优快云 后台管理中的“漏洞”?

使用fairseq从头开始训练一个中英神经机器翻译模型 前言 由于毕设是做神经机器翻译相关,所以先尝试一下神经机器翻译的整个流程是非常有必要的。故将在news-commentary-v15语料上训练有监督中英NMT模型的整个流程,包括工具和数据的准备、数据的预处理、训练及解码等过程,以及过程中遇到的问题和解决方案记录在此,以供后期回顾,也希望能够给予别人一些帮助。附本人博客 1 相关工具及目录结构 1.1 相关工具 除jieba是使用pip install安装外,其他几个工具都是建议直接克隆库到自己的用户目录中,方便使用其脚本(moses/subword-nmt 阅读详情

不知道算不算“漏洞”。今天修改后台时才有此感觉。

优快云 的首页中,有一些区域的内容是包含的静态 HTML 文件,这些文件可以在后台管理中修改(用的简单的 textarea 直接改代码)。目前,这些对首页所显示的内容的修改,属于“Cool 话题管理”的范畴中。

然而我发现这个功能没有第二次身份验证,即,如果登录了后台,则任何人都可以修改首页内容。而诸如文档管理,广告管理等部分,还有第二次身份验证,根据当前用户的 优快云 账户来判断是否有操作权限。

我认为这可能会出现一些问题。所以,现在正在修改,对 Cool 话题增加二次验证。

In progress...

Android 埋点信息分析——statsd框架 StatsPullAtomService 用以采集数据,并将数据填充到参数中,在StatsManager.PullAtomCallbackInternal 中会转换成 Parcel 格式传入到 native。 StatsCallbackPuller::PullInternal 中会回调StatsManager.PullAtomCallbackInternal 的onPullAtom,该函数中会回调StatsCallbackPuller::PullInternal 中定义的PullResultRecei 阅读详情

相关推荐

保姆级教程:在Ubuntu 22.04上从零安装SUMO并运行第一个交通仿真

本教程详细介绍了在Ubuntu 22.04系统上从零安装SUMO交通仿真软件并运行第一个仿真的完整流程。涵盖环境准备、PPA源安装、核心组件验证、首次仿真案例运行以及进阶配置技巧,特别针对netedit路网编辑器和地图格式转换等实用工具进行重点讲解,帮助用户快速掌握SUMO在交通仿真领域的应用。

weixin_30546189的博客 425

webpluspro

因为帮学校做网页迫不得已接触了这个麻烦的东西,因为没有深入的了解,只能在这边记录下出现的几个问题 窗口 frag=“窗口n” 这个窗口号不能有重复的 这个frag是有嵌套顺序的 这个顺序是面板>窗口>窗口内容 portletmode 这个是这个窗口的模式,比如新闻列表什么的就是portletmode=“simpleNews” 虽然平常这个没有也能往里面拉入模式就会自动添加相应的portletmode,但是比如我要做像档案一样的那种新闻列表,就是点击或者hover一个类,能看到下面的内容,我试了一

ArmadaDK的博客 1944

L2-028 秀恩爱分得快(测试点3说明)

古人云:秀恩爱,分得快。互联网上每天都有大量人发布大量照片,我们通过分析这些照片,可以分析人与人之间的亲密度。如果一张照片上出现了 K 个人,这些人两两间的亲密度就被定义为 1/K。任意两个人如果同时出现在若干张照片里,他们之间的亲密度就是所有这些同框照片对应的亲密度之和。下面给定一批照片,请你分析一对给定的情侣,看看他们分别有没有亲密度更高的异性朋友?

