如何保护 Web 服务器的安全

业务开发时,接口不能对外暴露怎么办? 在业务开发的时候,经常会遇到某一个接口不能对外暴露,只能内网服务间调用的实际需求。面对这样的情况,我们该如何实现呢?今天,我们就来理一理这个问题,从几个可行的方案中,挑选一个来实现。 阅读详情

如果您喜欢这些文章,欢迎点击此处订阅本Blog

Blog 订阅

<script src="http://pagead2.googlesyndication.com/pagead/show_ads.js" type="text/javascript"></script>


        Web 服务器是组织的众多公开部分之一,并且最容易成为攻击目标。Web 服务器体现了一种有趣的矛盾逻辑 - 如果不公开储存,如何与别人共享组织的信息?解决这个矛盾是个费力不讨好的苦差事;但它非常重要。

在进一步讨论之前,我们先看看 "被公开" 的 Web 服务器所面临的一些威胁。

 

Web 服务器面临的威胁

        现在,Web 服务器面临许多威胁,大部分威胁与您在系统中配置的应用程序、操作系统和环境有关。在这里,我仅归纳了最常见的服务器威胁。

拒绝服务

        拒绝服务(DoS)是一种 "老牌" 服务器攻击。这种攻击很简单,通常由技术水平较低的被称为脚本小子(script kiddies)的年轻人发动此类攻击。总体而言,DoS 攻击通过一个系统攻击另一个系统,其目的是消耗后者的所有资源(比如带宽和处理器时间),从而无法进行合法请求。通常,我们认为这是一种无聊的攻击,但您一定不要因此放松警惕,因为它造成的许多问题会让您半夜睡不着觉。

分布式拒绝服务

        分布式拒绝服务(DDoS)攻击是 DoS 攻击的增强版,因为它更加恶劣、更加恼人。DDoS 攻击的目标和 DoS 一样,但它的规模更大,也更加复杂。在 DDoS 攻击中,攻击者不是通过一个系统攻击另一个系统,而是使用多个系统攻击另一个系统,有时这种发出攻击的系统甚至多达几十万个。如果说 DoS 攻击仅会让人感觉讨厌的话,那么 DDoS 攻击则是致命的,因为它能迅速使服务器离线。不过,实施 DDoS 攻击需要很高明的技术。

比较常见的 DDoS 攻击包括:

        * FTP 跳转攻击。文件传输协议(FTP)跳转攻击指攻击者向有漏洞的 FTP 服务器上传一个结构特殊的文件,然后该服务器将这个文件转发到其他位置(通常是组织内的另一个服务器)。被转发的文件通常包含某些代码,其目的是在最终服务器上完成攻击者希望做的事情。
        * 端口扫描攻击。端口扫描攻击通过对主机进行系统的结构化扫描来实现。例如,某人可能扫描您的 Web 服务器,其目的是找到暴露的服务或其他可以利用的漏洞。只要具有可从 Internet 上免费获得的众多端口扫描器之一,任何人都可以轻松实现这种攻击。这也是最常见的攻击之一,因为它很容易实现,脚本小子通常利用它窃取服务器的主机名或 IP 地址(不过,他们通常不知道如何解析获得的结果)。注意,高级的攻击者将利用端口扫描挖掘信息。
        * ping 洪水(flooding)攻击。ping 洪水攻击是一种简单的 DDoS 攻击。在这种攻击中,一个计算机向另一个系统发送一个包(ping),以找到关于服务或系统的信息。对于低级的攻击,ping 流可用于偷偷地查找信息,但是如果要截取向目标发送的包,则要求系统离线或停机。这种攻击虽然是 "老牌攻击",但它仍然很有活力,因为很多现代的操作系统都容易受到这种攻击。
        * Smurf 攻击。这种攻击类似于 ping 洪水攻击,但它能巧妙地修改进程。在 Smurf 攻击中,首先向中间网络发送一个 ping 命令,然后在自身得到增强之后转发到攻击目标。以前的 "点滴" 流量现在变成了巨大的流量。幸运的是,这种攻击现在很少见。
        * SYN 洪水(flooding)攻击。这种攻击要求了解 TCP/IP 协议 - 即整个通信流程是如何工作的。通过一个类比就能够很好地解释这种攻击。这种攻击类似于向某人发送一封需要回复的信件,但是信封使用虚假的回信地址。收信人回复了信件并等待您的回复,但永远不能收到回信,因为它在某个地方被阻止了。只要针对系统的 SYN 请求足够多,攻击者就能够使用系统上的所有连接,从而阻止任何东西通过。
        * P 分片(fragmentation)攻击。在这种攻击中,攻击者凭借高级的 TCP/IP 协议知识将包分成更小的片段(即分片),从而绕过许多入侵检测系统。在比较严重的情况下,这种攻击会造成挂起、锁定、重启和蓝屏等。不过,这种攻击不是一般人能实施的。
        * Simple Network Management Protocol (SNMP) 攻击。SNMP 攻击的主要目标是 SNMP 服务(用于管理网络及其上的设备)。因为 SNMP 用于管理网络设备,所以通过攻击该服务,攻击者能够详细了解网络的结构,从而为以后的攻击做准备。

