat: J2EE web 应用程序，需要在本地运行。

Hack This Site:在线学习渗透测试的网站。

Testfire: 在线学习渗透测试的网站。

下面，我们将学习如何在虚拟机中安装有漏洞的运行程序。因为我们已经有了一个正在运行的Windwos XP虚拟机。我们将看到如何在该系统上运行有漏洞的应用程序。在这个练习中，我们将配置Damn Vulnerable Web Application (DVWA)。这个应用程序有若干基于web的漏洞，比如跨站脚本 (XSS), SQL注入, CSRF,命令注入等。

下面的步骤会帮你安装一个web服务器，并运行应用程序。

1、现在并安装XAMPPhttps://www.apachefriends.org/download.html，对于Windows XP，可以在这里[https://sourceforge.net/projects/xampp/files/XAMPP%20Windows/1.8.2/xampp-win32-1.8.2-6-VC9-installer.exe/download](https://sourceforge.net/projects/xampp/files/XAMPP Windows/1.8.2/xampp-win32-1.8.2-6-VC9-installer.exe/download)下载XAMPP。

2、一旦安装了XAMPP，到控制面板点击“Start”按钮，开启Apache和MySql服务。

3、在这里http://www.dvwa.co.uk/下载DVWA应用程序，解压文件到一个新的文件夹中，命名为“dvwa”。

4、打开“C:\xampp\htdocs”文件夹，把该文件夹里的内容移动到另外一个地方。

5、把“dvwa”文件夹拷贝到“C:\xampp\htdocs”目录。

6、在浏览器的地址栏中输入下面的内容并访问：http://127.0.0.1/dvwa/login.php

会显示一个数据库设置页面。

img

7、到“C:\xampp\htdocs\dvwa\config”文件夹下，用记事本打开“config.inc”文件。

8、移除“db_password”的值，如下图所示.

img

9、回到浏览器，然后刷新页面，会显示一个登录页面。

img

10、输入默认的登录凭证，比如“admin/password”，登录应用程序。

img

我们成功配置了一个web服务器并在其上安装了一个应用程序，现在我们通过Kali Linux或者BackTrack访问应用程序，访问http://ip-address-of-windows-xp-machine/dvwa/login.php，就可以开始攻击练习了。

当你通过Kali Linux或者BackTrack访问DVWA的时候，你可能会遇到“Access forbidden”错误，如下：

img

进入“c:\xampp\htdocs\dvwa”文件夹，打开“HTACCESS File”,定位到“allow from”行，输入Kali Linux的IP地址，如下图所示：

img

再次访问URL，你可以看到DVWA的登录页面了。

img

步骤3：下载和安装Kali Linux

Kali Linux是一个基于Debian的功能强大的渗透测试平台，全世界渗透测试专家都在使用。Kali包含很多与信息安全相关的工具。可以在这里下载Kali Linux的虚拟映像。

img

下载之后，按照下面的步骤运行Kali：

第一步：启动VMware Workstation。

第二步：选择“File”，单击“Open”。

img

第三步：找到下载目录，选择“Kali_Linux-2016.1-vm-i686.vmx”文件，点击“Open”按钮。

img

第四步：可以看到虚拟机的详细配置。

img

第五步：单击“Edit virtual machine settings”按钮，配置其它信息。

img

1、内存：你可以给虚拟机分配内存。RAM大小可以根据需要增加或减少，Kali最合适的RAM是2GB。

2、处理器：你可以配置VM虚拟机的处理器的数量，每个处理器可以选择CPU内核的个数。

3、硬盘：你可以给虚拟机分配保存操作系统、程序和数据的硬盘的大小。

4、网络适配器：我们可以给虚拟机增加虚拟以太网卡，改变当前适配器的配置，下面是网络适配器的可选配置：

桥接模式：在桥接网络中，guest操作系统共享host操作系统的网络适配器，连接到物理网络中。这意味着虚拟机在网络中将会是一个独立的机器。虚拟机可以通过这个连接在网络中共享资源。guest操作系统与host操作系统共享同一个DHCP服务器和DNS服务器。

NAT模式：NAT表示网络地址转换（Network Address Translator）。在这个网络中，虚拟机位于host之后，通过一个与host的默认连接访问网络。在这个网络中，通信就好像是来源于host。这意味着虚拟机能够访问网络或互联网，但是它不能在网络中共享资源。连接到这个网络的IP是由DHCP服务器分配的。

