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
1.8k累计阅读
1.8k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
由于研发的需要，碰到了这样一个问题，用 NtQueryInformationFile 列出系统的所有句柄，然后通过 NtQueryObject 找到指定句柄的文件名，将文件拷贝出来。但是 在 win8 x86 x64 下却获取不到指定句柄文件名，在国外论坛 与 MSDN 中到处疯狂搜索都没找到原因。调试了 N 次，才发现在 win8 x86 x64 系统下 ObjectTypeNumber不再等于 28, win7 x32 type:28 win8 x32 type:31 win8 x64 type:30.
记录下来，总有人需要！
西门子PLC实战：基于1200/1500的工业物联网MQTT通讯全解析
本文详细解析了如何在西门子S7-1200/1500系列PLC上实现工业物联网MQTT通讯。通过从硬件准备、网络配置到TIA Portal中MQTT_Client功能块的实战编程，手把手指导工程师打通车间数据桥梁，解决信息孤岛问题，实现PLC数据高效上云或设备间互联。
NtQueryObject 获得内核对象的信息
一个内核对象有两个计数器：一个是句柄计数，句柄是给用户态用的；另一个是指针计数，也叫引用计数，因为核心态也常常用到内核对象，为了方便，在核心态的代码用指针直接访问对象，所以Object Manager维护了这个指针引用计数。只有在句柄计数和引用计数都为0时，对象才被释放。一般而言，指针引用计数值比句柄计数值大。 再进一步，实际上，在用户态其实是可以查询一个内核对象的句柄计数和引用计数
稀疏阵列选型指南：互质阵、嵌套阵、MRA，谁才是你项目里的‘性价比之王’？
本文深入探讨了稀疏阵列技术中的互质阵、嵌套阵和MRA三大架构的工程化选型策略，重点分析了它们在DOA估计、自由度、旁瓣抑制和计算复杂度等核心指标上的表现。通过实际案例和配置示例，为智能天线、声学定位和毫米波雷达等应用场景提供技术选型指南，帮助研发团队在硬件成本与性能之间找到最佳平衡点。
NtQueryObject 函数
若翻译出现错误，请指出，本人会即时改正。 这个函数未来可能会改变或者从windows中移除，但是不会通告你。（微软有多贱，我嘞个草了） 函数声明： NTSTATUS NtQueryObject( _In_opt_ HANDLE Handle, _In_ OBJECT_INFORMATION_CLASS objectInformationClass, _Out_opt_
feko金属球远场RCS双站
feko金属球远场RCS双站
Vector CANape的使用记录
开门见山，今天想和大家分享下CANape使用记录，分享原因是近日在分析一个客户现场软件问题时，需要用到CANape来实时的监测ECU中的变量，因为之前对CANape的认知比较浅薄，觉得标定工程师使用他就足够了，但是这次的经历让我觉得需要写点东西来记录自己学习并使用他的过程。 相信大家能够在网上找到很多关于如何使用CANape的文章，从新建Project到后面的数据的观测、保存以及回放等等。我个人也是这么学过来的，所以我不打算从那些方面着手去描述如何使用她，而是根据我的真实使用过程以及问题的抛出到如何解决来
Ring3 调用 NtQueryObject 获得文件句柄对应的对象名时调用线程死锁的原因
之前遗留的一个问题http://blog.youkuaiyun.com/qq_18218335/article/details/76400680 之前实现Ring3 查找文件占用的时候发现对部分句柄进行NtQueryObject 操作的时候会造成调用者线程挂起，从Ring3 解决问题的方法就是生成一个单独的工作线程，代替我们执行NtQueryObject 函数，如果工作线程挂起，则调用Kill
【推荐100个unity插件】Unity URP（通用渲染管线）的基于物理的天地和预计算大气散射——UnityPhysicallyBasedSkyURP
本文介绍了Unity URP（通用渲染管线）中基于物理的天地和预计算大气散射的实现方法。该插件提供物理天空、大气散射、高度雾效、动态天空反射和环境光等功能，要求Unity 2022.3及以上版本，支持着色器模型3.5+。使用步骤包括：添加渲染器功能、配置Volume组件（天空、雾效等），并建议太阳强度设为3、曝光为0作为初始设置。插件已在GitHub和Gitee开源，附带详细配置截图和效果展示。文末推荐了多个Unity开发相关专栏，涵盖游戏开发全领域知识。作者向宇提供了博客链接，欢迎交流学习问题。
C++检测句柄的权限
主要是依靠NtQueryObject函数，其中需要传入ObjectBasicInformation参数 PUBLIC_OBJECT_BASIC_INFORMATION结构包含可用于对象的全部信息的子集。 typedef struct _PUBLIC_OBJECT_BASIC_INFORMATION { ULONG Attributes; ACCESS_MASK Grante...