daybreak_alonely的博客 1414

某程序员发现 优快云官方“漏洞”,立省¥10000+,抓紧薅吧

大佛说,加入勤学会吧,位置给你坐! 没准明天优惠就没了呢,还不赶紧薅羊毛

梦想橡皮擦,专栏100例写作模式先行者,现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者 1万+

11.15 分析finrl 的框架

11.15 分析finrl 的框架

yueguoqing88的博客 1088

IT运维必备 开源Urbackup 备份系统部署教程 实战操作

手动添加ip方式检查是否在线 ,linux需要按上述步骤6配置server端地址 不然一直不会进去状态栏。安装依赖sudo apt install -y libcrypto++-dev。补充客户端手动触发备份命令 (一般在服务端操作即可,特殊情况客户端进行操作)修改ubuntu主机名 建议修改为ip 方便上线以ip命名上线。默认客户端安装完毕大概几分钟之内服务端会自动上线。配置客户端指向server端地址。(2)ubuntu 客户端设置。新起一个远程窗口查看配置状态,配置客户端备份文件目录。

qq_34981755的博客 1291

WebPlusPro平台之(4)系统管理

WebPlusPro之系统管理 1、定义 就是在该站点下又建立了一个新子站点(对于大学生而言主要会用到这一点) 2、结构 主要用 建站管理,其它的就很少用到了。 3、建站管理 3.1 新增操作 就可以新增子站点了 建站成功后 3.2 其它 其它的修改、删除、移动或排序就是字面意思,很容易理解。 4、其它 其它的栏目功能,对于大学生来说现在用不到,都是以后老师们维护时,会操作的功能。 5、自我浅谈 实际的开发中,一般会有学校的信息化管理员老师来操作,她们会有很多权限,一旦网站做好后,直接找老师即可,她会

熊凯瑞的博客 1627

建议收藏:模拟版图高频面试题,直通面试,Offer抢先拿!

直击模拟版图面试

nuoweishizi的博客 6340

信息泄露漏洞

信息泄露主要包括:敏感路径、服务器、中间件、框架版本等 实验环境:ubuntu 实验原理: 配置存放不当,导致web系统备份,数据库备份 用户数据文件,暴露在web系统上,引发信息泄露 实验内容: 一、目录遍历漏洞 原理:index文件是web应用程序的默认入口文件被称为索引文件。访问web应用程序时如果没有 指定某个文件,web应用程序就会调用索引文件。根据web开发脚本...

cxrpty的博客 6567

Google Earth Engine(GEE)——将sentinel - 2影像所有波段重采样到10m分辨率 (resample 和 projection的使用)

影像重投影是将一个影像从一个坐标系投影到另一个坐标系的过程。这通常涉及到将像素从一个平面坐标系变换到另一个平面坐标系。这可以用于许多应用中,例如建立数字高程模型(DEM)和地图制图。影像重投影通常需要进行数学计算,包括转换矩阵和插值算法,以确保像素值的准确性和精度。这次我们将对哨兵2好数据中20m分辨率的波段,重采样到10m分辨率中,然后同一参与计算。

此星光明博客 3111

FPGA和USB3.0通信-USB3.0 PHY介绍

可以和FPGA搭配使用的USB3.0 PHY芯片通过之前的介绍<FPGA和USB3.0通信-USB3.0协议介绍USB3.0 PHY简介首先我们需要了解PHY具体完成哪些工作以及我利...

OpenFPGA的博客 4943

常见漏洞原理简介

无法被Apache解析,就会被Apache服务器解析成php文件,问题是apache如果在mime.types文件里面没有定义的扩展名在诸如x1.x2.x3的情况下,最后一个x3的没有定义,他会给解析成倒数第二个的x2的定义的扩展名。目录遍历(路径遍历)是由于web服务器或者web应用程序对用户输入的文件名称的安全性验证不足而导致的一种安全漏洞,使得攻击者通过利用一些特殊字符就可以绕过服务器的安全限制,访问任意的文件(可以使web根目录以外的文件),甚至执行系统命令。

qq_44005305的博客 460

Python之achatbot包语法、参数和实际应用案例

本书是一本PyTorch深度学习实战指南,分为基础(前6章)和进阶(后5章)两大部分。基础部分涵盖张量运算、神经网络、数据预处理及CNN等核心内容;进阶部分则深入图像、文本、音频建模技术,重点解析Transformer架构及大语言模型开发。全书采用"理论+实践"模式,适合从零基础到进阶的PyTorch学习者。

