泷羽sec-安全见闻（1）

声明：学习视频来自b站up主 泷羽sec，如涉及侵权马上删除文章。

安全见闻是扩展知识面，网络安全技术领域知识很广泛，但也不要被表象迷惑，在学习之前，要理解要学习的是什么
视频地址： https://www.bilibili.com/video/BV1tSyAYGE5A

编程语言

C语言：面向过程，适用于系统软件和嵌入式开发。

• **C++**：在C基础上发展，支持面向对象编程，常用于游戏和高性能计算。
• Java：广泛使用的面向对象语言，跨平台，适合企业级应用。
• Python：简洁易学，拥有丰富库，适用于数据分析、AI和Web开发。
• JavaScript：主要用于前端开发，也可用于服务器端（Node.js）。
• **C#**：微软开发，主要用于Windows应用。
• Ruby：简洁、富有表现力，常用于Web开发。
• PHP：专注于Web开发，适合服务器端脚本。
• Go：高效、简洁，适用于网络编程和云计算。
• Swift：苹果开发，用于iOS和macOS应用。
• Kotlin：与Java互操作，主要用于Android开发。

函数式编程语言

• Haskell：纯函数式，强类型系统，严谨。
• Lisp：灵活性强的历史悠久语言家族。
• Clojure：Lisp方言，运行在Java虚拟机上，结合函数式编程和Java优势。

数据科学与机器学习

• R：广泛用于统计分析和数据可视化。
• Julia：专为高性能科学计算和数据分析设计。

全栈开发

• TypeScript：JavaScript超集，增加静态类型检查，提高大型项目开发效率。

移动开发

• Objective-C：曾为iOS主要语言，现在逐渐被Swift取代。

嵌入式系统开发

• 汇编语言：不同架构有不同的汇编语言，底层控制硬件。

其他

• Pascal：曾广泛用于教学和早期软件开发。

软件程序类型概述

1. Web程序：- 包括各种网站和在线应用，主要用于渗透测试。
2. 二进制程序：- 主要用于逆向分析，与渗透测试不同，通常需要更深的技术基础。
3. 驱动程序：- 由二进制程序编写，后缀通常为 .sys，用于操作系统的硬件交互。
4. 上位机程序：- 暂不深入讲解，后续会详细讨论。
5. 脚本程序：- 包括多种语言如 Lua、PHP、Java，广泛应用于自动化和快速开发。
6. 操作系统：- 大型软件系统，尽管技术含量高，但本质上也属于软件程序。
7. 裸板程序：- 不依赖于操作系统，通常用于嵌入式系统开发。
8. 机器学习程序：- 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程序。
9. 量子计算程序：- 特定于量子计算领域，尚处于发展阶段。
10. 工控程序：- 用于工业控制系统，涉及到硬件和软件的结合。
11. BIOS程序与本质理解：- BIOS程序：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术，重要的是理解其底层原理。例如，组合技术（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

这些类型的程序展示了软件的多样性和应用场景，理解它们的特点有助于在各个领域中更有效地进行开发和渗透测试。

操作系统：实时与非实时

1. 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，但在处理指令时不一定立即响应用户操作。
2. **实时操作系统 (RTOS)**： - 如 VxWorks 和 RT-Thread，能够在确定时间内响应外部事件，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，硬件设备的连接与交互依赖于网络。

计算机硬件组件

1. **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。
2. 内存： - 存储运行中的程序和数据，容量和速度影响计算机性能。
3. 硬盘： - 用于长期存储数据，包括操作系统和应用程序，容量和读写速度也会影响性能。
4. 显卡： - 处理图形和图像数据，其性能对图形处理能力至关重要，尤其在游戏和设计领域。
5. 主板： - 连接各个硬件组件，主板的质量影响计算机的稳定性和扩展性。

网络硬件设备

1. 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。
2. 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解决方案。
3. 网络打印机： - 通过网络共享，方便多台计算机打印。
4. 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，包含处理器、内存、存储和摄像头。
• 平板电脑：类似于智能手机，但屏幕更大，适合阅读和观看视频等。
• 可穿戴设备：如智能手表等，可以监测用户健康数据并连接智能手机等设备。

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断提高。
• 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

1. 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（如文件和打印机）。
2. 城域网（MAN）：覆盖一个城市范围内的网络，例如城市的宽带网络或有线电视网络。
3. 广域网（WAN）：覆盖范围极广，跨越国家甚至全球的区域，典型例子是互联网，它连接了世界各地的计算机和网络设备。

网络协议

1. TCP/IP协议：互联网的基础协议。 - TCP（传输控制协议）：确保数据可靠、有序地传输。- IP（网际协议）：负责数据的路由和地址解析。
2. HTTP协议：超文本传输协议，用于Web浏览器和服务器之间传输网页、图片等超文本数据。
3. FTP协议：文件传输协议，用于计算机之间安全传输文件。
4. SMTP、POP3和IMAP协议：用于电子邮件的发送与接收。SMTP负责发送，POP3和IMAP负责接收。

网络设备

1. 路由器：用于连接不同的网络并转发数据，依据IP地址和路由表确定数据的传输路径。
2. 交换机：局域网内的多台计算机通过交换机进行数据交换，依据MAC地址转发数据帧。
3. 网卡：计算机连接网络的硬件设备，将计算机数据转换为网络信号进行传输。
4. 无线接入点（AP）：为无线设备提供网络接入，使其能够连接到局域网或广域网。

网络安全

1. 防火墙：保护网络免受外部攻击，依据规则过滤进出网络的流量。
2. 加密技术：对数据进行加密，常用的SSL/TLS协议用于确保Web浏览器和服务器之间的通信安全。
3. 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

1. TCP（传输控制协议）：用于可靠的、面向连接的数据传输，确保数据到达目的地。
2. 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）。
3. IP（网际协议）：用于网络间的路由和数据传输地址解析，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现代网络通信的基础。了解这些概念有助于理解网络运作原理，并为进一步学习网络安全和协议栈奠定基础。

机器学习工作流程

1. 数据收集- 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）。
2. 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：将数据缩放至统一范围，常见方法包括最小-最大归一化和Z-score标准化。- 特征提取：从数据中提取有用特征，如图像识别中提取颜色、纹理、形状等。
3. 模型选择与训练- 根据任务类型选择算法：分类问题可以使用决策树、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：将数据分为训练集和测试集。- 使用训练集训练模型，调整参数最小化损失函数。
4. 模型评估与优化- 评估指标：常用指标包括准确率、精确率、召回率、F1值、均方误差等。- 根据结果调整模型参数、选择不同算法或增加数据量来优化模型。
5. 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结果，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。一个神经元接收多个输入信号，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（修正线性单元）、sigmoid和tanh。它们引入非线性，增强了神经网络处理复杂问题的能力。

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：接收原始数据，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征提取，每一层逐步提取高阶特征。例如，图像识别中，低层提取边缘特征，高层提取更复杂的形状和结构。- 输出层：生成最终的预测结果。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，提取的特征越复杂。深度学习的能力主要源于其处理复杂模式、特征提取的多层次特性。

总结：深度学习通过多层神经网络逐步提取数据的特征，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。