 

Web 页面更改攻击

        在 Internet 上经常可以看到 Web 页面被更改。顾名思义,Web 页面更改源于攻击者利用 Web 服务器的不良配置修改 Web 页面,其原因有很多,比如为了捉弄别人或推行某种政治主张。

 


SQL 注入

        结构化查询语言(SQL)注入 是专门针对数据库的攻击。在这种攻击中,攻击者利用数据库或 Web 页面的设计缺陷从数据库提取信息,甚至操纵数据库的信息。虽然我不能详细解释这种攻击是如何实施的,但如果您了解 SQL 的话,就可以找到相关的答案。如果您在 Web 服务器上驻留数据库的话,一定要了解这种攻击。

 


不良代码

        任何开发人员或信息技术人员都知道,不良的编程习惯会带来问题。不良代码源于众多因素,包括培训质量差、新手或应用程序的质量没有保证。从好的方面讲,不良代码会给人添麻烦,并且某些特性不能按预期工作;从坏的方面讲,包含不良代码的应用程序就成了最大的安全隐患。

 


打包代码

        这个问题在某种程度上也与不良代码有关,但是有一点不同:这个问题源于为了方便地获得预编译或预编写的组件,在构建应用程序时将使用到它们,从而缩短开发周期。不利的一面是,您用于构建应用程序的组件可能不像内部代码那样经过严格的测试,因此可能会给应用程序带来隐患。另外,有些开发人员并不懂得分析代码,也不知道如何将 "打包" 代码放到应用程序中。至少我见过这样一种情况,一位开发人员通过 "打包" 代码为应用程序提供身份验证机制,同时又偷偷地通过电子邮件将凭证发送给第三方。

 


实施保护

        我已经向您介绍存在的常见威胁,现在我们看看如何进行自我保护。

        首先,我将阐述保护 Web 服务器的 6 点计划:

        1. 分开内部和外部 Web 服务器。这似乎是不言自明的,但仍然需要反复提醒。很多组织拥有对内和对外的 Web 应用程序和网站。在理想的情况下,这两组服务器和内容应该是分开的,内部和外部网站都有各自的服务器,并且它们之间的通信要尽可能少。通过以这种方式分开系统,就可以避免(至少降低了风险)攻击者进入服务器,然后访问数据或内部系统。
        2. 分开开发和生产服务器。我曾经碰见过好几家公司违背这个规则,它们允许开发团队使用生产服务器开发代码,或调试现有代码。这通常是极端懒惰的结果 - 一旦攻击者盯上您正在开发的代码,就会带来严重的后果。此外,开发人员在测试和调试代码时,可能会损害安全性。为自己做件好事:实现一个开发环境!
        3. 定期审计。任何优良的 Web 服务器或 Web 应用程序都能够生成关于系统活动的日志。有了这些记录之后,您需要经常查看它以发现问题,比如应用程序失败或可疑的活动。记住,审计日志好比从犯罪现场收集的证据:在需要它的时候才知道它是如此重要!
        4. 及时更新系统。我真的需要这么做吗?当然!我们经常忽视更新系统,但这是错误的。通常,您要关注一下是否发行补丁、服务包和更新等有助于系统安全的东西。您可以自动收到这些更新,或手动下载它们,这取决于您的主机系统以及其他因素。此外,您要记住,有些问题必须通过更新才能修复,比如缓冲溢出和网络客户端等问题。
        5. 漏洞扫描。在前一篇文章中(见 参考资料),我讨论了如何使用漏洞扫描作为工具,以查找宿主和应用程序基础设施中存在的问题。漏洞扫描是发现与软件相关的问题的强大工具,比如配置和补丁问题。漏洞扫描工具的另一个优点就是它们会经常更新,因此您可以使用它们发现新问题,通常还能发现您未意识到的问题,从而允许您在系统被侵入之前修复它们。 Nessus 是免费的漏洞扫描工具(见 参考资料),不管您使用的是 Linux®、UNIX® 或其他平台,它都是一个好帮手。
        6. 开发人员培训。这实施起来可能要困难一些,但一旦完成,将会带来巨大的收益。对开发人员进行安全代码实践方面的培训能够消除或减少不良代码引起的问题。


其他细节

        除了这 6 点计划之外,还有很多其他方法可以增强组织的系统安全。接下来,我们看看一些引起问题的原因,以及如何解决问题。

错误配置

        随着硬件和软件日益变得复杂,以及 IT 团队的人员越来越少,检测能力可能会下降。幸运的是,使用漏洞扫描器、自动扫描器,以及借助简单的培训和勤奋能够减少错误配置问题。

标题(Banner)信息

        如果您了解标题信息,并知道从哪里找到它,那么您将能获得许多信息。标题信息能够反映可能有助于攻击者的版本信息。

        例如,当您向 Web 服务器发出获取一个静态内容的请求(比如很基础的 .html 或 .htm 文件)时,返回的响应将附带有内容位置头部。在一些服务器的默认配置中,这个内容头部将引用一个 IP 地址,或者可能提供也可能不提供完全限定域名(FQDN)。在最坏的场景中,这个头部能够反映内部 IP 地址信息以及其他数据。下面看看清单 1 中的头部。

清单 1. 示例内容位置头部


HTTP/1.1 200 OK
Server: <web server name and version>
Content-Location: http://w.x.y.z/index.htm
Date: Thu, 1 Jan 2009 14:03:52 GMT
Content-Type: text/html
Accept-Ranges: bytes
Last-Modified: Wed, 31 Dec 2008 18:56:06 GMT
ETag: "067d136a639be1:15b6"
Content-Length: 4325


        这个头部提供许多关于您的服务器的信息,但不用担心:Web 服务器能够根据特定组织的要求修改或简化这些信息。(查看您的 Web 服务器文档了解更多信息)。

权限

        权限在某些场合下仍然是一个问题。它们的分配和计划通常不正确或不恰当,从而让个人得以访问不应该访问的服务器位置或应用程序。要经常进行检查,确保您的服务器管理员仅拥有合适的权限:这也被称为最小特权。

错误消息

        我们经常收到可怕的 404 消息,它表明无法找到我们所查找的信息,或者这个信息已经被攻击者利用。如果您仔细看,就会发现它提供了更多的信息。对攻击者而言,Web 服务器或应用程序产生的错误消息能够反映它们的配置信息、所使用的库和数据库连接字符串等等。幸运的是,您可以改变它。您应该在开发和测试应用程序时充分利用所有错误消息,通过它们查找问题。但一旦将应用程序或服务器部署到生产环境之后,您应该禁用错误消息,或配置为仅显示常见信息。(查看您的 Web 服务器文档了解更多信息)。

