ctfidf实验室超简单的js题

最新推荐文章于 2025-06-19 17:13:49 发布
最新推荐文章于 2025-06-19 17:13:49 发布
阅读量1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： url编码 js代码
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。
本文链接：https://blog.youkuaiyun.com/sinat_36188088/article/details/53336907
本文介绍了一个简单的JS挑战题，通过URL解码找到隐藏的JS代码，并解释了如何通过输入特定值来解决这个问题。

超简单的js题

2014-12-05 11:16:08 作者：admin 123714

这里这里→ http://ctf.idf.cn/game/web/42/index.php


题目来源： 难度：★ 分值：2 已解答数：1469 FirstBlood：闭关修炼中的暗羽渣渣

这个点进去一看什么都没有，就是一个网页。







看一下页面源代码，发现了思路，






这个一看就是URL编码，URL 编码将字符转变成对 URL 解析无意义的无害形式。它将字符转化成为一种特定字符编码的字节序列，然后将字节转换为16进制形式，并将其前面加上”%”。问号的 URL 编码形式为”%3F”。
这个源代码里面说了是将p1+%36%38%36+p2,我将这些复制连接在一起，然后我用了火狐的插件cyrptofox进行解密，flag就出现。（当然你也可以用在线的url解码工具）。

解码以后发现了一段js代码

function checkSubmit(){var a=document.getElementById("password");if("undefined"!=typeof a){if("36452fffb94757a686fd20120be31f73"==a.value)return!0;alert("Error");a.focus();return!1}}document.getElementById("levelQuest").onsubmit=checkSubmit;

