Modern Binary Exploitation - 汇编基础

本文介绍了x86架构下的寄存器使用,包括通用寄存器、堆栈指针、指令指针和标志寄存器。详细讲解了数据移动、算术运算、条件跳转、栈操作等基本指令,并通过实例展示了字符串长度计算的过程。同时,讨论了反汇编和内存操作的相关概念。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

x86寄存器体系

在这里插入图片描述

汇编基础
; EAX EBX ECX EDX - 通用寄存器
; ESP - 堆栈指针,指向当前栈帧的栈顶(底地址)
; EBP - 基指针,指向当前栈帧的栈底(高地址)
; EIP - 指令指针,指向CPU要执行的下一条指令的地址
; 标志寄存器
; ZF - 零标志,当一个操作的结果为0时,设置为1
; CF - 进位标志,当一个操作的结果太大或者太小进而产生进位或借位时,设置为1
; SF - 负数标志,当一个操作的结果为负数时,设置为1

; 移动数据
mov ebx, eax ; 将eax的值移动到ebx
mov eax, 0xDEADBEEF ; 将0xDEADBEEF移动到eax
mov edx, DWORD PTR [0X41424344] ; 将0X41424344地址的4字节值移动到edx
mov ecx, DWORD PTR [edx] ; 将地址为edx值位置的4字节值移动到ecx
mov eax, DWORD PTR [ecx+esi*8] ; 将地址为 ecx+esi*8值位置的4字节值移动到eax

; 算术运算
sub edx, 0x11 ; edx = edx - 0x11
add eax, ebx ; eax = eax + ebx
inc edx ; edx++
dec ebx ; ebx--
xor eax, eax ; eax = eax ^ eax
or edx, 0x1337 ; edx = edx | 0x1337

; 条件跳转
jz $LOC ; 如果 ZF=1, 跳转到 $LOC
jnz $LOC ; 如果 ZF=0, 跳转到 $LOC
jg $LOC ; 如果一个比较操作的结果,destination > source, 跳转到 $LOC

; 栈操作
push ebx ; 栈指针减去4,移动到一个较低的地址,并将ebx的值复制到栈的顶部
;----------------------------------
; push ebx 可以写成:
;	sub esp, 4
;	mov DWORD PTR [esp], ebx
;----------------------------------

pop ebx ; 从栈的顶部复制值给ebx,然后栈指针加4,将它移动到一个较高的地址
;----------------------------------
; pop ebx 可以写成:
;	mov ebx, DWORD PTR [esp]
;	add esp, 4
;----------------------------------


; 调用/返回(Calling/Returning)
call some_function 
;----------------------------------
; 调用some_function处的代码,我们需要将返回地址入栈
; 	push eip -- not actually valid
;----------------------------------

ret
;---------------------------------------------
; 从函数调用处返回,将栈顶的eip出栈
; 	pop eip -- not actually valid
;---------------------------------------------

nop ; 'no operation' - does nothing
x86实战
;---------------------------------------------
; BYTE: 字节,8位,用来储存char或者char类型指针
; WORD: 字, 16位,用来储存16为整数或者16位地址
; DWORD: 双字,32位,用来存储32位整数或32为地址
;---------------------------------------------
0x08048624: "HELLO WORLD\0"   ; 9个字节的字符串
	mov ebx, 0x08048624       ; char *ebx = "HELLO WORLD\0" 
	mov eax, 0                ; eax = 0
LOOPY:
	mov c1, BYTE PTR [ebx]    ; char c1 = *ebx
	cmp c1, 0                 ; c1 == 0
	jz end                    ; if c1 == 0, go to end
	inc eax                   ; eax++
	inc ebx                   ; ebx++
	jmp LOOPY                 ; goto LOOPY
end:
	ret                       ; return (eax位置的字符串的长度)
  • 反汇编
char * word = "HELLO WORLD\0";
int len = 0;

while(*word != 0){
    len++;
    word++;
}

return len;

参考链接: http://security.cs.rpi.edu/courses/binexp-spring2015/lectures/1/01_lecture.pdf

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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