服务

        在构建用于驻留 Web 服务器或应用程序的系统时,您应该仔细规划好需要哪些特性和功能,然后根据这个目标构建服务器。一般而言,当您了解服务器的用途之后,您就以此为依据启用所需的服务和特性,并且删除所有不需要的东西。记住,启用和保留所有服务和应用程序将让攻击者有机可乘。

协议

        与对待服务一样,您应该禁用或删除任何用不到的协议(比如 NetBIOS)。

用户帐户

        在安装操作系统时,操作系统和应用程序常常设置了默认的用户帐户。为了安全起见,您应该关注帐户。您应该查看现有的用户帐户,禁用或删除不需要的帐户。对于需要使用的帐户,应该加强或更改帐户密码。

示例和测试文件

        某些 Web 服务器或应用程序还附带有示例和测试文件,以展示产品的用途。在安全的环境中,应该从所有生产 Web 服务器和应用程序中删除这些文件,因为攻击者能够利用它进行非法访问。

端口

        查看应用程序和 Web 服务器需要使用的端口,并启用和监控它们。事实上,您应该关闭不使用的端口,并在防火墙中阻止它。

 


其他保护措施

        为了让宿主环境更加安全,您可能需要用到以下措施:

        * 入侵检测系统(基于主机和网络)。这些系统可以是硬件或软件设备,它们能够监控跨越网络对服务器的访问、来自服务器的访问以及服务器自身的活动。
        * 杀毒软件。您应该在 Web 服务器上安装杀毒软件。
        * 防火墙。有许多可用的防火墙:选择最符合您的需求的防火墙,并将其部署到 Web 服务器。
        * 学会判断。我添加了这个 "措施"。在过去十年中,Internet 进入我们的日常生活(私人和商业世界),那时的思想是从 Internet 获取您所需的东西。由于我们希望通过 Internet 吸引眼球从而超越竞争对手,因此过多的信息被发布到 Internet 上。记住,并不是任何东西都必须出现在 Internet 上。此外还要记住,内容一旦发布到 Internet 上,要收回就非常困难了。您可能不相信,那么请访问 www.archive.org,看看最近 10 年来您以及您的竞争对手的 Web 站点到底发布了多少内容。


结束语

保护 Web 服务器和驻留在其上的应用程序是一项艰巨的任务,但这项任务并非不可完成。通过一些研究和适当的努力(可能需要偶尔喝杯浓咖啡熬熬夜),您就能够获得更加安全的宿主环境,并避免以后可能发生的麻烦事。

 

转自【http://www.ibm.com/developerworks/cn/web/wa-secureweb/?ca=drs-tp4608】



<script src="http://www.google.com/reader/ui/publisher.js" type="text/javas<script src="http://www.google.com/reader/public/javascript/user/00697638153916680411/state/com.google/broadcast?n=5&amp;callback=grc_p(%7bc%3a%22green%22%2ct%3a%22%5cu8fd9%5cu4e9b%5cu6587%5cu7ae0%5cu4e5f%5cu503c%5cu5f97%5cu4e00%5cu770b%22%2cs%3a%22false%22%7d)%3bnew%20grc" type="text/javascript"></script>B%5Cu6587%5Cu7AE0%5Cu4E5F%5Cu503C%5Cu5F97%5Cu4E00%5Cu770B%22%2Cs%3A%22false%22%7D)%3Bnew%20GRC" type="text/javascript">

MT6771 Android13 背光曲线调试与光感数据校准实战 本文详细介绍了MT6771平台在Android 13系统上进行背光曲线调试与光感数据校准的实战经验。针对高亮度环境下背光误调节问题,深入分析了光感数据上报机制,并提供了驱动层配置修改、背光曲线优化及常见问题解决方案,帮助开发者快速定位并解决类似问题。 阅读详情

相关推荐

【TestCenter】RFC2544时延测试

本文介绍了使用Spirent TestCenter测试路由器PPPOE时延的RFC2544标准方法。RFC2544定义了三种时延类型:转发时延(LILO)、存储转发时延(LIFO)和直通时延(FIFO)。文章详细说明了测试步骤,包括测试拓扑搭建、PPPOE环境配置、RFC2544测试任务创建等关键环节,并介绍了如何设置时延参数和查看测试报告。测试结果表明,大字节帧的时延高于小字节帧,且负载越高时延越大。该测试方法遵循国际标准,可全面评估网络设备在不同负载下的性能表现。

lai_2020的博客 1406

是否为Web应用的Web服务端点进行了最小化暴露?