从 Chat 提示词到可运行 Fiori 应用，ADT for VS Code 正在把 RAP 开发带进 Agent 时代
本文探讨了在VS Code中使用AI辅助进行ABAP RAP开发的新模式。文章指出，传统RAP开发需要手工创建数据库表、CDS视图、行为定义等十多个关联对象，命名和关联关系容易出错。现在通过GitHub Copilot Agent Mode配合ADT MCP Server，开发者可用自然语言描述业务场景直接生成完整的RAP业务对象。这种生成式开发的核心价值在于：1）通过标准化工具接口（MCP）连接ABAP后端，确保生成符合规范的RAP对象；2）能正确处理多实体组合场景下的命名一致性和关联关系；3）保持生成结
①电子产品拆解分析-暖手宝
电子产品拆解分析-暖手宝 ①按键三档调温暖手； ②长按进入氛围呼吸灯； ③安卓接口充电以及支持USB输出；
利用NtDuplicateObject进行Dump
由于传播、利用此文所提供的信息而造成的任何直接或者间接的后果及损失，均由使用者本人负责，文章作者不为此承担任何责任。（本文仅用于交流学习）这是国外老哥2020年提出的一种蛮有意思的思路。我们先来看看大致的思路是什么样子的，然后来看看一些需要学习的点。
无线充电Qi协议正向通信FSK的解调设计
常见的FSK解调方法是使用频率锁相环（PLL）来跟踪输入信号中的频率变化。PLL根据输入信号的频率变化来生成数字信号，从而实现FSK信号的解调。本文将详细介绍无线充电Qi协议正向通信FSK的解调设计，并提供相应的源代码。在上述示例代码中，我们首先定义了FSK解调的参数，包括采样率、载波频率、每个比特的持续时间和比特判定阈值。最后，通过比较滤波后的信号与比特判定阈值，我们将解调后的数字数据转换为0和1的序列。请注意，上述代码仅为示例，实际的解调设计可能需要根据具体的应用场景和系统要求进行调整和优化。
NtQueryObject遍历进程(死锁)与管道冲突的解决方案
在一次注入使用命名管道进行进程间通讯的案例中需要使用NtQueryObject遍历进程互斥锁情况，期间发现一个问题，NtQueryObject查询到管道时候会死锁，网上也有很多资料介绍NtQueryObject死锁的情况，不过解决方案不是很明确这里记录下解决办法在时候NtQueryObject打开进程关联句柄时，先使用CreateFileMapping假定创建文件句柄，如果创建成功，返回，当然假如...
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
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")
汇编级别反调试（3）
当CREATE_PROCESS_DEBUG_EVENT事件发生时，被调试文件的句柄存储在CREATEPROCESS_DEBUG_INFO结构中。如果程序正在被调试，那么使用ntdll!和用户模式一样，都从KUSER_SHARED_DATA 页面中获取数据，此页面以只读方式映射到虚拟地址的用户模式范围中，并在内核范围中读写。如果程序被调用到内存，文件句柄将会保存在LOAD_DLL_DEBUG_INFO,所以同理我们直接去load某一个文件，并用CreateFileA打开，如果失败就代表被占用。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
查看文件被占用的进程 NtQueryObject NtQueryInformationFile NtQuerySystemInformation
#pragma once #include #include #include #include #include #include #include using namespace std; #include typedef std::basic_stringTCHAR, std::char_traitsTCHAR>, std::allocatorTCHAR>> tstring; #inclu
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
渗透测试——漏洞扫描工具
然后还要将all这个压缩包里的plugin_feed_info.inc提取出来，命令行是 tar -zxvf all-2.0.tar.gz plugin_feed_info.inc，然鹅，我提取不出来。将下载好的插件移动到Nessus目录下，然后输入sudo /opt/nessus/sbin/nessuscli update all-2.0.tar.gz。用户名和密码随便写写就好，随后将会更新补丁，OK，这样Nessus可以使用了。将会获得一串数字，然后去激活码的这个网站，输入自己的邮箱获取激活码。
WhoUseMe 驱动实现
前面写过一个应用层的查找谁占用了我们的文件的程序WhoUseMe http://blog.youkuaiyun.com/qq_18218335/article/details/62884657 从文中截图可以看出来，普通的应用层程序虽然可以达到枚举句柄的目的，但是对于一部分具有特殊权限的文件及端口句柄来说，调用NtQueryObject函数可能导致线程挂起，对此我们的解决办法是让一个单独的线程执行N
Windows内核对象(1) -- 内核对象与句柄
一、什么是内核对象 我们在windows开发中经常会遇到内核对象，如事件(Event)，管道(Pipe)，互斥量(Mutex)，完成端口(IOCP)，进程(Process)，线程(Thread)等，他们都是内核对象。这些内核对象虽然通过不同的系统API来创建，但这些API都有一个共同特点，就是都需要传入SECURITY_ATTRIBUTES安全描述符结构体指针，并且返回句柄(HANDLE)。依据
转自“看雪论坛”--NtQuerySystemInformation
ProcessExplorer原理分析之句柄处理 by sucsor/RCT 1,如何获得各进程的句柄 使用NtQuerySystemInformation函数的SystemHandleInformation=16号功能. 其相关结构定义如下: typedef
NtQueryObject 卡死
2019独角兽企业重金招聘Python工程师标准>>> ...
句柄泄露
介绍 欢迎来到这个调试教程系列的第5篇。在这篇文章，我们会介绍Windows中的句柄，什么是句柄以及怎么调试句柄泄露。在读这篇文章之前，我希望你对前4篇文章掌握的都还不错。这一系列的文章并不是在重复WinDbg/NTSD的帮助文件，而是介绍实实在在的问题，它们是怎么一回事，以及如何解决它们。 什么是句柄 对于一个程序来说，句柄就是设备，文件，或其它一些系统对象或资源的实例。程序
查询句柄引用计数源码
#include "stdafx.h" #include <iostream> #include <windows.h> using namespace std; typedef struct _SYSTEM_HANDLE_STATE { DWORD r1; DWORD GrantedAccess; DWORD Ha...
暗黑3 外挂开发资料
一:巡航系统 理想情况: 1.自动清理人物所在地图的所有区域 2.根据脚本设定的指令自动进入/不进入地图内的地下城（洞子） 3.自动跳过过场动画 二:战斗系统 1.人物技能使用 （每一个技能都可以用下面任意一种方式进行设定，如能多条方式能共同存在就更好） 1）根据判定角色身上有无此状态来使用 (如某buff 技能，当无此buff时使用) 2）根据血量百分比使用技能
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1089
扫一扫