这是最常用的配置，也是新创建的虚拟机的默认配置。

Host-only模式：Host-only虚拟网络是最私密和最严格的网络配置。它不是一个公共网络，不能访问外部的网络或互联网，没有默认的网关，接入这个网络的IP是由DHCP服务器分配的。

配置供个体使用的渗透测试实验环境，推荐使用“Host-only”模式作为网络适配器的设置，我们可以通过它访问VM网络。

第六步：选择“OK”按钮，单击“Play”按钮，启动VM。

第七步：现在，虚拟机启动了，你可以看到启动界面，如下图所示。在虚拟机的任何位置单击鼠标，按下回车键。

img

第八步：如果要求输入登录用户名和口令，你可以使用“root”和“toor”分别作为用户名和口令。

img

img

现在，我们可以使用Kali Linux虚拟机了，它将用于黑客攻击。我们可以打开浏览器，访问在步骤二中创建的DVWA应用程序。

Windows下的工具：

在渗透测试中，有一些常用且重要的基于Windows的工具：

1、Nmap-Nmap是一个免费的网络发现和安全审计工具。它能用于主机发现，端口扫描、识别服务，识别OS等。Nmap发送特制的数据包并且分析响应结果。Nmap可以在这里下载到。

2、Wireshark-Wireshark是一个免费开源的网络协议和数据包解析器。它能把网络接口设置为混杂模式，监视整个网络的流量。可以在这里下载到Wireshark。

3、PuTTY-PuTTY是一个免费且开源的SSH和telnet客户端。可以用于远程访问其它的机器，可以在这里下载到PuTTY。

4、SQLmap-SQLmap是一个免费且开源的工具，主要用来检测和执行应用程序中的SQL注入。它也有攻击数据库的选项，SQLmap可以在这里下载到。

5、Metasploit Framework-Metasploit是一个流行的黑客工具和渗透测试框架。它由Rapid7开发，被每一个渗透测试者和道德黑客使用。可以用于针对有漏洞的目标机执行漏洞利用代码。可以在这里下载到Metasploit。

6、Burp Suite-Burp Suite是一个集成的对web应用程序执行安全测试的平台。它集成了多个工具。有两个主要的免费工具Spider和Intruder。Spider是用来抓取应用程序的页面的。Intruder是用来自动化对页面攻击的。Burp专业版有一个额外的工具叫做Burp Scanner,能够扫描应用程序的漏洞，Burp Suite可以在这里下载到。

7、OWASP Zed Attack Proxy-OWASP zap是OWASP工程的其中一部分。它是一个对web应用程序进行渗透测试的工具，具有与Burp Suite类似的功能，有一个自动扫描器，可以发现应用程序的漏洞。其它附加的功能有，针对基于Ajax应用程序的爬虫器。OWASP zap也可以用作代理。可以在这里下载到OWASP zap。

8、Nessus-Nessus是一个漏洞、配置和规则审计工具。它有免费和付费版。免费版供个人使用。它使用插件进行扫描。简单得给一个目标机的IP地址，就可以开始扫描。也有一个下载详细报告的选项。可以在这里下载到Nessus。

9、Nikto-Nikto是一个开源的Web服务器漏洞扫描器。它检测未更新的软件和配置，潜在的危险文件和CGI等。他也有创建报告的功能。Nikto可以在这里下载到。

10、John the Ripper-它是一个密码爆破工具，常被用来执行基于字典的爆破攻击。可以在这里下载到John the Ripper。

11、Hydra-另外一个与John the Ripper类似的密码破解工具。Hydra是一个快速的网络登录破解器。它可以针对超过50个协议快速字典攻击，包括telnet, ftp, http, https, smb，若干数据库以及其它更多协议。可以在这里下载到Hydra。

12、Getif-Getif是一个免费的基于Windows的图形界面工具，用来收集SNMP设备的信息。Getif可以在这里下载到。

工具仓库

在互联网上有一个渗透测试工具仓库，包含了渗透测试学习、exploit开发、社会工程学、渗透测试工具、扫描器、无线网络工具、十六进制编辑器、密码破解器、逆向工程工具等其它与渗透测试相关的重要在线资源。可以在这里访问仓库。