王国平的博客 632

MFC--CDIALOGBAR

CDialogBar的创建和使用 一个朋友让我看一个关于DialogBar的程序,问题是在一个DialogBar中添加一个Tree Control控件,在初始化函数OnInitDialog中使用InsertItem添加一项,结果运行后,始终在DialogBar中显示不出来,后来我又加入了一个Button测试,结果Button是灰色的,根本不能点击。在OnInitDialog中加入断点,程序根本执

luna_0403的专栏 1060

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

运行时动态创建的控件与消息处理函数绑定的方法

1,首先在创建控件对象时用create函数,需要指定一个nID,此处可以任意指定,但是必须在某个范围之内,不要太大 2,在消息映射中加入消息与nID,消息处理函数的绑定 #define ID_MY_TREE   1000 afx_msg void OnExpanded(NMHDR *pNMHDR, LRESULT *pResult); ON_NOTIFY(TVN_ITEMEXPAN

WZZZ123的专栏 659

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")

vc++ Tree Control使用总结

目前软件的数据曲线绘制模块,需要用到TreeCtrl控件,在学习使用这个控件的过程中,再次感受到了自己的编程基本功、利用MSDN自学能力的不足,以及来自MFC做界面的深深的恶意,现在基础还差,等再巩固一段时间的windows编程以及MFC界面知识后,一定要学Duilib,系统的掌握一套自己的做界面的方法,不要总在界面上浪费这么多时间。 需要利用TreeCtrl实现的功能: 1、创建 多个根节点

woaisia的专栏 6639

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

树形控件(Tree Control)

///"添加"按钮的响应函数 void CTreeCtrlDemoDlg::OnBtnAdd() { // TODO: Add your control notification handler code here ///获取用户的输入 CString strText; GetDlgItemText(IDC_EDT_TEXT, strText); if(strText.GetLengt

假装狠牛逼 8905

ejabberd架构深度解析:Erlang/OTP如何实现高并发消息处理

ejabberd是一个基于Erlang/OTP平台构建的**高并发消息处理**系统,专门为处理大规模实时通信而设计。作为一款强大的**XMPP服务器**,它能够同时支持数百万用户在线,这得益于其独特的架构设计。 ## 🚀 Erlang/OTP:高并发的秘密武器 Erlang/OTP是ejabberd架构的核心基石。这个专门为**电信级应用**设计的平台,天生就具备处理**高并发连接**的能力

gitblog_01093的博客 1050

十大常见web漏洞及防范[通俗易懂]

在设计程序,忽略了对输入字符串中夹带的SQL指令的检查,被数据库误认为是正常的SQL指令而运行,从而使数据库受到攻击,可能导致数据被窃取、更改、删除,以及进一步导致网站被嵌入恶意代码、被植入后门程序等危害。(5)一些边缘的输入点,比如.mp3文件的一些文件信息等。文件上传漏洞通常由于网页代码中的文件上传路径变量过滤不严造成的,如果文件上传功能实现代码没有严格限制用户上传的文件后缀以及文件类型,攻击者可通过 Web 访问的目录上传任意文件,包括网站后门文件(webshell),进而远程控制网站服务器。

2201_75362610的博客 3327

一定要收藏的5个后台管理系统的前端框架

当你开发新项目的时候,如何快速的完成一个项目的搭建,这个时候就需要借助到一些模板了,现在网上各类UI模板都是相当的齐全的,本文就介绍几个靓仔觉得非常不错的前端框架,感兴趣的可以了解一下。 1、vue-element-admin 开源地址:https://github.com/PanJiaChen/vue-element-admin 文档地址:https://panjiachen.github.io/vue-element-admin-site/zh/ 效果预览:https://panjiache

靓仔聊编程 2273

10款精选的后台管理系统,快来一起颤抖吧!

