永恒之蓝漏洞
永恒之蓝漏洞 SMB协议用于共享文件夹 添加用户test2(win下): 1net user test2 123456 /add 将用户加入管理员组: 1net localgroup administrators test2 /add 添加成功 创建一个文件夹用于共享 访问共享文件夹:Win+R，输入 \\ip-address\path 在虚拟机中尝试访问： 查看445端口占用情况： 1netstat -ano | grep 445 靶场中漏洞利用拓扑图 打开msfconsole 12msfconsole -q# -q表示不输出信息 不使用-q 使用-q 扫描永恒之蓝漏洞搜索永恒之蓝漏洞ms17-010 1search ms17-010 使用扫描工具 12use 3# 也可以打全称 设置远程主机的ip并执行 12set RHOSTS 192.168.2.169run 利用永恒之蓝漏洞利用永恒之蓝漏洞进行攻击，这里我们使用第0个工具 1use 0 注意这里defaulting...
从Seq2Seq模型到Transformer
Seq2Seq定义Seq2Seq是一个Encoder-Decoder结构的网络，它的输入是一个序列，输出也是一个序列， Encoder使用循环神经网络(RNN,GRU，LSTM等)，将一个可变长度的信号序列(输入句子)变为固定维度的向量编码表达， Decoder使用循环神经网络(RNN,GRU，LSTM等)，将这个固定长度的编码变成可变长度的目标信号序列(生成目标语言) 对不定长序列，我们通常会采取填充/截断策略以保证输入可靠 填充：通常使用0或者特殊标记<pad>作为填充符 策略： 固定长度填充+截断 统一填充到max_length,剩余截断 动态填充 对于每个batch，统一填充到batch中最长序列的长度 滑动窗口截断 对长文本使用滑动窗口截取多个片段 图中的圆角矩形即为cell：可以是RNN，GRU，LSTM等结构 相当于将RNN中的$h_0$输入Encoder (将Decoder部分理解成RNN，Encoder输出的Encoder state作为$h_0$) Seq2Seq模型通过 端到端(？)...
Transformer前传:Seq2Seq与注意力机制Attention
Seq2Seq定义Seq2Seq是一个Encoder-Decoder结构的网络，它的输入是一个序列，输出也是一个序列， Encoder使用循环神经网络(RNN,GRU，LSTM等)，将一个可变长度的信号序列(输入句子)变为固定维度的向量编码表达， Decoder使用循环神经网络(RNN,GRU，LSTM等)，将这个固定长度的编码变成可变长度的目标信号序列(生成目标语言) 图中的圆角矩形即为cell：可以是RNN，GRU，LSTM等结构 相当于将RNN中的$h_0$输入Encoder (将Decoder部分理解成RNN，Encoder输出的Encoder state作为$h_0$) Seq2Seq模型通过 端到端(？) 的训练方式，将输入序列和目标序列直接关联起来，避免了传统方法中繁琐的特征工程和手工设计的对齐步骤。这使得模型能够自动学习从输入到输出的映射关系，提高了序列转换任务的性能和效率 端到端(End-to-End Learning)如何理解这个端到端(End-to-End...