通过阅读，知道了如何a.value是36452fffb94757a686fd20120be31f73就成功。
然后将这段字符输进去，得到flag。


问题解决



ctfIDF实验室 啥？
灵感点滴的分享
11-25 2409
这个题一看就是数据隐写题，首先巴图片保存在本地。 然后用记事本打开，答案就出来了。
IDF实验室CTF题解——WEB(更新中，已完成5/7)
乐枕的家
09-19 3492
源IDF实验室CTF训练营-WEB题解1 一种编码而已老题，复制粘贴到console里运行，其实是js代码。 key：WCTF{H3110_J0t4er}2 你关注最新的漏洞吗下载发现是一个数据包，格式转换成pcap格式。 使用WireShark打开之，发现四个包。 协议不熟，查之发现是kerberos。 查了一下协议以及题中提示的漏洞。 第一反应是用漏洞原理破解这个包中的密文找到key之
CTF-入门练习题
10-30
题目来自于蓝盾服务器，难度适中，适合于练习，需要wp请留言
ctf简单例题
qq_64553002的博客
05-12 497
如图得到flag 打开文本编译器查找flag 得到 flag{75a3d68bf071ee188c418ea6cf0bb043}
ctf题目
最新发布
2301_81855633的博客
06-19 193
对题目进行深入的分析，包括理解题目的要求、查找相关的资料、分析题目所涉及的技术或概念等。写明题目的名称、内容、分类和难度等信息，这有助于读者对题目有一个初步的了解。拿到ip，首先就想到了使用御剑扫描漏洞，依次访问得到的网址，最终找到flag。展示解题的最终结果，包括得到的flag（标志）、分数或其他形式的验证。对整个解题过程进行总结，分享解题的经验教训，以及可能的改进方向。对整个解题过程进行总结，分享解题的经验教训，以及可能的改进方向。进入192.168.210.61。万能钥匙：你会使用万能钥匙吗？
CTF练习题[Crypto]-简单加密
weixin_45246254的博客
01-07 2397
https://ctf.bugku.com/challenges/detail/id/51.html?page=2 拿到题目如下 e6Z9i~]8R~U~QHE{RnY{QXg~QnQ{^XVlRXlp^XI5Q6Q6SKY8jUAA 评论区提示AA为== 编写代码ASCII码前移4位 str1="e6Z9i~]8R~U~QHE{RnY{QXg~QnQ{^XVlRXlp^XI5Q6Q6SKY8jUAA" li=list(str1) li2=[] for i in li: a=ord(i)-4
IDF实验室-部分简单题目writeup
_Molory专栏
12-15 536
1. 被改错的密码 原题：  从前有一个熊孩子入侵了一个网站的数据库，找到了管理员密码，手一抖在数据库中修改了一下，现在的密码变成了cca9cc444e64c8116a30la00559c042b4，那个熊孩子其实就是我！肿么办求解！在线等，挺急的。。  PS：答案格式wctf{管理员原密码}  解：字符串中只有l不属于16进制，并且字符串长度为33，猜测熊孩子手抖多按了一个l，原
[CTF_网络安全] 攻防世界 simple_js 解题详析
qingkahui24689的博客
05-23 2358
[CTF_网络安全] 攻防世界 simple_js 解题详析，该题考察Javascript代码的解读及不同数值类型的转换姿。我们下次见，
已经进行切词、去除停用词、标点符号的英文专利摘要文本保存在'tokenized_abstract.csv'中，并且在静态主题建模时已经进行了加载，专利摘要对应的时间数据保存在'date.txt'中，尚未加载，已经执行的静态主题模型的参数设置如下：from sentence_transformers import SentenceTransformer # Step 1 - Extract embeddings embedding_model = SentenceTransformer("C:\\Users\\18267\\.cache\\huggingface\\hub\\models--sentence-transformers--all-mpnet-base-v2\\snapshots\\9a3225965996d404b775526de6dbfe85d3368642") embeddings = np.load('clean_emb_last.npy') print(f"嵌入的形状: {embeddings.shape}") # Step 2 - Reduce dimensionality umap_model = UMAP(n_neighbors=7, n_components=10, min_dist=0.0, metric='cosine',random_state=42) # Step 3 - Cluster reduced embeddings hdbscan_model = HDBSCAN(min_samples=7, min_cluster_size=60,metric='euclidean', cluster_selection_method='eom', prediction_data=True) # Step 4 - Tokenize topics # Combine custom stop words with scikit-learn's English stop words custom_stop_words = ['h2', 'storing', 'storage', 'include', 'comprise', 'utility', 'model', 'disclosed', 'embodiment', 'invention', 'prior', 'art', 'according', 'present', 'method', 'system', 'device', 'may', 'also', 'use', 'used', 'provide', 'wherein', 'configured', 'predetermined', 'plurality', 'comprising', 'consists', 'following', 'characterized', 'claim', 'claims', 'said', 'first', 'second', 'third', 'fourth', 'fifth', 'one', 'two', 'three','hydrogen'] # Create combined stop words set all_stop_words = set(custom_stop_words).union(ENGLISH_STOP_WORDS) vectorizer_model = CountVectorizer(stop_words=list(all_stop_words)) # Step 5 - Create topic representation ctfidf_model = ClassTfidfTransformer() # All steps together topic_model = BERTopic( embedding_model=embedding_model, # Step 1 - Extract embeddings umap_model=umap_model, # Step 2 - Reduce dimensionality hdbscan_model=hdbscan_model, # Step 3 - Cluster reduced embeddings vectorizer_model=vectorizer_model, # Step 4 - Tokenize topics ctfidf_model=ctfidf_model, # Step 5 - Extract topic words top_n_words=50 )