结论

这个实验室可以根据需要定制。我们可以在虚拟机上搭建其它类型的操作系统，并尝试攻击，我们可以通过安装和开启防火墙或者入侵检测系统增加攻击的难度。

收录于
网络安全

当前文章被收录于：

网络安全
111 篇文章 13 人学习
订阅专栏 查看详情
标签
#linux #网络 #运维 #渗透环境 #网络安全
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。
渗透测试实验环境搭建 其中网卡eth0的IP是10.10.10.254/24（NAT模式，连接模拟DMZ区域的VMnet8虚拟网段），而网卡eth1的IP是192.168.10.254/24（仅主机模式，连接模拟企业内网的VMnet1虚拟网段，并作为VMnet1网段的网关）。TIPS：若以输入命令的方式设置的规则会在重启后失效，所以我们需要设置开机自动启动，只用将以上命令添加在/etc/rc.local文件中即可，因为Linux启动的最后阶段会执行该文件中的命令。然后测试网络环境，在攻击机和该靶机上互PING对方的IP。 阅读详情

相关推荐

渗透测试靶场环境搭建

CTF（Capture The Flag）竞赛是网络安全领域的一种竞技活动，旨在测试参与者的网络安全技能。解题模式（Jeopardy）：这是最常见的CTF竞赛模式。参赛队伍需要在规定的时间内解决主办方提供的网络安全技术挑战题目。题目类型涵盖逆向工程、漏洞挖掘与利用、Web渗透、密码学、取证、隐写、安全编程等多个方面。解题的数量和正确性将决定参赛队伍的排名和得分。攻防模式（Attack-Defense）：在这种模式下，参赛队伍在网络空间中相互攻击和防守。

ytdd66的博客 2228

渗透测试环境搭建

渗透测试环境搭建

weixin_59616219的博客 3802

自己搭建渗透测试模拟环境：Xampp+DVWA。

发现一个新手入门的渗透学习工具：DVWA，专为PHP/Apache/MySQL网站设计的渗透测试靶机。 搭建渗透测试环境指南：http://www.freebuf.com/sectool/102661.html   首先，介绍一下我的基础环境： win7 64位操作系统，非虚拟机和虚拟机中安装均成功；xampp-win32-7.2.6-0-VC15-installer（官网下载）；DVWA...

lynnez_dd的博客 1132

渗透测试靶机服务器搭建：新手零失败教程一（含漏洞环境 ）

本文面向渗透测试新手，解决 “找不到靶机、漏洞环境配置繁琐” 痛点，详解 Ubuntu 22.04 LTS 渗透测试靶机搭建全流程。从系统选型、虚拟机配置、国内源替换，到 SSH、FTP、MySQL 等核心服务安装，命令附逐字解释，新手零门槛操作。

m0_73165198的博客 892

Pikachu靶场搭建实战：如何用PHPStudy快速搭建本地渗透测试环境

本文详细介绍了如何使用PHPStudy快速搭建Pikachu本地渗透测试靶场，涵盖环境配置、靶场部署及常见问题解决方案。通过实战演练SQL注入、XSS等漏洞模块，帮助网络安全初学者高效掌握渗透测试技能，是CTF比赛和Web安全学习的理想训练环境。

s1t2u3的博客 631

从零搭建Kali Linux渗透测试环境：新手入门指南与实战演练

渗透测试是一种获得授权的安全评估方法，通过模拟真实攻击来发现系统、网络或应用中的潜在漏洞，从而提升整体安全防护能力。其核心原理在于主动识别安全弱点，技术价值在于帮助组织在遭受真实攻击前修复隐患。在应用场景上，渗透测试广泛应用于企业安全评估、合规审计和网络安全教学。本文聚焦于Kali Linux这一集成化安全工具平台，详细指导如何从零开始，在虚拟机中安全搭建渗透测试实验环境，并涵盖DVWA靶场搭建、nmap与sqlmap等核心工具的使用，以及常见问题排查，为初学者提供一条清晰、合法的学习路径。

weixin_34218579的博客 439

渗透测试初学环境搭建

渗透测试初学——搭建渗透测试学习环境

萌蠢骇客 1143

手把手教你搭建DVWA渗透测试靶场环境

本文详细指导如何从零开始搭建DVWA渗透测试靶场环境。通过对比PHPStudy与XAMPP等集成环境，提供源码获取、服务器配置、数据库连接及初始化等全流程步骤，并针对常见问题给出解决方案，帮助网络安全学习者构建一个本地化、可自由练习的漏洞实战平台。

weixin_29216957的博客 64

Kali Linux 中文指南 - 新手适用的渗透测试宝典

Kali Linux 中文指南 - 新手适用的渗透测试宝典 【下载地址】KaliLinux中文指南-新手适用的渗透测试宝典 Kali Linux 中文指南是一份专为新手设计的渗透测试宝典，帮助用户快速掌握Kali Linux的使用技巧与工具。作为基于Debian的完整重建系统，Kali Linux集成了超过300个精选的...

