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
200+累计阅读
247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
根据HTTP标准，HTTP请求可以使用多种请求方法。
HTTP1.0定义了三种请求方法： GET, POST 和 HEAD方法。
HTTP1.1新增了五种请求方法：OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。
| 方法 | 介绍 |
|---|---|
| GTE | 请求指定的页面信息，并返回实体主体。 |
| POST | 向指定资源提交数据进行处理请求（例如提交表单或者上传文件）。数据被包含在请求体中。POST请求可能会导致新的资源的建立和/或已有资源的修改。 |
| HEAD | 类似于get请求，只不过返回的响应中没有具体的内容，用于获取报头 |
| PUT | 从客户端向服务器传送的数据取代指定的文档的内容。 |
| DELETE | 请求服务器删除指定的页面。 |
| CONNECT | HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器。 |
| TRACE | 回显服务器收到的请求，主要用于测试或诊断。 |
| OPTIONS | 允许客户端查看服务器的性能。 |
CTFHub题解-技能树-Web-Web前置技能-HTTP协议【请求方式、302跳转、cookie、基础认证、响应包源代码】
ctfhub技能树http
ctfhub技能书+历年真题学习笔记（详解）
Web Web前置技能 HTTP协议 请求方式 题目： HTTP Method is GET Use CTF**B Method, I will give you flag. Hint: If you got 「HTTP Method Not Allowed」 Error, you should request index.php. 意思就是你是get请求，你把这个请求换成CTFHUB就行 所以抓包直接一把梭 302跳转 题目： No Flag here! Give me Flag 点击发现没有跳转
双有源桥DC-DC变换器：原理、软开关与移相控制深度解析
隔离型DC-DC变换器是电力电子系统的核心部件，通过高频变压器实现电气隔离与电压匹配，保障系统安全与灵活适配。其工作原理基于功率半导体器件的开关动作，通过调制策略控制能量传输。该技术的核心价值在于实现高效、高功率密度的电能转换，并支持双向能量流动，这对于提升系统整体能效和运行灵活性至关重要。在新能源储能、电动汽车V2G及数据中心供电等场景中，双向能量流成为刚性需求，推动了如双有源桥等先进拓扑的应用。本文聚焦于双有源桥这一实现高效双向隔离变换的“明星”方案，深入剖析其利用移相控制实现软开关的机理。通过分析谐振
HTTP请求方法
HTTP请求方法 根据HTTP标准，HTTP请求可以使用多种请求方法。 HTTP1.0定义了三种请求方法： GET, POST 和 HEAD方法。 HTTP1.1新增了五种请求方法：OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。 序号 方法 描述 1 GET 请求指定的页面信息，并返回实体主体。 2 HEAD 类似于get请求，只不过...
Jetson-nano 编译实时内核并烧录
前言 之前一篇文章介绍了正常的烧录过程，使用的是默认内核，实际工作中需要对内核打补丁升级为实时内核，并对其重编译。 一、准备内容 官网大法好 官方内核下载链接 官方交叉编译器下载链接 官方文档 ubuntu主机一台 根据官网选择下载对应的文件， 1、L4TDriver Package （BSP） source jetson内核文件。 2、官方交叉编译器 因为我们不是在jetson上直接编译，而jetson是arm平台，所以要进行交叉编译。 二、使用步骤 1.解压 内核 tar -xjf public_s
车道线检测1.0（Python+Opencv基础版）
车道线检测是指在道路上自动检测和识别车道线的过程。车道线是道路上的标记，用于指示车辆行驶的方向和位置。 通过对车道线进行检测和识别，自动驾驶和智能驾驶系统可以实现车辆的自动导航、车道保持、车道偏离警告等功能。
curl 初步运用与安装（ctfhub)请求方法
题目很简单 HTTP Method is GET Use CTF**B Method, I will give you flag. Hint: If you got 「HTTP Method Not Allowed」 Error, you should request index.php. 已经很明确告诉你要用 CTFHUB这个方法来获取flag 不然用普通的http是不可以的。 我对curl的应用也很头痛，因为我的电脑没有自带curl but有些人就有，在cmd里使用。 这里是全网最最最简
Python OpenCV基于颜色通道分离法去除图片中的红色印章
最近一段时间的工作都是研究如何去除图片中的红色印章，在网上查找了大量的大佬写过的方法，发现大多数是采取颜色通道分离法来做，并且效果还不错。站在前人的肩膀上，我又做了些许调整，谈不上是改进，但是能应对更对的情况总还是好的，特此记录。 拿发票做例子，印章相较于其它部分最大的不同就是印章是红色的，而其它部分不是（这是一句废话）。 那么第一步当然就是将红色分离出来，这一步可以采用Python第三方库OpenCV里的 cv2.split()方法，该方法是把RGB图像的三个通道拆分开来，得...