综上所述,通过合理地制定和执行一系列防火使用自动化管理工具多品牌异构防火墙统一管理多品牌、多型号防火墙统一管理;确保所有设备按同一标准配置,提升安全性;集中管理简化部署,减少重复操作;统一流程减少配置差异和人为疏漏;快速定位问题,提升响应速度;集中管理减少人力和时间投入,优化成本。策略开通自动化减少手动操作,加速策略部署;自动选择防火墙避免疏漏或配置错误;自动适应网络变化或安全需求;减少过度配置,避免浪费资源;集中管理,简化故障排查流程。攻击IP一键封禁。

ZOMO的博客 805

机器学习中正则化项L1和L2的直观理解

正则化(Regularization) 机器学习中几乎都可以看到损失函数后面会添加一个额外项,常用的额外项一般有两种,一般英文称作ℓ1ℓ1\ell_1-norm和ℓ2ℓ2\ell_2-norm,中文称作L1正则化和L2正则化,或者L1范数和L2范数。 L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓『惩罚』是指对损失函数中的某些参数做一些限制。对于线性回归模型,使用L1正则化的模型建叫做...

小平子的专栏 43万+

Nginx

作为一名初学者,需要知道Nginx(“engine x”)是一个名叫伊戈尔·赛索耶夫的俄罗斯人搞出来的,是,事实上nginx的并发能力确实在同类型的网页服务器中表现较好。Nginx是专为性能优化而开发的,因此性能是其最重要的考量标准,在实现上非常注重效率,能经受高负载的考验,有报告表明,要是你搞的网站活跃用户是这个数量级,那么用Nginx绝对是很香的。

m0_50756791的博客 1640

医疗领域BGE-M3模型微调全流程:从数据准备到效果评估

本文详细介绍了医疗领域BGE-M3模型的微调全流程,从数据准备到效果评估。通过医疗数据微调,BGE-M3模型在临床问答、病历检索等场景中表现显著提升,能够准确理解医学术语之间的细微差别。文章还提供了实战练习代码和效果评估指标,帮助开发者快速掌握医疗文本嵌入模型的应用技巧。

weixin_29098367的博客 283

Zabbix监控联想服务器XCC的SNMPv3配置实战

本文详细介绍了如何通过SNMPv3协议配置Zabbix监控联想服务器XCC的实战方法。文章从安全角度阐述了选择SNMPv3的必要性,并分步讲解了在XCC中启用SNMPv3、创建认证用户,以及在Zabbix中导入专用模板、创建主机并关联模板的完整流程,帮助运维人员实现对服务器硬件健康状态的自动化、安全监控。

weixin_29210727的博客 471

《网络攻防实践》第三周作业

教材内容学习 网络信息收集 网络信息收集的方法 网络踩点(footprinting) Web搜索与挖掘。充分利用Web搜索的强大能力,如我们常说的google hacking。 DNS和IP查询。通过公开的互联网基础信息服务,找出目标组织域名、IP以及地理位置之间的映射关系,以及详细的注册信息(whois查询),同时可利用DNS服务获取到组织内部系统情况。 网络拓扑侦查。确定目标网络的拓扑结...

weixin_34075551的博客 981

VOWIFI--相关的协议文档

一、3GPP相关协议文档 3GPP 23.402 Architecture enhancements for non-3GPP accesse- //重要 整体框架结构和流程,3GPP和NON-3GPP切换 3GPP 36.304  User Equipment (UE) procedures in idle mode //重要,终端在空闲状态下3GPP与NON-3GPP之间的重选方法   3GP

时九博客 3582

运营商互联网业务暴露面安全

对于一个士兵来说,最大的梦想就是能上战场真刀实枪的干上一战,同样对于一名安全人员来说,自己设计、建设的经过层层防护的系统,如果没有经历过一次攻击,不免有点索然无味。在众多的甲方当中,运营商互联网业务暴露面每周都会受到来自集团的考核,考核一般通过远程渗透的方式进行,发现漏洞后,通报扣分,省公司会采取很多措施保证不会被发现漏洞,在运营商驻场的我们,每天都能感受到最直观的网络攻击防守之战。 本文主要介...