03-15
- 建议对比实验：尝试n_components=5时是否保留足够语义信息 - 可视化检查：对降维结果进行2D/3D投影验证结构完整性 2. 聚类调参 - 平衡公式：调整min_cluster_size ≈ 总文档数/预期主题数 - 噪音控制：当前设置下...
假如我用bertopic对英文专利摘要文本进行了静态主题表示，在此基础上现在我需要用bertopic自带的topic_over_time动态主题建模结合调整c-TF-IDF 算法进行动态主题表示，动态主题表示设置时间戳 t1=2000-2010 年，t2=2011-2018 年，t3=2019-2024 年。最终，将当前阶段和前一阶段的 c-TF-IDF 平均值作为当前阶段的权重分数，取权重分数前 15 的单词作为动态主题的关键词，形成动态主题词列表。注意，已经进行切词、去除停用词、标点符号的英文专利摘要文本保存在'tokenized_abstract.csv'中的'Tokenized_Abstract'字段内，并且在静态主题建模时已经进行了加载，专利摘要对应的时间数据保存在中'tokenized_abstract.csv'中的'Date'字段内，尚未加载，已经执行的静态主题模型的参数设置如下：from sentence_transformers import SentenceTransformer Step 1 - Extract embeddings embedding_model = SentenceTransformer(“C:\Users\18267\.cache\huggingface\hub\models–sentence-transformers–all-mpnet-base-v2\snapshots\9a3225965996d404b775526de6dbfe85d3368642”) embeddings = np.load(‘clean_emb_last.npy’) print(f"嵌入的形状: {embeddings.shape}") Step 2 - Reduce dimensionality umap_model = UMAP(n_neighbors=7, n_components=10, min_dist=0.0, metric=‘cosine’,random_state=42) Step 3 - Cluster reduced embeddings hdbscan_model = HDBSCAN(min_samples=7, min_cluster_size=60,metric=‘euclidean’, cluster_selection_method=‘eom’, prediction_data=True) Step 4 - Tokenize topics Combine custom stop words with scikit-learn’s English stop words custom_stop_words = [‘h2’, ‘storing’, ‘storage’, ‘include’, ‘comprise’, ‘utility’, ‘model’, ‘disclosed’, ‘embodiment’, ‘invention’, ‘prior’, ‘art’, ‘according’, ‘present’, ‘method’, ‘system’, ‘device’, ‘may’, ‘also’, ‘use’, ‘used’, ‘provide’, ‘wherein’, ‘configured’, ‘predetermined’, ‘plurality’, ‘comprising’, ‘consists’, ‘following’, ‘characterized’, ‘claim’, ‘claims’, ‘said’, ‘first’, ‘second’, ‘third’, ‘fourth’, ‘fifth’, ‘one’, ‘two’, ‘three’,‘hydrogen’] Create combined stop words set all_stop_words = set(custom_stop_words).union(ENGLISH_STOP_WORDS) vectorizer_model = CountVectorizer(stop_words=list(all_stop_words)) Step 5 - Create topic representation ctfidf_model = ClassTfidfTransformer() All steps together topic_model = BERTopic( embedding_model=embedding_model, # Step 1 - Extract embeddings umap_model=umap_model, # Step 2 - Reduce dimensionality hdbscan_model=hdbscan_model, # Step 3 - Cluster reduced embeddings vectorizer_model=vectorizer_model, # Step 4 - Tokenize topics ctfidf_model=ctfidf_model, # Step 5 - Extract topic words top_n_words=50 ) 现在，请你给出实现这一操作的python代码帮我完成静态主题表示之后的动态主题表示。调整后的c-TF-IDF计算公式如下： $ c-TF-IDF_{w,c,r} = \frac{\left(\sqrt{\frac{f_{w,c,r}}{f_c}} + \sqrt{\frac{f_{w,c,r-1}}{f_c}}\right) \cdot \log\left(1 + \frac{M - cf_w + 0.5}{cf_w + 0.5}\right)}{2} $ 文字说明： “其中，( f_{w,c,r} ) 为第 ( r ) 阶段时，词 ( w ) 在聚类簇 ( c ) 中出现的频次，( f_c ) 表示聚类簇 ( c ) 中词数。( M ) 表示簇的平均单词数，( cf_w ) 表示词 ( w ) 在所有簇中出现频次。”
03-15
avg_weights = (current_ctfidf + prev_ctfidf) / 2 if prev_time else current_ctfidf # 获取主题词 topics = topic_model.get_topics() for topic_id, word_weights in topics.items(): sorted_words = ...
