用IIS建立高安全性Web服务器

mzphp mzphp 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 800+累计阅读 810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21年
关注
原创 最新推荐文章于 2026-03-11 00:19:37 发布 810 阅读 AI 写同款· GEO 优化 ›
Deepseek接入QQ机器人：实现拟人化概率回复的完整指南 大语言模型API正在快速改变即时通讯工具的交互方式。通过标准化的OpenAI兼容接口，开发者可以将Deepseek等AI服务嵌入到QQ机器人等IM场景中，实现自然语言对话能力。其核心原理在于事件驱动架构：消息接收层通过OneBot协议获取群聊内容，业务层利用概率过滤与冷却机制控制回复节奏，再由大模型生成拟人化文本。这种设计不仅避免了机器人刷屏，还能通过系统提示词塑造性格，营造真实的社群陪伴体验。适用于粉丝群互动、内容订阅、小规模客服等场景，同时支持多群独立配置、关键词加权回复及上下文记忆扩展。在实际工程中， 阅读详情
因为IIS（即Internet Information Server）的方便性和易用性，使它成为最受欢迎的Web服务器软件之一。但是，IIS的安全性却一直令人担忧。如何利用IIS建立一个安全的Web服务器，是很多人关心的话题。

　　构造一个安全系统

　　要创建一个安全可靠的Web服务器，必须要实现Windows 2000和IIS的双重安全，因为IIS的用户同时也是Windows 2000的用户，并且IIS目录的权限依赖Windows的NTFS文件系统的权限控制，所以保护IIS安全的第一步就是确保Windows 2000操作系统的安全：

　　1. 使用NTFS文件系统，以便对文件和目录进行管理。

　　2. 关闭默认共享

　　打开注册表编辑器，展开“HKEY_LOCAL_MACHINE/SYSTEM/CurrentControlSet/Services/LanmanServer/Parameters”项，添加键值AutoShareServer，类型为REG_DWORD，值为0。 这样就可以彻底关闭“默认共享”。

　　3. 修改共享权限

　　建立新的共享后立即修改Everyone的缺省权限，不让Web服务器访问者得到不必要的权限。

　　4. 为系统管理员账号更名，避免非法用户攻击。

　　鼠标右击[我的电脑]→[管理]→启动“计算机管理”程序，在“本地用户和组”中，鼠标右击“管理员账号（Administrator）”→选择“重命名”，将管理员账号修改为一个很普通的用户名。

　　5. 禁用TCP/IP 上的NetBIOS

　　鼠标右击桌面上[网络邻居] →[属性] →[本地连接] →[属性]，打开“本地连接属性”对话框。选择[Internet协议(TCP/IP)]→[属性]→[高级]→[WINS]，选中下侧的“禁用TCP/IP上的NetBIOS”一项即可解除TCP/IP上的NetBIOS。

　　6. TCP/IP上对进站连接进行控制


鼠标右击桌面上[网络邻居] →[属性] →[本地连接] →[属性]，打开“本地连接属性”对话框。选择[Internet协议(TCP/IP)]→[属性]→[高级]→[选项]， 在列表中单击选中“TCP/IP筛选”选项。单击[属性]按钮，选择“只允许”，再单击[添加]按钮（如图1），只填入80端口。 


　　7. 修改注册表，减小拒绝服务攻击的风险。

　　打开注册表：将HKLM/System
　　CurrentControlSet/Services/Tcpip/Parameters下的SynAttackProtect的值修改为2，使连接对超时的响应更快。

　　保证IIS自身的安全性

　　IIS安全安装

　　要构建一个安全的IIS服务器，必须从安装时就充分考虑安全问题。

　　1. 不要将IIS安装在系统分区上。

　　2. 修改IIS的安装默认路径。

　　3. 打上Windows和IIS的最新补丁。

　　IIS的安全配置

　　1. 删除不必要的虚拟目录

　　IIS安装完成后在wwwroot下默认生成了一些目录，包括IISHelp、IISAdmin、IISSamples、MSADC等，这些目录都没有什么实际的作用，可直接删除。