gitblog_06787的博客 711

[信息安全]Kali安装全攻略：从零开始到渗透测试环境搭建

本文提供了一份详尽的Kali Linux安装与配置指南，涵盖从零开始搭建渗透测试环境的两种核心方法：系统镜像安装与预构建虚拟机导入。文章重点讲解了安装前的资源准备、硬件规划、图形化安装步骤、首次启动后的关键配置（如更换国内软件源、安装VMware Tools），并强调了安全使用准则，旨在帮助信息安全初学者高效构建标准化的渗透测试学习平台。

weixin_29290863的博客 673

构建完善的安全渗透测试环境：推荐工具、资源和下载链接

安全渗透环境准备（工具下载）

weixin_43263566的博客 4590

安全渗透测试环境搭建

一、安装VM虚拟机二、VM虚拟机上安装操作系统，如win2003&win10-64bit等(安装完成后记得拍个快照)或者可以直接复制现成的操作系统镜像三、常用靶场环境部署根据国家安全法明确规定，在未授权的情况下去渗透别人的网站属于违法行为，所以我们需要自己搭建渗透测试环境，这就是所谓的靶机环境。1.下载并安装phpstudy官网地址：https://www.xp.cn/download.html2.下载常用的靶场的源代码并放到WWW目录下，如下图所示3.启动phpstudy服务。

Karka_的博客 852

ChatGPT设置密钥后Codex免手机验证：配置顺序与身份凭证复用机制

API Key 是一种用于身份识别的凭证，其核心原理是通过预配置的密钥替代交互式登录流程。在开发工具中，密钥认证优先级通常高于会话认证，当本地存在有效密钥时，工具会直接复用该凭证，从而减少重复验证环节。这种机制的技术价值在于提升开发效率与配置一致性，尤其适用于多设备切换、CI/CD 流水线及编程辅助工具等场景。以 Codex 为例，在 ChatGPT 界面提前配置 API 密钥后，Codex 启动时可读取持久化存储的密钥，避免触发手机号验证，实现身份凭证的跨入口复用。

weixin_33940469的博客 482

新手搭建DVWA环境指南

DVWA是一款渗透测试的演练系统。 注：本人在windows环境下搭建的DVWA。 准备工作： PHPstudy 和 DVWA 的源码 PHPstudy 的新旧版本 本人用的是旧版本搭建，但可能会在SQL注入中级的时候出现代码问题，建议用新版本搭建。 DVWA下载地址： 步骤： 1. 安装PHPstudy。一般就是下一步直接进行安装。路径自己修改。 2.启动apache和MYSQL 若旧版一次全启动不起来，点击启动–右键–一个一个重启。 3. 将下载下来的DVWA文件复制到PHPstudy安装完成后的WW

weixin_44034479的博客 1310

Pyside6+qml+Qtcreator项目实战

PYTHON and QT QUICK - Custom Buttons With QML And JavaScript - [MODERN GUI]-#01

u014627020的博客 919

ETL数据集成案例

一个典型的ETL数据集成案例是将多个来源的数据合并成一个数据集。假设有一个公司，该公司使用一些不同的系统来存储不同部门的数据，例如销售数据存储在一个CRM系统中，财务数据存储在一个ERP系统中，人力资源数据存储在一个HR系统中。为了更好地进行报告和分析，该公司决定将所有这些数据集成到一个数据仓库中。以下是实现这一目标的ETL过程的步骤：提取（Extract）：首先，需要从每个系统中提取所需的数据。每个系统可能有不同的数据格式和结构，因此需要编写不同的提取程序或查询来提取数据。

runqu的博客 948

渗透测试入门指南：新手应该从哪里开始？

近年来，随着网络安全的重要性日益凸显，渗透测试逐渐成为网络安全领域的重要分支之一。作为一名初学者，渗透测试看似高深莫测，但只要掌握正确的学习路径和方法，也可以从零开始逐步入门。今天，我们就为大家带来一份详细的渗透测试入门指南，帮助网络安全爱好者迈出学习的第一步！渗透测试（Penetration Testing）是通过模拟真实攻击者的行为，对目标系统进行漏洞检测和安全评估的过程。其目的是发现系统中可能存在的安全风险，并提出修复建议，从而加强系统的防护能力。渗透测试的核心流程包括：信息收集：获取目标的基础信息，

