声明
学习视频来自B站UP主 泷羽sec,如涉及侵泷羽sec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
这节课旨在扩大自己在网络安全方面的知识面，了解网络安全领域的见闻，了解学习哪些知识对于我们渗透测试有帮助，避免盲目地学习降低效率。
编程语言
Python:学习红队渗透首推学python,python简单易上手，可以方便写poc或者自制工具。
JavaScript:用于网页前端和服务器端（Node.js）开发,学习渗透这个也要学习。
PHP：用于web开发,有更进一步的精力这门语言也要学习，后期的白盒审计用到的会比较多。
C语言：一种通用的、面向过程的编程语言，广泛应用于系统软件和嵌入式开发。可以用于编程入门。
C++：在 C 语言基础上发展而来，支持面向对象编程，常用于游戏开发、高性能计算等领域，但比较复杂。
Java：一种广泛使用的面向对象编程语言，具有跨平台性，应用于企业级应用开发等。
C#：由微软开发，主要用于 Windows 平台上的应用开发。
Ruby：一种简洁而富有表现力的编程语言，常用于 Web 开发。
Go：一种高效、简洁的编程语言，适用于网络编程和云计算等领域。
Swift：苹果公司开发的编程语言，用于 iOS 和 macOS 应用开发。学习渗透不仅要学习web端的，还要学习app方向的知识，当web端找不到漏洞时可以通过app来进行测试。
Kotlin：可与 Java 互操作，主要用于 Android 开发。
函数式编程语言
Haskell：纯函数式编程语言，以强大的类型系统和数学上的严谨性著称。
Lisp（包括 Common Lisp、Scheme 等）：历史悠久的编程语言家族，以其高度的灵活性和宏系统闻名。
Clojure：运行在 Java 虚拟机上的 Lisp 方言，结合了函数式编程和 Java 平台的优势。
数据科学和机器学习领域
R：在统计分析和数据可视化方面应用广泛。
Julia：设计用于高性能科学计算和数据分析。
Web 全栈开发
TypeScript：是 JavaScript 的超集，增加了静态类型检查等特性，提高了大型项目的开发效率。
移动开发
Objective-C：曾经是 iOS 开发的主要语言，现在逐渐被 Swift 取代。
嵌入式系统开发
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。
其他语言
Pascal：曾经在教学和早期软件开发中有广泛应用。
Delphi（基于 Object Pascal）：用于快速应用开发。
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，适合构建分布式系统。
总结：人的精力有限，选择合适的语言才是最主要的
软件程序
Web程序：渗透本身具有局限性，学习渗透主要就是对Web网站的入侵，要是换了非Web程序载体就会无能为力，所以其他的软件程序我们也要有所了解。
二进制程序：主要用于逆向分析，渗透对这方面涉猎不深。
驱动程序：本质也是一种二进制程序，windows中的sys后缀的文件就属于驱动程序范围。
上位机：通常指的是在自动化控制系统中，用于监控和控制下位机（通常是嵌入式系统或者是PLC等）的计算机系统，暂时不用了解。
脚本程序：是一种使用特定描述性语言编写的可执行文件，通常以纯文本形式保存，例如lua,php,java等。
操作系统：本质属于技术含量很高的软件程序，可以当成一个很大的软件。
裸板程序：指在没有操作系统的情况下，直接在硬件层面上运行的程序，没有操作系统的概念也没有进程的概念。像搞web渗透二进制等都是基于操作系统去执行，离开操作系统就什么也做不了。
机器学习：一般用python或者go去编写，归根到底也是一种程序。
bios程序：由编程语言编写，是一组固化到计算机内主板上一个ROM芯片上的程序，它保存着计算机最重要的基本输入输出的程序、开机后自检程序和系统自启动程序。
量子计算：量子计算不仅包含0和1，还包含0和1同时存在的叠加态，这使得量子计算具有更大的计算空间和更高的并行度。只用了解就行。
工控程序：即工业控制程序，主要用于工业自动化和控制系统中，如PLC，SCADA等，只用了解就行。
总结：本质都是代码写的程序，只是换个名字显得高大上，该程序可能只是由其他几种程序结合出来的，只要学会那几种便可以掌握。
操作系统
.ios/ .mac/ .linux/ .android/ .Windows/ .wince/ .vxworks/ .RT-Thread