文章目录1.vue2-manage2.Cloud-Admin3.Guns4.Cloud-Platform5.react-admin6.hsweb7.hxyFrame8.XMall9.zuihou-admin-cloud10.Vue-Admin 1.vue2-manage 此项目是 vue + element-ui 构建的后台管理系统,是后台项目node-elm 的管理系统,所有的数据都是从服务器实时获取的真实数据,具有真实的注册、登陆、管理数据、权限验证等功能。 项目地址:https://github.co

君子慎独,不欺暗室;卑以自牧,不欺于心 6426

后台管理项目笔记

比如目前的路由是/a/aa/aaa,那么此时this.$route.matched匹配到的会是一个数组,包含’/‘,‘/a’,’/aa’,'/aaa’这四个路由信息,从而可以直接利用路由信息渲染面包屑导航。legend:图例组件;3、可以删除,删除当前tag,如果是最后一个,那么路由调整到他前面那个标签,并且背景变蓝,如果不是最后一个那么路由调整到他后面那个标签对应的路由。2、点击:切换到相应的路由,以及改变背景颜色,当点击左侧栏时,如果tag没有该菜单名称则新增,如果已经有了那么当前tag背景颜色加深。

qq_45387575的博客 1358

常见漏洞归纳

在sqlmap根目录启用cmd,输入sqlmap.py -u url --batch --level=3 --tamper=“space2comment.py,versionedkeywords.py”$_SESSION['user']=$row['username'];植入到数据库中的漏洞,每刷新一次就弹窗一次(评论,弹幕,登录)在输入框中输入js语句。更改前端JS代码在白名单中加入.php,或者禁用前端JS验证。有的登录界面不看你密码是否输对而是看你的cookie是否正确。

2302_79556885的博客 609

网站管理后台

在根目录下找到www文件夹,点击进入wwwroot文件夹,随后能看到域名文件夹,里面有一下初始内容,可以全部删掉,留下 .user.ini 文件。点击上传,将模板压缩包上传到服务器,将压缩包解压出来的文件复制粘贴到域名文件夹下。这里的网站可以直接登录后台是因为上传的模板里包含了一套网站内核系统叫作。修改完成后点击网站主页就可以跳转到网页了,也可以看到网站标题被修改了。现在可以通过网站后台左侧的菜单栏来修改网站内容。回到后台,点击内容栏目,这里是网站的默认栏目。点击网站主页,回到网站,打开新建的栏目。

2501_91180145的博客 487

实战 | 记一次X站逻辑漏洞到到管理员后台

闲来无事,在群里发现有人推这玩意,一看居然是个cps平台这就有意思了我们先去找大哥开一个代理账号拿到账号之后,登录看看js也看了下没啥东西,套了cdn,也没上传点可以添加下级渠道,尝试添加添加抓包看看是能添加,添加的时候会返回用户详细参数对吧点击修改抓包看看,没返回数据在修改看看这里127.0.0.1是我没登录这个账号,所以没获取我的ip然后可以看到pk这个参数是不是对应的返回参数的id我们尝试修改id越权别的用户id(赌的就是他没做检测,赌的就是他id是遍历的)

leah126的博客 329

常见安全漏洞及其解决方案

执行时,此后的文本将被忽略。但这并不是无代价的,受到损失最大的就是被控制的网站,往往随着暗链所指向的网站的权重不断提高,存在暗链的网站的权重将不断下降,搜索引擎排名也必然一再下降,严重影响网站的影响力。漏洞危害:该漏洞是通过版本号探测的,可能存在误报Apache HTTP Server是一款开源的流行的HTTPD服务程序.当处理包含大量Ranges头的HTTP请求时,ByteRange过滤器存在一个错误,攻击者可以向服务器发送特制HTTP请求,消耗大量内存,造成应用程序崩溃CVE-2011-3192。

qq_44005305的博客 695
上一篇: 柳絮飘飘~
下一篇: Playing FlexWiki now...
sinzy
博客等级 码龄26年 1粉丝 10原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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