2. 删除危险的IIS组件 

　　默认安装后的有些IIS组件可能会造成安全威胁，例如 Internet服务管理器（HTML）、SMTP Service和NNTP Service、样本页面和脚本，大家可以根据自己的需要决定是否删除。

　　3. 为IIS中的文件分类设置权限 

　　除了在操作系统里为IIS的文件设置必要的权限外，还要在IIS管理器中为它们设置权限。一个好的设置策略是：为Web 站点上不同类型的文件都建立目录，然后给它们分配适当权限。例如：静态文件文件夹允许读、拒绝写，ASP脚本文件夹允许执行、拒绝写和读取，EXE等可执行程序允许执行、拒绝读写。

　　4. 删除不必要的应用程序映射

　　ISS中默认存在很多种应用程序映射，除了ASP的这个程序映射，其他的文件在网站上都很少用到。

　　在“Internet服务管理器”中，右击网站目录，选择“属性”，在网站目录属性对话框的“主目录”页面中，点击[配置]按钮，弹出“应用程序配置”对话框，在“应用程序映射”页面，删除无用的程序映射。如果需要这一类文件时，必须安装最新的系统修补补丁，并且选中相应的程序映射，再点击[编辑]按钮，在“添加/编辑应用程序扩展名映射”对话框中勾选“检查文件是否存在”选项（如图2）。这样当客户请求这类文件时，IIS会先检查文件是否存在，文件存在后才会去调用程序映射中定义的动态链接库来解析。

　　5. 保护日志安全


　　日志是系统安全策略的一个重要环节，确保日志的安全能有效提高系统整体安全性。

　　* 修改IIS日志的存放路径

　　默认情况下，IIS的日志存放在%WinDir%/System32/LogFiles，黑客当然非常清楚，所以最好修改一下其存放路径。在“Internet服务管理器”中，右击网站目录，选择“属性”，在网站目录属性对话框的“Web站点”页面中，在选中“启用日志记录”的情况下，点击旁边的[属性]按钮，在“常规属性”页面，点击[浏览]按钮或者直接在输入框中输入日志存放路径即可。

　　* 修改日志访问权限，设置只有管理员才能访问。

　　通过以上的一些安全设置，相信你的Web服务器会安全许多。

收录于
WEB技术

当前文章被收录于：

WEB技术
3 篇文章 0 人学习
订阅专栏 查看详情
标签
#iis #web服务 #internet #windows #asp
#脚本
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。
NVIDIA Isaac Sim 入门教程（二） Omniverse Isaac Sim 的工作空间非常容易自定义。调整用户界面的大小、停靠、取消停靠、添加和移除面板都非常容易。进入顶部菜单栏，单击下拉菜单最下方的窗口 > 视口 > 视口 2（现在工作区中应该会出现一个名为 "视口 2 "的新视口。如果您想创建更多的视口，请按照相机检查器扩展进行操作。单击并拖动视口 2 的顶部标题以激活停靠部件。拖放到原始视口的右侧，将两个视口并排放置。单击并向左拖动视口 2 的左侧，使视口大小相等。 阅读详情

相关推荐

Keil 编译输出信息分析：Program size: Code, RO-data , RW-data, ZI-data

一般 MCU 包含的存储空间有：片内 Flash 与片内 RAM，RAM 相当于内存，Flash 相当于硬盘。编译器会将一个程序分类为好几个部分，分别存储在 MCU 不同的存储区。如图所示，在Keil中编译工程成功后，在下面的Bulid Ouput窗口中会输出下面这样一段信息。

qq_40305944的博客 4579

使用IIS创建WEB服务

在Win2016服务器上使用IIS创建WEB服务服务器：支持HTTP协议的网页提供程序浏览器/客户端：下载并按标记规范显示网页的浏览器程序Internet Information Service，互联网信息服务微软提供的Web服务产品，集成在Windows操作系统中可以通过图形管理工具配置Web/FTP服务服务器上运行的多个网站称为虚拟主机多个网站提供不同的Web网站内容http://www.web1.com/ —网页1http://www.web2.com/ —网页2。