xx16755498986的博客 850

ESP32小车DIY：从零搭建无线遥控智能车（附完整代码与避坑指南）

本文详细介绍了如何从零开始DIY一台基于ESP32的无线遥控智能小车。内容涵盖核心硬件选型、电路设计、低延迟ESP-NOW无线通信协议的配置与实战，以及双电机差速控制算法与PWM调速的实现。文章提供了完整的代码示例和关键的避坑指南，旨在帮助开发者快速构建稳定可靠的智能车平台，并为进一步的功能扩展奠定基础。

gamma的博客 471

Kali Linux新手入门：从零搭建渗透测试环境与核心工具实战

渗透测试是网络安全领域评估系统防御能力的关键方法，其核心原理是通过模拟攻击者的技术手段，主动发现和验证系统漏洞。这一过程不仅能够识别潜在的安全风险，还能为安全加固提供实证依据，在金融、政务、互联网等行业的安全审计与合规检查中具有重要价值。作为渗透测试的集成化平台，Kali Linux预装了nmap、metasploit等数百款专业工具，极大简化了安全人员从信息收集到漏洞利用的工作流程。本文将以Kali Linux为基础，详解如何通过虚拟机安全部署该系统，并利用其内置工具链在隔离的靶场环境中进行规范的渗透测试

weixin_30292843的博客 325

DAC8568控制器实战：如何用STM32实现多通道同步输出（附完整代码）

本文详细介绍了如何使用STM32微控制器驱动TI的DAC8568多通道DAC控制器，实现高精度的多通道同步模拟信号输出。内容涵盖硬件设计要点、SPI时序精准配置、驱动层命令构建，并重点解析了通过LDAC引脚实现同步更新的核心策略，提供了完整的代码框架和实战案例，帮助工程师快速解决多通道同步输出的工程难题。

weixin_29179311的博客 171

告别硬编码！用Aviator 5.3.3实现动态规则引擎，Spring Boot项目实战教程

本文详细介绍了如何使用Aviator 5.3.3在Spring Boot项目中实现动态规则引擎，告别硬编码。通过Maven依赖集成、规则模型设计、规则执行引擎实现及电商促销系统实战案例，展示了Aviator在动态规则配置中的高效应用，提升业务灵活性和开发效率。

weixin_30329623的博客 446

网安新手入门指南，手把手教你搭建第一个靶场

本文是网安新手入门指南，手把手教你利用 VirtualBox、Kali Linux 和 Metasploitable 搭建本地网络安全靶场。通过实操演示 Nmap 扫描、SQL 注入及 Metasploit 框架使用，帮助初学者在安全隔离环境中掌握渗透测试核心技能，快速迈出网络安全学习第一步。

2503_90953556的博客 359

Pointnet++环境配置（Windows11和ubuntu）及训练教程

PS:前两行命令是数据处理的命令，主要是进行数据读取和生成相应的训练数据格式，在Ubuntu上是正常运行的，在Windows上运行会失败，无法生成训练用的数据格式，所以最好在Ubuntu上训练，如果一定要用Windows，可以ubuntu上生成数据格式在导到Windows上，数据生成不需要安装torch。通过anaconda配置的环境，在官网找的命令安装的，版本是2.1.0+cu118。训练命令：我使用的pycharm，直接在pycharm中打开终端，运行命令。Python版本：3.7。

AIcurator的博客 2558

渗透测试入门指南：从环境搭建到实战方法论

渗透测试是网络安全领域模拟攻击者行为的技术实践，核心在于通过系统化方法论识别系统漏洞。其技术原理涉及网络探测、漏洞利用和后渗透阶段，常用工具包括Kali Linux、Nmap和Burp Suite等。在Web安全测试中，DVWA等漏洞靶场为初学者提供安全的学习环境。掌握渗透测试不仅需要理解TCP/IP、HTTP等网络协议，还需具备Python脚本编写能力。典型应用场景包括企业安全评估和漏洞赏金计划，但必须遵循PTES标准和法律授权要求。通过CTF靶机挑战和模拟环境训练，可以逐步培养实战能力，建立系统化的安全

weixin_33912246的博客 383

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

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
上一篇： Python从零开始学大概需要多久时间才能达到自主接单赚钱水平？
下一篇： 从渗透测试小白到网络安全大佬的成长之路
点赞 1
评论 0
书签 书签 11
智泊AI官方
智泊AI官方
博客等级 码龄6年 8638粉丝 2667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