CTF学习记录004-web请求方式替换拿flag
题目：这是在CTFHUB上的一道简单的WEB请求方式的题目。由页面展示的内容可知，需要用CTFHUB去替换GET。用Burp抓包，直接改GET我喜欢用 Repeater（重发器）修改，重发报文，直接看右侧的回应报文。HTTP协议请求有三部分构成，分别是：请求行，消息报文，请求正文请求行以一个方法符号开头，以空格分开，后面跟着请求的URI和协议的版本，格式如下：其中的Method，定义有8个方法。HTTP1.0定义了三种请求方法： GET, POST 和 HEAD方法。
KEPServerEX 6 之 EX 6.11.718.0 发布说明
KEPServerEX 6.11.718.0 发布说明
SST专题（2-5）MMC-SST 输入级的环流抑制
本文研究了模块化多电平换流器(MMC)的数学模型及其环流抑制控制方法。首先建立了MMC等效电路模型，推导了桥臂电流方程和虚拟电动势表达式，提出通过控制桥臂电压修正量来调节内部电流而不影响外部特性。针对MMC特有的二倍频负序环流问题，设计了基于负序旋转坐标变换的环流抑制控制器(CCSC)，将时变环流转换为直流量进行控制。通过比例-积分调节和电压前馈补偿，生成内部不平衡压降参考值，最终形成包含功率控制和环流抑制的整体控制结构。仿真结果表明该方法能有效抑制内部环流，同时保持系统稳定运行。
CTFHUB技能树HTTP协议
ctfhub技能树http协议，请求方式，302跳转，cookie，基础认证，响应包源代码
【DaVinci Configurator专题】-2-将CAN 2.0或CANFD Matrix的Arxml/DBC文件导入到CFG
共9页 目录 1 打开DaVinci Configurator，导入Arxml文件 2 解决导入Arxml文件后可能会出现的一些错误 3 验证CFG的配置 4 根据CFG的配置生成代码 5 结尾 <--返回「实战篇」博文-总目录--> <--返回「Autosar从入门到精通-实战篇」专栏主页--> 关键词： Open the Input Files Assistant Complete update process Update ECU configurati
CTFHUB-HTTP协议-请求方式
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 入坑第一题前言题目二、解答1.bp拦截包2.将请求发送至repeater，更改method再次send总结 前言 第一题试水 题目 HTTP Method is GET Use CTF**B Method, I will give you flag. Hint: If you got 「HTTP Method Not Allowed」 Error, you should request index.php. 二、解答 1.bp拦截包 代
[QMT量化交易小白入门]-十二、QMT回测龙头打首板和连板的策略
class a():passA = a() #创建空的类的实例 用来保存委托状态field_list定义了需要的市场数据字段，而类a用于保存交易状态。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
CTFHUB前置知识——http协议
CTFHUB前置知识——http协议
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
CTFHUB技能树——web篇——web前置技能——HTTP协议........