from sentence_transformers import SentenceTransformer # Step 1 - Extract embeddings embedding_model = SentenceTransformer("C:\\Users\\18267\\.cache\\huggingface\\hub\\models--sentence-transformers--all-mpnet-base-v2\\snapshots\\9a3225965996d404b775526de6dbfe85d3368642") embeddings = np.load('clean_emb_last.npy') print(f"嵌入的形状: {embeddings.shape}") # Step 2 - Reduce dimensionality umap_model = UMAP(n_neighbors=7, n_components=10, min_dist=0.0, metric='cosine',random_state=42) # Step 3 - Cluster reduced embeddings hdbscan_model = HDBSCAN(min_samples=7, min_cluster_size=60,metric='euclidean', cluster_selection_method='eom', prediction_data=True) # Step 4 - Tokenize topics # Combine custom stop words with scikit-learn's English stop words custom_stop_words = ['h2', 'storing', 'storage', 'include', 'comprise', 'utility', 'model', 'disclosed', 'embodiment', 'invention', 'prior', 'art', 'according', 'present', 'method', 'system', 'device', 'may', 'also', 'use', 'used', 'provide', 'wherein', 'configured', 'predetermined', 'plurality', 'comprising', 'consists', 'following', 'characterized', 'claim', 'claims', 'said', 'first', 'second', 'third', 'fourth', 'fifth', 'one', 'two', 'three','hydrogen'] # Create combined stop words set all_stop_words = set(custom_stop_words).union(ENGLISH_STOP_WORDS) vectorizer_model = CountVectorizer(stop_words=list(all_stop_words)) # Step 5 - Create topic representation ctfidf_model = ClassTfidfTransformer() # All steps together topic_model = BERTopic( embedding_model=embedding_model, # Step 1 - Extract embeddings umap_model=umap_model, # Step 2 - Reduce dimensionality hdbscan_model=hdbscan_model, # Step 3 - Cluster reduced embeddings vectorizer_model=vectorizer_model, # Step 4 - Tokenize topics ctfidf_model=ctfidf_model, # Step 5 - Extract topic words calculate_probabilities=True )代码如上为什么拟合后每个主题只包含10个主题词
03-14
好的，我现在需要解决用户关于BERTopic模型如何调整每个主题词数量的问题。用户提到当前每个主题只有10个关键词，想要增加或减少这个数量，并具体到代码参数配置。首先，我得回忆一下BERTopic的相关文档和参数设置。...
CTF实验室-超简单的js题
chiou9207的博客
04-28 1221
超简单的js题 源代码： <html><head><title>超简单的js题</title></head><body><p>这是从一个老外那里抄来的题，应该很简单的。。吧？</p><fo...
超级小白，几道简单的ctf
cried_cat的博客
05-11 5762
转]汉字 ASCII码 由浏览器的实现url编码实现 (2012-08-16 11:14:56)转载▼标签： 杂谈 用alt+数字能打出一个字或一个字符，这个数字就是ascii码。 ascii码可以根据http编码算出，比如说我要查“我爱你”这三个字的ascii码，首先要知道他们的http编码，进入百度贴吧，输入“我爱你”， 点击搜索，地址栏会出现一串很长的地址，为了简化这个地址，点击左上角主题列...
记一次简单线上比赛--CTF（初级）
没有
11-06 2582
记一次简单线上比赛–CTF（初级） 第一题：胖虎收到了一段特殊的字符串O5SWYY3PNVSXI33FORWGCYQ=，你能帮他解出正确内容吗? 解答： 1.首先看到这一串字符串就想到base64编码，结果发现不对 2.尝试其他解码，发现是base32编码 得到的flag: welcometoetlab 第二题：小张在对数据进行加密之后发送给同学小李，但是发送过程中由于存心多按了一下键盘改变了数据。你能帮小李还原一下该数据吗?字符串内容为6434147c20060ed8c730i228a87ff08a
CTF题目合集
cgygsw的博客
01-26 5114
在给定的代码中，call_user_func_array(array($this, $this->method), $this->args) 的作用是调用对象 $this 的方法 $this->method（也就是调用ping函数的方法 也就是destruct下面那个ping函数），并将 $this->args 数组作为参数传递给该方法。反序列化之后就会调用wakeup这个函数 ： 这个函数的内容 是对参数的内容进行了循环遍历 执行WAF函数的内容。
【CTF】某xss练手小游戏
weixin_30655569的博客
02-11 434
http://test.xss.tv 1、http://47.94.13.75/test/level1.php?name=test 　　直接插入即可，如： 　　http://47.94.13.75/test/level1.php?name=<script>alert(1)</script> 2、http://47.94.13.75/test/level2.php?k...
11.18 CTF 十道题目（1）
weixin_44554793的博客
11-22 1523
CTF的一些题目 取自buuctf
BMZCTF SDNISC2020_简单js
qq_26243045的博客
01-06 814
下载附件，是一个JS文件。内容如下： /** * Pseudo md5 hash function * @param {string} string * @param {string} method The function method, can be 'ENCRYPT' or 'DECRYPT' * @return {string} */ function pseudoHash(string, method) { // Default method is encryption if
ctf-web＜javascript＞
slenderman
07-14 1167
javascript学习 目录javascript学习一 javascript历史二 JavaScript 构成三 js的运行1:嵌入html2：独立js文件js内容：html内容：3：延迟执行4：异步加载JavaScript文件5：代码块四 js的编写1：编码2:一些规范3各种量3:变量的全局和局部js的基本数据类型 一 javascript历史 1995 年 2 月，Netscape 公司发布 Netscape Navigator 2 浏览器，并在这个浏览器中免费提供了一个开发工具——LiveScrip
评论
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