qq_41439534的博客 8918

多重共线性问题 -- 岭回归方法

概述 本篇博客分为三大部分，线性模型、多重共线性问题和岭回归。其中，线性模型中介绍了线性模型定义和普通最小二乘法对线性模型的拟合。第二部分，借由1987-2007年的人口、消费和科技对碳排放的影响的数据来说明多重共线性问题（包括如何从定性和定量两个方面判断多重共线性问题）和多重共线性问题对普通最小二乘估计的影响。第三部分，使用岭回归对第二部分中的多重共线性问题进行拟合，并基于R2R^2R2决定系数...

楚江客的记录 1万+

服务器IIS安全加固防御

IS简介： Windows®Server的Internet信息服务（IIS）是一种灵活，安全且可管理的World Wide Web server，用于承载Web上的任何内容。从媒体流到Web应用程序，IIS的可扩展和开放式体系结构随时可以处理最苛刻的任务。 安全加固： 1、删除默认站点： IIS安装完成之后会在建立一个默认站点，一般建立网站时不需要这个站点，一方面该站点默认占用80端口，一方面可能该站点安全性配置较低。 2、禁用不必要的Web服务拓展： ISAPI（Internet服务器应用程序编程接口）.

LuHai3005151872的博客 957

Vivado实战：从零封装AXI-Lite接口的呼吸灯IP核

本文提供了一份详细的Vivado实战指南，手把手教你如何将Verilog编写的呼吸灯模块封装成带AXI-Lite接口的IP核。内容涵盖从创建IP框架、编写核心逻辑、连接AXI总线到在ZYNQ系统中调用并编写C程序进行软硬件协同测试的完整流程，是掌握FPGA软硬件协同设计的关键实践。

weixin_29233333的博客 598

uniapp+uniCloud实现微信小程序一键登录

(用户唯一标识)，用户登录成功后，开发者服务器可以将openid和session_key保存，生成一个自定义登录态的token令牌响应给微信小程序，通过token可以查询openid和session_key,小程序下次请求只要携带着token就可以证明已经登录。这个API就是获取用户信息，每次请求都会弹出授权窗口(这个可能会不弹，这个要看你的版本，根据版本来定，不懂的可以留下评论)，用户同意后会返回。到这里就可以实现微信一键登录了，快去试试吧，有问题可以在评论区留言，我看见会尽我知道的为你解答。

lb2917的博客 2577

[转]用IIS建立高安全性Web服务器

　　因为IIS（即Internet Information Server）的方便性和易用性，使它成为最受欢迎的Web服务器软件之一。但是，IIS的安全性却一直令人担忧。如何利用IIS建立一个安全的Web服务器，是很多人关心的话题。　　构造一个安全系统　　要创建一个安全可靠的Web服务器，必须要实现Windows 2000和IIS的双重安全，因为IIS的用户同时也是Windows 2000的用户，并

wolf的技术博客 803

Clarity 3D Layout

Clarity 3D Layout Clarity 3D layout是3D 全波电磁场模型提取工具，它可以导入已经设计好的PCB文件也可以直接在Clarity 3D layout创建版图进行3D 全波电磁场模型提取。

m0_53280471的博客 5485

使用IIS搭建本地Web服务器（手把手教程）

1、搭建IIS 设置 控制面板 程序 启用或关闭Windows功能 在此选择相关服务就行 进入IIS管理器 添加网站 在此输入网站名称：cc 物理路径：网站根目录 IP地址：可以是全部未分配，也可以是网卡地址，我这里用的是网卡地址，这样手机在同一局域网下，就可以通过网卡地址访问 端口：最好是默认的80端口，一般网站访问网址也是默认访问80的，不需要同时输入网址和端口，可通过网址直接访问 主机名：这里设置网址，可以通过这个网址直接访问，当端口不是80时，需要网址加端口才能访问 浏览：会跳转

qq_42588821的博客 7万+

Python实战日志_P4_图书馆Web API服务

目标：使用Flask将图书馆系统升级为RESTful API服务，掌握Web开发基础难度：⭐⭐⭐⭐☆预计学习时间：75分钟前置要求：已完成第3篇《个人图书馆管理系统》

qq_39436086的博客 84

主题035：计算流体力学(CFD)

