博客园 - bonelee
uuid:6cbd1ba2-f883-4c34-aed1-30dde64a3a3e;id=679329
2024-03-18T09:33:01Z
bonelee
https://www.cnblogs.com/bonelee/
feed.cnblogs.com
https://www.cnblogs.com/bonelee/p/18056014
大语言模型(LLM)安全性测试SecBench平台洞察分析 - bonelee
摘要 业界首个网络安全大模型评测平台SecBench正式发布(2024-1-19),主要解决开源大模型在网络安全应用中安全能力的评估难题,旨在为大模型在安全领域的落地应用选择基座模型提供参考,加速大模型落地进程。同时,通过建设安全大模型评测基准,为安全大模型研发提供公平、公正、客观、全面的评测能力,
2024-03-06T02:44:00Z
2024-03-06T02:44:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】摘要 业界首个网络安全大模型评测平台SecBench正式发布(2024-1-19),主要解决开源大模型在网络安全应用中安全能力的评估难题,旨在为大模型在安全领域的落地应用选择基座模型提供参考,加速大模型落地进程。同时,通过建设安全大模型评测基准,为安全大模型研发提供公平、公正、客观、全面的评测能力, <a href="https://www.cnblogs.com/bonelee/p/18056014" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/18024823
WMI脚本示例 - bonelee
WMI脚本是什么? WMI(Windows Management Instrumentation)脚本是一种基于Windows管理工具的脚本语言,用于访问和控制Windows操作系统中的管理信息。通过WMI脚本,管理员和开发人员可以获取关于系统状态、正在运行的进程、系统配置等信息,并可以执行各种管理
2024-02-21T03:28:00Z
2024-02-21T03:28:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】WMI脚本是什么? WMI(Windows Management Instrumentation)脚本是一种基于Windows管理工具的脚本语言,用于访问和控制Windows操作系统中的管理信息。通过WMI脚本,管理员和开发人员可以获取关于系统状态、正在运行的进程、系统配置等信息,并可以执行各种管理 <a href="https://www.cnblogs.com/bonelee/p/18024823" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/18020771
Gartner® Market Guide for Email Security——Gartner对邮件安全市场的洞察 - bonelee
https://www.gartner.com/doc/reprints?id=1-2DVHQRLR&ct=230531&st=sb 看最关键的,邮件安全厂商,三大类: A companion tool is also available that includes a larger set of
2024-02-19T03:48:00Z
2024-02-19T03:48:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】https://www.gartner.com/doc/reprints?id=1-2DVHQRLR&ct=230531&st=sb 看最关键的,邮件安全厂商,三大类: A companion tool is also available that includes a larger set of <a href="https://www.cnblogs.com/bonelee/p/18020771" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/18020741
RevBits Email Security - Endpoint Agent分析(EDR+API集成) - bonelee
https://revbits.com/pdf/RevBits_Email_Security_Product_Brief_Securing_Email_Inboxes.pdf 邮件安全检测场景? 根据文档内容,RevBits邮件安全提供以下邮件安全检测场景: 终端邮件安全代理软件直接部署在用户终端,
2024-02-19T03:34:00Z
2024-02-19T03:34:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】https://revbits.com/pdf/RevBits_Email_Security_Product_Brief_Securing_Email_Inboxes.pdf 邮件安全检测场景? 根据文档内容,RevBits邮件安全提供以下邮件安全检测场景: 终端邮件安全代理软件直接部署在用户终端, <a href="https://www.cnblogs.com/bonelee/p/18020741" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/18009489
windows栈回溯功能示例——漏洞利用检测 - bonelee
利用windows栈回溯如何进行漏洞利用检测? 利用Windows栈回溯进行漏洞利用检测是一个复杂的过程,它通常涉及监控可疑或危险函数的调用,并分析调用这些函数的上下文来判断是否存在潜在的漏洞利用尝试。这种方法需要深入理解漏洞利用技术、危险函数的正常与异常使用模式,以及堆栈回溯的技术细节。以下是一个
2024-02-06T03:52:00Z
2024-02-06T03:52:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】利用windows栈回溯如何进行漏洞利用检测? 利用Windows栈回溯进行漏洞利用检测是一个复杂的过程,它通常涉及监控可疑或危险函数的调用,并分析调用这些函数的上下文来判断是否存在潜在的漏洞利用尝试。这种方法需要深入理解漏洞利用技术、危险函数的正常与异常使用模式,以及堆栈回溯的技术细节。以下是一个 <a href="https://www.cnblogs.com/bonelee/p/18009489" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17959677