Macro2的博客 2629

不报辅导班一次性通过CISSP经验分享(附:备考教材、往年真题及个人学习笔记)

CISSP(Certified Information Systems Security Professional,注册信息系统安全专家)是一种国际认可的信息安全管理专业认证。CISSP认证由国际信息系统安全认证联盟(ISC)²提供,是全球范围内最受尊敬的信息安全专业认证之一。CISSP认证涵盖了信息安全的多个领域,包括安全和风险管理、资产安全、安全工程、通信与网络安全、身份和访问管理、安全评估与测试、安全运营。要获得CISSP认证,考生需要通过CISSP考试。

所有成功的背后,都是痛苦的坚持,所有的痛苦,都是傻瓜般的不放弃! 8137

基于浏览器插件的拼多多买家订单导出方法

基于浏览器插件的拼多多买家订单导出方法

2501_93542170的博客 1742

保护Web服务器的安全

这是网上的一篇文章,没有修改的。谢谢作者。本单元概要web 服务器位于宿主基础结构的前端。它与 Internet 直接相连,负责接收来自客户端的请求,创建动态 Web 页并响应请求数据。安全的 Web 服务器能够为宿主环境提供坚实的基础,它的配置在整个 Web 应用程序安全中起着关键的作用。但是,怎样才能使 Web 服务器安全呢?确定目标是保护 Web 服务器的安全所面临的挑战之一。只

holyrong的专栏 1905

【FPGA教程案例96】控制案例1——基于FPGA的自适应PID控制器verilog实现

首先,我们复习下课程传统的PID控制器,往往存在调整速度较慢,超调过大等缺点。为了解决这个问题,在实际的PID应用中,需要实时的调整PID的控制参数,以达到加快PID控制速度,降低超调等目标。目前,自适应PID控制器,一般有误差反馈调整,模糊控制器调整,神经网络调整。其中模糊控制器调整,神经网络调整较为复杂,在入门案例中不做介绍,在本课程中,我们将实现相对略微简单点的基于误差反馈调整的自适应PID控制器。

FPGA/MATLAB学习教程/源码/项目合作开发 6206

转载:保护 Web 服务器的安全

保护 Web 服务器的安全 公开并保护 Web 服务器 文档选项 未显示需要 JavaScript 的文档选项 打印本页 将此页作为电子邮件发送 英文原文 级别: 中级 Sean-Philip Oriyano, IT 讲师, 独立咨询顾问 2009 年 7 月 06 日 Web 服务器是组织的众多公开

MichaelHUO的专栏 630

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

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

保护IIS Web服务器安全的技巧

  首先,开发一套安全策略   保护Web服务器的第一步是确保网络管理员清楚安全策略中的每一项制度。如果公司高层没有把服务器的安全看作是必须被保护的资产,那么保护工作是完全没有意义的。这项工作需要长期的努力。如果预算不支持或者它不是长期IT战略的一部分,那么花费大量时间保护服务器安全的管理员将得不到管理层方面的重要支持。   网络管理员为各方面资源建立安全性的直接结果是什么呢?一些特别喜...

smddw的博客 393

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

保护web服务器的安全_保护Web服务器

存档日期:2019年5月14日 | 首次发布:2009年4月21日 Web服务器是组织的众多公共角色之一,因此很容易成为目标。 作为一种公共资源,Web服务器对于某些人来说就像是“鲨鱼饵”。 但这不必一定是:了解如何同时公开和安全地使用Web服务器。 此内容不再被更新或维护。 全文以PDF格式“按原样”提供。 随着技术的飞速发展,某些内容,步骤或插图可能已更改。 查看PDF文件 ...