计算流体力学（Computational Fluid Dynamics, CFD）是利用数值方法求解流体流动、传热传质等问题的学科。CFD已成为化学反应工程中反应器设计和优化的重要工具。∂ρ∂t+∇⋅(ρu)=0 \frac{\partial \rho}{\partial t} + \nabla \cdot (\rho \mathbf{u}) = 0 ∂t∂ρ​+∇⋅(ρu)=0对于不可压缩流动：∇⋅u=0 \nabla \cdot \mathbf{u} = 0 ∇⋅u=0动量方程：∂(ρu)∂t+∇⋅(ρ

kkchenjj的博客 268

如何使用Nodejs搭建HTTP服务，实现公网远程访问「内网穿透」

Node.js 是能够在服务器端运行 JavaScript 的开放源代码、跨平台运行环境。Node.js 由 OpenJS Foundation（原为 Node.js Foundation，已与 JS Foundation 合并）持有和维护，亦为 Linux 基金会的项目。Node.js 采用 Google 开发的 V8 运行代码，使用事件驱动、非阻塞和异步输入输出模型等技术来提高性能，可优化应用程序的传输量和规模。这些技术通常用于资料密集的即时应用程序。Node.js 大部分基本模块都用 JavaScri

weixin_72686492的博客 2526

05GATK流程和找变异

05GATK流程和找变异 GATK 集合了一套功能全面的高通量测序数据基因组分析工具包，算是业界的权威，更新的速度非常快。需要注意的是，不同版本的 GATK 在工具应用上会有些许不同。这里我们使用是最新版本 GATK 4.1.4.1（截止2019年12月31日）。 数据准备 前面我们提到了，走GATK流程需要到官网下载很多数据库文件，比如下面这些： dbsnp_146.hg38.vcf.gz dbsnp_146.hg38.vcf.gz.tbi Mills_and_1000G_gold_standard.

qq_23435961的博客 1661

如何用IIS建立高安全性Web服务器

如何用IIS建立高安全性Web服务器IIS（Internet Information Server）作为当今流行的Web服务器之一，提供了强大的Internet和Intranet服务功能，如何加强IIS的安全机制，建立一个高安全性能的Web服务器，已成为IIS设置中不可忽视的重要组成部分。 　　本文将通过以下两个方面来阐述加强IIS安全机制的方法。 一、 以Windows NT的安全机制为基础 　

DecoLee::Blog() 1159

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")

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

用IIS建立高安全性Web服务器（转）

因为IIS(即Internet Information Server)的方便性和易用性，使它成为最受欢迎的Web服务器软件之一。但是，IIS的安全性却一直令人担忧。如何利用IIS建立一个安全的Web服务器，是很多人关心的话题。 ...

cuankuangzhong6373的博客 294

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。

IIS安全配置 - 用IIS建立高安全性Web服务器

直接在注册表中的HKEY_CLASSES_ROOT中找到找到"shell.application"、"Wscript.SHELL"等危险的脚本对象（因为它们都是用于创建脚本命令通道的）进行改名或删除对上传文件目录  执行权限 选择 "无"  阻止 上传恶意文件或木马执行禁用脚本调试和向客户端发送详细调试信息 删掉IIS安装时那个缺省网站，删掉pinters等虚拟目录 停止IIS自带

前胜的专栏 668

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
上一篇： 名词解释: 域名解析 A记录 Mx记录 Cname记录
下一篇： 概率计算 PHP幸运星
点赞 0
评论 0
书签 书签 0
mzphp
mzphp
博客等级 码龄21年 9粉丝 18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