更改HTTP Method我是用的burp suite抓包更改，于是开始抓包，右键发送到repeater页面，此时你也可以猜测性的直接补充**为HU——》CTFHUB，如果你猜测不到那就ctrl+u查看源代码，但是源代码是小写字母，于是你拿小写CTFhuB试试，回显402，你在一个个的换成大写字母试试看，刚好CTFHUB回显flag。题目说的是响应包源代码，任何一道题看到源代码这个字儿，你就得看一下源代码，右键试试，没有查看源代码选项，（解法1：直接CTRL+U，，，解法2：挂bp，在。
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
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")
CTF初体验
在日常工作和生活中，全面、准确地把握题目信息至关重要，尤其在分析和解决复杂问题时。我们需要具备全局观念，全面收集题目中的所有信息，包括背景、已知条件和问题等，然后进行整合和梳理，找出关键信息和潜在规律。在网络安全领域的CTF竞赛中，提高技能的方法包括明确知识领域、形成宏观认识、精细处理细节和实践与总结。首先，明确题目涉及的知识领域有助于快速定位问题并确定解决方法。其次，对相关知识点形成宏观认识，了解知识点之间的关系和应用场景，有助于快速构建解决问题的知识体系。
WEB前置技能——HTTP协议
** 请求方式 ** HTTP Method is GET Use CTF**B Method, I will give you flag. Hint: If you got 「HTTP Method Not Allowed」 Error, you should request index.php. 打开之后第一个想的应该就是试试抓包 将开头的GET改成CTFHUB,GO一下，右边就出来flag；...
CTFHUB-技能树-Web前置技能-HTTP协议
ctfhub web技能树中HTTP协议的解题思路
CTF学习
CTF（一） 译文： HTTP方法是GET 使用CTF**B方法，我会给你标志。 提示：如果您得到HTTP方法不允许错误，则应该请求index.php。 题意比较明显，使用CTF**B的方式请求 一开始不知到CTF**B是什么请求，然后进行了百度，发现就是CTFHUB 然后使用burpsuite进行抓包，发送到repeatr吧get方式改为CTFHUB的请求方式，后点击send，就会返回含有flag的数据包 ...
CTFHUB-Http协议
一般这个模式下只设置一个爆破点，因为如果用户名和密码都不知道的情况下不会使用该模式去爆破。并且一般按照payload少的执行，如payload1设置10个，payload2设置9个，就执行9次。如果爆破点设置一个，payload设置10个，就执行10次；无论爆破点设置几个，payload1设置10个，payload2设置10个，就执行10次。同时爆破被§标志的爆破点，爆破点1指定payload1，爆破点2指定payload2。payload1设置10个，payload2设置9个，就执行10*10=90次。
CTFHUB技能树详解（最全、最细、最易懂）
最近闲的无聊，玩玩CTF吧，并把自己的解题思路分享给大家。大佬多指教。
CTFHub-Web-HTTP协议
CTFHub-Web-Web前置技能-HTTP协议 请求方式、302重定向、cookie、基础认证
CTFHUB--WEB--Web前置技能
WEB -HTTP协议 1.知识补充 （1）http 1.1 http协议请求由三部分组成，分别是：请求行、消息报头、请求正文。 请求行以一个方法符号开头，以空格分开，后面跟着请求的URI和协议的版本。 【Method】 【Request-URI】 【HTTP-Version】 【CRLF】 下面是一个实际的HTTP响应报文： HTTP的响应状态码由5段组成： 1xx 消息，一般是告诉客户端，请求已经收到了，正在处理，别急… 2xx 处理成功，一般表示：请求收悉、我明白你要的、请求已受理、已经处理完成等信
CTFHUB | HTTP协议
GET：请求获取指定的资源。HEAD：请求获取资源的响应头信息。POST：向指定资源提交数据进行处理请求（例如提交表单或上传文件）。数据包含在请求体中。POST请求可能会导致新的资源的建立和/或已有资源的修改。PUT：从客户端向服务器传送的数据取代指定的文档的内容。DELETE：请求服务器删除指定的页面。CONNECT：用于代理服务器，与服务器建立隧道。OPTIONS：允许客户端查看服务器的性能。TRACE：回显服务器收到的请求，主要用于测试或诊断。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2527
扫一扫