LRU cache实现,还是使用伪头部和伪尾部节点写代码更加简单 - bonelee
class Node: def __init__(self, key, val): self.key = key self.val = val self.prev = None self.next = None class LRUCache: def __init__(self, capacity)
2024-01-11T14:29:00Z
2024-01-11T14:29:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】class Node: def __init__(self, key, val): self.key = key self.val = val self.prev = None self.next = None class LRUCache: def __init__(self, capacity) <a href="https://www.cnblogs.com/bonelee/p/17959677" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17949676
一个C函数异常,没有进入函数就报FAULTADDR,根因定位发现是栈溢出 - bonelee
最近在写用C写算法的过程中,发现一个异常,非常有趣,现象如下: [2024-01-03 20:34:54] Exception info (no: 1 idx: 0) [2024-01-03 20:34:54] Exception Type: 11 [2024-01-03 20:34:54] Exc
2024-01-06T13:40:00Z
2024-01-06T13:40:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】最近在写用C写算法的过程中,发现一个异常,非常有趣,现象如下: [2024-01-03 20:34:54] Exception info (no: 1 idx: 0) [2024-01-03 20:34:54] Exception Type: 11 [2024-01-03 20:34:54] Exc <a href="https://www.cnblogs.com/bonelee/p/17949676" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17943601
Shellcode初探[1]: 什么是shellcode? 用chatGPT构造简易shellcode - bonelee
Shellcode初探[1]: 什么是shellcode? 用chatGPT构造简易shellcode from:https://blog.restkhz.com/post/glance-at-shellcode-1 前言 我可能又要开一个系列文, 希望这次不要太监了.最近正在重新自学一些比较二进制
2024-01-03T09:09:00Z
2024-01-03T09:09:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】Shellcode初探[1]: 什么是shellcode? 用chatGPT构造简易shellcode from:https://blog.restkhz.com/post/glance-at-shellcode-1 前言 我可能又要开一个系列文, 希望这次不要太监了.最近正在重新自学一些比较二进制 <a href="https://www.cnblogs.com/bonelee/p/17943601" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17878001.html
不含指针的结构体赋值实现,直接内存拷贝 - bonelee
#include <stdio.h> #include <stdlib.h> struct A { int c; char b[20]; char strs[10][10]; int k; }; int main() { // A a = {...}; // 帮我初始化 struct A a = {
2023-12-05T11:38:00Z
2023-12-05T11:38:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】#include <stdio.h> #include <stdlib.h> struct A { int c; char b[20]; char strs[10][10]; int k; }; int main() { // A a = {...}; // 帮我初始化 struct A a = { <a href="https://www.cnblogs.com/bonelee/p/17878001.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17824538.html
检索增强生成 (RAG)的原理——传统检索+LLM生成相结合 - bonelee
RAG是一种检索增强生成模型,由信息检索系统和seq2seq生成器组成。它的内部知识可以轻松地随时更改或补充,而无需浪费时间或算力重新训练整个模型。 举个例子,假设你正在写一篇关于猫的文章,但你不确定如何描述猫的行为。你可以使用RAG来检索与猫行为相关的文档,然后将这些文档作为上下文与原始输入拼接起
2023-11-10T09:04:00Z
2023-11-10T09:04:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】RAG是一种检索增强生成模型,由信息检索系统和seq2seq生成器组成。它的内部知识可以轻松地随时更改或补充,而无需浪费时间或算力重新训练整个模型。 举个例子,假设你正在写一篇关于猫的文章,但你不确定如何描述猫的行为。你可以使用RAG来检索与猫行为相关的文档,然后将这些文档作为上下文与原始输入拼接起 <a href="https://www.cnblogs.com/bonelee/p/17824538.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17804970.html