cuyi7076的博客 301

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")

保护 Web 服务器安全性

使用 EventLog Analyzer,可以轻松监控 Web 服务器的性能,可用性和响应时间,用户活动,并更快地解决性能问题,此解决方案从 Web 服务器收集日志数据,并帮助发现隐藏的恶意威胁,借助解决方案的高级事件日志关联引擎,可以全面了解 Web 服务器。

ITmoster的博客 596

linux web服务器安全配置,使用SELinux的安全上下文保护Web服务器

使用SELinux的安全上下文保护Web服务器假设我们想要在Linux服务器上运行Apache Web服务器程序,由于这台服务器会运行一些关键应用,并暴露在互联网上,所以我们想确保这台Web服务器受到尽可能多的保护。如果你启动Web服务并尝试配置你的Web服务器允许执行某些CGI脚本,如hello.pl,那么如果不改变SELinux的配置,Linux系统日志和SELinux审计日志都会记录到错误。...

weixin_29657209的博客 498

10个步骤保护IIS Web服务器安全

骇客基地 阅读: 638 时间:2006-4-2 3:50:24 来源:www.hookbase.com

www.pingfi.com 976

10个保护IIS Web服务器安全的技巧

首先,开发一套安全策略 保护Web服务器的第一步是确保网络管理员清楚安全策略中的每一项制度。如果公司高层没有把服务器的安全看作是必须被保护的资产,那么保护工作是完全没有意义的。这项工作需要长期的努力。如果预算不支持或者它不是长期IT战略的一部分,那么花费大量时间保护服务器安全的管理员将得不到管理层方面的重要支持。 网络管理员为各方面资源建立安全性的直接结果是什么呢?一些特别喜欢冒险的用户将会被...

xamjj的博客 992

系统安全之小技巧保护(IIS)Web服务器

系统安全之小技巧保护(IIS)Web服务器[font="宋体,]通常地,大多数Web站点的设计目标都是:以最易接受的方式,为访问者提供即时的信息访问。在过去的几年中,越来越多的***、病毒和蠕虫带来的安全问题严重影响了网站的可访问性,尽管Apache服务器也常常是***者的目标,然而微软的Internet信息服务(IIS) Web服务器才是真正意义上的众矢之的。   高级教育...

weixin_34391445的博客 247

安全是一个系统问题包括服务器安全,信息安全技术题库:()是DoS/DDoS发生时针对Web服务器的保护。...

相关题目与解析当网络遭受DOS或DDOS攻击时,可能会导致?A.数据正常接收B.数据接收延迟C.访问Web资源较慢D.Pin一般情况下不易成为反弹式DDOS攻击的受害者的是()A.公网上Web服务器B.内网Web服务器C.DNS服务器Dweb安全是一个系统问题,包括服务器安全、web应用服务器安全、web应用程序安全、数据传输安全IP过滤是保护web服务器的最有效的方法之一。()在网络中信息安全十...

weixin_39622905的博客 712

web 服务器安全维护,怎样保护你的web服务器,安全机制你懂多少(一)

我们经常所说的web服务器攻击,但是却不知道该怎么使用安全机制来保护,所谓的web服务器攻击主要是指利用Web服务器软件和配置中的漏洞,那么我们来防御的话,主要是针对存在的漏洞再去搭建并且去运行web服务器,那么该怎么去保护你的web服务器呢?这是本文所要向大家进行讲解的,如果感兴趣的朋友们可以仔细的阅读一下,提升自己的系统运维知识!我们可以将Web安全分为两大类:第一:Web服务器的安全性(We...

weixin_29458017的博客 847
上一篇: Java清除标点符号的正则表达式
下一篇: 几个不错的国内代理聚合网站
系统信息
系统信息 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄23年 2404粉丝 565原创
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
 
 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