Windows、macOS、iOS 和、Linux这些常见的操作系统是非实时操作系统，vxworks，RT-Thread，wince这些是实时操作系统。实时操作系统的设计和实现目标是为了满足特定任务的时间约束，具有严格的时间确定性和可预测性，常用于对时间要求极为严格的嵌入式系统、工业控制等领域；非实时操作系统则更注重整体的功能和用户体验。例如在非实时操作系统中系统并不会立马执行我们的命令，它会先执行其他的后执行我们的命令。
网络通讯
无论什么都离不开网络通讯联网
硬件设备
计算机硬件：中央处理器，硬盘，显卡
网络硬件：网络服务器，网络存储设备，网络打印机（是个出其不意的渗透方向），网络摄像头（可用于进行ddos攻击）
移动设备硬件：智能手机，平板电脑，可穿戴设备
硬件发展趋势：小型化（体积越小性能越强），智能化（自适应用户需求），互联互通（即物联网）
网络协议
TCP/IP 协议：是互联网的基础协议，包括传输控制协议（TCP）和网际协议（IP）。TCP 负责数据的可靠传输，IP 负责数据的路由和寻址。
HTTP 协议：超文本传输协议，用于在 Web 浏览器和 Web 服务器之间传输超文本数据，如网页、图片、视频等。
FTP 协议：文件传输协议，用于在计算机之间传输文件。
SMTP、POP3 和 IMAP 协议：用于电子邮件的发送和接收。和FTP协议一样，都是端口协议，做namp流量扫描时端口对应的协议可能会存在漏洞，需重点关注。
网络设备
路由器：连接不同的网络，实现网络之间的数据转发。它根据 IP 地址和路由表来确定数据的传输路径。
交换机：在局域网中连接多台计算机，实现数据的快速交换。它根据 MAC 地址来转发数据帧。
网卡：安装在计算机上，用于连接网络。它将计算机的数据转换为网络信号进行传输，并接收网络信号转换为计算机可识别的数据。
无线接入点（AP）：提供无线网络连接，使无线设备能够接入局域网或广域网。
网络安全
防火墙（网络防护墙，应用防火墙waf等），加密技术（如SSL/TLS协议），身份认证（如白名单）
人工智能
机器学习（ python）
工作流程
数据收集
来源：可以从各种渠道获取数据，如数据库、文件、传感器、网络等。
类型：包括结构化数据（如表格数据）、半结构化数据（如 XML、JSON 格式的数据）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、纠正错误数据等。例如，对于包含缺失值的数据集，可以采用均值填充、中位数填充等方法进行处理。
数据归一化：将数据的特征值缩放到一个特定的范围内，以提高算法的性能和稳定性。常见的归一化方法有最小 - 最大归一化、Z-score 标准化等。
特征提取：从原始数据中提取出有用的特征，以便机器学习算法能够更好地处理和理解数据。例如，在图像识别中，可以提取图像的颜色、纹理、形状等特征。
模型选择与训练
根据任务类型和数据特点选择合适的机器学习算法。例如，对于分类问题可以选择决策树、支持向量机等算法；对于回归问题可以选择线性回归、随机森林等算法。将预处理后的数据分为训练集和测试集。训练集用于训练模型，测试集用于评估模型的性能。使用训练集对模型进行训练，通过调整模型的参数使得模型在训练集上的损失函数最小化。
模型评估与优化
使用测试集对训练好的模型进行评估，常用的评估指标有准确率、精确率、召回率、F1 值、均方误差等。根据评估结果对模型进行优化，可以调整模型的参数、更换算法、增加数据量等。例如，如果模型在测试集上的准确率较低，可以尝试增加训练数据的数量或调整模型的超参数。
模型应用
将优化后的模型应用到实际问题中，进行预测、分类、聚类等任务。
对模型的应用结果进行监控和评估，不断改进模型以提高性能。
深度学习
深度学习的基本原理主要包括以下几个方面：
神经网络基础
神经元模型
深度学习的基础是人工神经网络，其灵感来源于生物神经系统。神经网络中的基本单元是神经元，它接收多个输入信号，对这些信号进行加权求和，然后通过一个激活函数处理得到输出。
例如，典型的神经元接收来自其他神经元或输入层的数据，每个输入都有一个对应的权重。假设输入为，对应的权重为，则神经元的加权输入总和为，其中是偏置项。然后，通过激活函数得到神经元的输出。
多层神经网络
深度学习中的神经网络通常由多个层次组成，包括输入层、隐藏层和输出层。
输入层接收原始数据，隐藏层对数据进行多层次的特征提取和变换，输出层产生最终的预测结果。例如，在图像识别任务中，输入层接收图像的像素值，隐藏层逐步提取图像的边缘、纹理、形状等特征，最后输出层给出图像所属的类别。
版权归原作者 空前_ 所有， 如有侵权，请联系我们删除。