利用强化学习促进网络攻防——从业界文章看攻防建设思路和要点总结 - bonelee
以智能对抗智能,利用强化学习实现网络自主防御 随着攻防对抗更加激烈,以智能对抗智能是数字化时代下的安全趋势。 在《Reinforcement Learning for Autonomous Cyber Defense》中,专门探讨了如何利用强化学习,实现自主网络防御。作者提出网络防御强化学习的目的是
2023-11-02T03:06:00Z
2023-11-02T03:06:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】以智能对抗智能,利用强化学习实现网络自主防御 随着攻防对抗更加激烈,以智能对抗智能是数字化时代下的安全趋势。 在《Reinforcement Learning for Autonomous Cyber Defense》中,专门探讨了如何利用强化学习,实现自主网络防御。作者提出网络防御强化学习的目的是 <a href="https://www.cnblogs.com/bonelee/p/17804970.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17797484.html
使用IBM ART库生成交通信号牌的攻击样本 - bonelee
目标:生成对抗样本,扰动图像,让原本是“停”的信号牌识别为“禁止驶入”: 代码如下(注意,因为我找的cnn原始模型支持的是灰度图像,所以彩色的对抗样本还需要修改代码): import cv2, os import numpy as np import numpy as np import tenso
2023-10-30T03:55:00Z
2023-10-30T03:55:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】目标:生成对抗样本,扰动图像,让原本是“停”的信号牌识别为“禁止驶入”: 代码如下(注意,因为我找的cnn原始模型支持的是灰度图像,所以彩色的对抗样本还需要修改代码): import cv2, os import numpy as np import numpy as np import tenso <a href="https://www.cnblogs.com/bonelee/p/17797484.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17796813.html
使用IBM ART库生成对抗样本——生成将数字3预测为8的对抗样本 - bonelee
【FGSM生成对抗样本的原理和步骤】 快速梯度符号方法(Fast Gradient Sign Method,FGSM)是一种常用的生成对抗样本的方法。它的基本原理是利用模型的梯度信息来找到一个可以最大化模型误差的方向,然后沿着这个方向对输入数据进行微小的扰动,从而生成对抗样本。以下是FGSM生成对抗
2023-10-29T15:55:00Z
2023-10-29T15:55:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】【FGSM生成对抗样本的原理和步骤】 快速梯度符号方法(Fast Gradient Sign Method,FGSM)是一种常用的生成对抗样本的方法。它的基本原理是利用模型的梯度信息来找到一个可以最大化模型误差的方向,然后沿着这个方向对输入数据进行微小的扰动,从而生成对抗样本。以下是FGSM生成对抗 <a href="https://www.cnblogs.com/bonelee/p/17796813.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17784819.html
C99中的柔性数组和其内在本质 - bonelee
示例: #include <stdio.h> #include <stdlib.h> // 定义一个包含柔性数组的结构体 struct flex_array { int size; int data[0]; }; int main() { int i; int size = 10; // 动态分配内
2023-10-24T07:08:00Z
2023-10-24T07:08:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】示例: #include <stdio.h> #include <stdlib.h> // 定义一个包含柔性数组的结构体 struct flex_array { int size; int data[0]; }; int main() { int i; int size = 10; // 动态分配内 <a href="https://www.cnblogs.com/bonelee/p/17784819.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17737637.html
大模型强化学习——PPO项目实战 - bonelee
【PPO算法介绍】 PPO(Proximal Policy Optimization)是一种强化学习算法,它的目标是找到一个策略,使得根据这个策略采取行动可以获得最大的累积奖励。PPO的主要思想是在更新策略时,尽量让新策略不要偏离旧策略太远。这是通过在目标函数中添加一个额外的项来实现的,这个额外的项
2023-09-30T01:46:00Z
2023-09-30T01:46:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】【PPO算法介绍】 PPO(Proximal Policy Optimization)是一种强化学习算法,它的目标是找到一个策略,使得根据这个策略采取行动可以获得最大的累积奖励。PPO的主要思想是在更新策略时,尽量让新策略不要偏离旧策略太远。这是通过在目标函数中添加一个额外的项来实现的,这个额外的项 <a href="https://www.cnblogs.com/bonelee/p/17737637.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17736079.html
