ToB企服应用市场:ToB评测及商务社交产业平台
标题:
红队-安全见闻(1)
[打印本页]
作者:
立聪堂德州十三局店
时间:
2024-12-1 09:30
标题:
红队-安全见闻(1)
声明
通过学习 泷羽sec的个人空间-泷羽sec个人主页-哔哩哔哩视频,做出的文章如涉及侵权马上删除文章
笔记的只是方便各位师傅学习知识,以下网站只涉及学习内容,其他的都与本人无关,切莫逾越法律红线,否则后果自负
编程语言:
c语言:面向过程的编程语言,应用于软件开辟和嵌入式开辟
c++:在c的基础上发展过来的,支持面向对象编程,用于游戏开辟高性能计算等领域
java:面向对象编程语言,具有跨平台性,应用于企业级应用开辟
python:简单易学,,拥有丰富的库,适用于数据分析,人工智能,web开辟(可以开辟工具给自己使用)
javascript:用于网页的前端开辟,也可以用于服务器端开辟(Node.js)
C#:由微软开辟,主要用于windows平台的应用开辟
Ruby:一种简洁而富有表现力的编程语言,常用于web开辟
PHP:主要用于web开辟,尤其得当服务器端脚本编程
Go:高效简洁的编程语言,适用于网络编程和云计算等领域
Swift:苹果开辟的编程语言,用于iOS和macOS应用开辟
Kotlin:可以与Java互操作,主要用于Android开辟
函数式编程语言:
Haskell:纯函数式编程语言,有强大的类型系统和数学的严谨性
Lisp(包括Common Lisp、Scheme等):历史悠久的编程语言家属,以高度的机动性和宏系统著称
Clojure:运行在Java虚拟机的Lisp方言,结合了java平台的上风和函数式编程
数据科学和呆板学习领域:
R:在统计分析和数据可视化方面应用广泛
Julia:计划用于高性能科学计算和数据分析
web全栈开辟:
TypeScript:Javascript的超级,增长了静态类型查抄等特性,提高了大型项目的开辟效率
移动开辟:
Objective-C:曾经是iOS开辟的主要语言,但是被Swift取代
嵌入式开辟:
Assembly Language(汇编语言):不同的处理器架构有不同的汇编语言,用于对硬件进行底层控制
其他:
Pascal:曾经在数学和早期软件开辟里有广泛运用
Delphi(基于Object Pascal):用于快速应用开辟
Scala:融合了面向对象编程和函数式编程,运行在Java虚拟机上
Elixir:基于Erlang虚拟机,具有高并发和容错性,得当构建分布式系统
软件步伐类型概述:
Web步伐
:
包括各种网站和在线应用,主要用于渗透测试。
二进制步伐
:
主要用于逆向分析,与渗透测试不同,通常需要更深的技能基础。
驱动步伐
:
由二进制步伐编写,后缀通常为 .sys,用于操作系统的硬件交互。
上位机步伐
:
暂不深入讲解,后续会详细讨论。
脚本步伐
:
包括多种语言如 Lua、PHP、Java,广泛应用于主动化和快速开辟。
操作系统
:
大型软件系统,尽管技能含量高,但本质上也属于软件步伐。
裸板步伐
:
不依靠于操作系统,通常用于嵌入式系统开辟。
呆板学习步伐
:
一般用 Python 编写,也可使用 Go 等语言,最终都是实现特定功能的步伐。
量子计算步伐
:
特定于量子计算领域,尚处于发展阶段。
工控步伐
:
用于工业控制系统,涉及到硬件和软件的结合。
BIOS步伐与本质明确
:
BIOS步伐
:是低级代码,负责硬件初始化和操作系统启动。其本质是代码,不应被复杂的术语所迷惑。
认清本质
:无论别人如何夸大技能,重要的是明确其底层原理。例如,组合技能(如二进制与 Web 的结合)只需掌握其基础即可。
操作系统类型
操作系统列表
iOS
macOS
Linux
Android
Windows
Windows CE (Wince)
VxWorks
RT-Thread
这些类型的步伐展示了软件的多样性和应用场景,明确它们的特点有助于在各个领域中更有效地进行开辟和渗透测试。
操作系统:实时与非实时
非实时操作系统
:
包括 Windows、macOS、iOS 和 Linux。主要关注性能和用户体验,但在处理指令时不肯定立即相应用户操作。
实时操作系统 (RTOS)
:
如 VxWorks 和 RT-Thread,可以或许在确定时间内相应外部事件,适用于时间要求严格的嵌入式系统和工业控制。
网络通讯
在任何系统中,网络通讯都是至关重要的,硬件设备的毗连与交互依靠于网络。
计算机硬件组件
中央处理器 (CPU)
:
计算机的核心,负责执行指令和处理数据,其性能直接影响计算速度。
内存
:
存储运行中的步伐和数据,容量和速度影响计算机性能。
硬盘
:
用于恒久存储数据,包括操作系统和应用步伐,容量和读写速度也会影响性能。
显卡
:
处理图形和图像数据,其性能对图形处理本领至关重要,尤其在游戏和计划领域。
主板
:
毗连各个硬件组件,主板的质量影响计算机的稳定性和扩展性。
网络硬件设备
网络服务器
:
提供网络服务,如文件存储和Web服务,通常具有较高性能。
网络存储设备
:
包括 NAS 和 SAN,提供高容量、高可靠性的数据存储办理方案。
网络打印机
:
通过网络共享,方便多台计算机打印。
网络摄像头
:
用于视频监控和远程会议,可将视频信号通过网络传输。
移动设备硬件
智能手机
:集成多种功能,包罗处理器、内存、存储和摄像头。
平板电脑
:类似于智能手机,但屏幕更大,得当阅读和观看视频等。
可穿着设备
:如智能手表等,可以监测用户康健数据并毗连智能手机等设备。
硬件发展趋势
小型化
:硬件设备趋向体积越来越小,便于携带。
高性能
:处理器、内存、存储的性能和容量不停提高。
智能化
:硬件设备更加智能,可以适应不同用户习惯。
互联互通
:设备之间的联网与互联越来越密切,形成物联网。
网络类型
局域网(LAN)
:覆盖范围较小,通常用于办公室、学校或家庭等局部区域,用于共享资源(办公室的网络就是一个局域网)
城域网(MAN)
:覆盖一个城市范围内的网络,例如城市的有线电视网络,宽带网络
广域网(WAN)
:覆盖范围极广,跨越国家乃至全球的区域(
互联网就是一个例子
)它毗连了天下各地的计算机和网络设备。
网络协议
TCP/IP协议
:互联网的基础协议。
TCP(传输控制协议)
:负责数据的可靠传输
IP(网际协议)
:负责数据的路由和所在解析。
HTTP协议
:超文本传输协议,用于Web欣赏器和服务器之间传输网页、图片等超文本数据。
FTP协议
(端口协议):文件传输协议,用于计算机之间安全传输文件。
SMTP、POP3和IMAP协议
(全都是端口协议):用于电子邮件的发送与吸收。SMTP负责发送,POP3和IMAP负责吸收。
网络设备
路由器
:用于毗连不同的网络并转发数据,依据IP所在和路由表确定命据的传输路径。
互换机
:局域网内的多台计算机通过互换机进行数据互换,依据MAC所在转发数据帧。
网卡
:计算机毗连网络的硬件设备,将计算机数据转换为网络信号进行传输。
无线接入点(AP)
:为无线设备提供网络接入,使其可以或许毗连到局域网或广域网。
网络安全
防火墙
:保护网络免受外部攻击,依据规则过滤收支网络的流量(分为硬件防火墙和软件防火墙)
加密技能
:对数据进行加密,例如SSL/TLS协议用于确保Web欣赏器和服务器之间的通信安全
身份认证
:通过验证用户身份来确保只有授权用户能访问网络资源,常用的方法包括用户名和密码、数字证书以及生物识别等
通讯协议
TCP(传输控制协议)
:用于可靠的、面向毗连的数据传输,确保数据到达目的地。
UDP(用户数据报协议)
:用于快速、不可靠的通信,不提供数据重传机制,适用于实时应用(如视频流、在线游戏等)。
IP(网际协议)
:用于网络间的路由和数据传输所在解析,是互联网数据传输的基础协议。
总结:这些网络类型、协议和设备共同构成了当代网络通信的基础。了解这些概念有助于明确网络运作原理,并为进一步学习网络安全和协议栈奠定基础。
呆板学习工作流程
数据网络
来源
:数据可以来自数据库、文件、传感器、网络等多种渠道。
类型
:包括结构化数据(如表格数据)、半结构化数据(如XML、JSON)和非结构化数据(如文本、图像、音频等)。
数据预处理
数据清洗
:去除噪声数据、处理缺失值、纠正错误数据。常用方法如均值填充、中位数填充等。
数据归一化
:将数据缩放至同一范围,常见方法包括最小-最大归一化和Z-score标准化。
特性提取
:从数据中提取有效特性,如图像识别中提取颜色、纹理、外形等。
模型选择与练习
根据任务类型选择算法:分类问题可以使用决议树、支持向量机等;回归问题可以使用线性回归、随机森林等。
数据分割
:将数据分为练习集和测试集。
使用练习集练习模型,调整参数最小化损失函数。
模型评估与优化
评估指标
:常用指标包括准确率、准确率、召回率、F1值、均方误差等。
根据效果调整模型参数、选择不同算法或增长数据量来优化模型。
模型应用
将优化后的模型应用于实际问题,执行预测、分类、聚类等任务。
持续监控和评估应用效果,优化模型以提高性能。
深度学习的基本原理
1. 神经网络基础
神经元模型
: 深度学习的核心是
人工神经网络
,其灵感来源于生物神经元。一个神经元吸收多个输入信号,每个输入对应一个权重,通过
加权求和
后,输入激活函数得到输出。
激活函数
: 激活函数决定了神经元的输出值常见激活函数包括
ReLU
(修正线性单位)、
sigmoid
和
tanh
。它们引入非线性,增强了神经网络处理复杂问题的本领。
2. 多层神经网络
层次结构
: 深度学习中的神经网络通常包括:
输入层
:吸收原始数据,如图像的像素值、文本的词向量等。
隐藏层
:多层隐藏层对输入数据进行特性提取,每一层渐渐提取高阶特性。例如,图像识别中,低层提取边沿特性,高层提取更复杂的外形和结构。
输出层
:天生最终的预测效果。例如,图像分类任务中,输出层可能是图像的类别标签。
深度网络
: 深度神经网络有多个隐藏层,
层数越多
,提取的特性越复杂。深度学习的本领主要源于其处理复杂模式、特性提取的
多层次特性
。
总结:深度学习通过
多层神经网络
渐渐提取数据的特性,并通过
激活函数
实现非线性映射,最终用于预测和分类等任务。
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。
欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)
Powered by Discuz! X3.4