GLM大模型训练 - bonelee
ChatGPTBook/LLMFTProj Name Last commit message Last commit date parent directory .. ChatGLM-6B (Directory) update code 3 months ago data (Directory) u
2023-09-28T08:32:00Z
2023-09-28T08:32:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】ChatGPTBook/LLMFTProj Name Last commit message Last commit date parent directory .. ChatGLM-6B (Directory) update code 3 months ago data (Directory) u <a href="https://www.cnblogs.com/bonelee/p/17736079.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17733023.html
大模型中的提示学习——情感预测示例项目 - bonelee
【提示学习】 提示学习(Prompting)是一种自然语言处理(NLP)中的训练技术,它利用预训练的语言模型(如BERT、GPT等)来解决各种下游任务,如文本分类、命名实体识别、问答等。这种方法的关键思想是通过设计合适的提示(Prompt),将下游任务转化为一个填空任务,然后利用预训练的语言模型来预
2023-09-27T08:32:00Z
2023-09-27T08:32:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】【提示学习】 提示学习(Prompting)是一种自然语言处理(NLP)中的训练技术,它利用预训练的语言模型(如BERT、GPT等)来解决各种下游任务,如文本分类、命名实体识别、问答等。这种方法的关键思想是通过设计合适的提示(Prompt),将下游任务转化为一个填空任务,然后利用预训练的语言模型来预 <a href="https://www.cnblogs.com/bonelee/p/17733023.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17732317.html
大模型增量训练--基于transformer制作一个大模型聊天机器人 - bonelee
针对夸夸闲聊数据集,利用UniLM模型进行模型训练及测试,更深入地了解预训练语言模型的使用方法,完成一个生成式闲聊机器人任务。 项目主要结构如下: data 存放数据的文件夹 dirty_word.txt 敏感词数据 douban_kuakua_qa.txt 原始语料 【数据量:大概20M的样子】=
2023-09-27T03:32:00Z
2023-09-27T03:32:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】针对夸夸闲聊数据集,利用UniLM模型进行模型训练及测试,更深入地了解预训练语言模型的使用方法,完成一个生成式闲聊机器人任务。 项目主要结构如下: data 存放数据的文件夹 dirty_word.txt 敏感词数据 douban_kuakua_qa.txt 原始语料 【数据量:大概20M的样子】= <a href="https://www.cnblogs.com/bonelee/p/17732317.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17726496.html
金融领域预训练模型用于分类任务,大模型应用参考 - bonelee
在bert的基础上加了一个分类层: 代码实现: output = bert.model.output output = Lambda(lambda x: x[:, 0], name='CLS-token')(output) output = Dense( units=num_classes, act
2023-09-24T11:31:00Z
2023-09-24T11:31:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】在bert的基础上加了一个分类层: 代码实现: output = bert.model.output output = Lambda(lambda x: x[:, 0], name='CLS-token')(output) output = Dense( units=num_classes, act <a href="https://www.cnblogs.com/bonelee/p/17726496.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/bonelee/p/17724537.html
图像生成Diffusion技术和stable diffusion原理说明——Diffusion是加入图片模糊化的噪声再用GAN,Stable Diffusion是融入了CLIP - bonelee
在图像处理和计算机视觉领域,Diffusion技术也有广泛的应用。以下是一些具体的应用示例:1. 图像去噪:Diffusion技术可以用于图像去噪。原理是通过模拟扩散过程,平滑图像中的噪声,同时保留图像的主要特征。这种方法通常被称为非线性扩散滤波或各向异性扩散滤波。2. 图像分割:Diffusion
2023-09-23T08:05:00Z
2023-09-23T08:05:00Z
bonelee
https://www.cnblogs.com/bonelee/
【摘要】在图像处理和计算机视觉领域,Diffusion技术也有广泛的应用。以下是一些具体的应用示例:1. 图像去噪:Diffusion技术可以用于图像去噪。原理是通过模拟扩散过程,平滑图像中的噪声,同时保留图像的主要特征。这种方法通常被称为非线性扩散滤波或各向异性扩散滤波。2. 图像分割:Diffusion <a href="https://www.cnblogs.com/bonelee/p/17724537.html" target="_blank">阅读全文</a>