Thinkphp 5.x RCE漏洞

0x0 概要

Thinkphp为MVC处理结构，通过对路由的解析，使用控制器调用函数。
由于对兼容模式的路由处理没有进行过滤等，可以调用命名空间下的任意函数，从而产生了RCE漏洞。

Read More

决策树

决策树的最优分支选择

分类树

1. 枚举所有可能的划分，每次计算一个代价值，取代价最低的分裂方法。
2. 设定一个阈值，若超过，则分裂。

回归树

1. 在一次分裂时，遍历所有划分方法（每次划分为两组，分别计算损失函数并相加），找出损失函数和最小的作为本次分裂；然后使用递归划分出所有可能。
2. 预测时，使用分组的组内平均数作为该组所有元素的预测值；损失函数可以用该组的各值与该组的平均数的残差平方和。

   Read More

数据预处理及训练结果评估

归一化(标准化)

1
2
3
4

#库名
from sklearn import preprocessing
#使用方法
X_scaled = preprocessing.scale(X)

Read More

2018年省赛AWD web writeup

• 一点寒暄 > 本次比赛还是有很多遗憾，AWD做的太少，再加上经验不足，导致结果不好看，下面开始填坑。

• 网站框架、版本分析
  在ThinkPHP路径下找到ThinkPHP.php文件，在其中找到版本号3.2.3，本版本存在缓存漏洞。
  找到之后，搜索出相同出处的网页： 阅读获得thinkphp缓存漏洞的提示。

  Read More

A simple cms writeup

做此题之前刚好做了一道原题，比赛的时候是做到最后一步的，但是出了差错没有出flag，很气。

• 首先，打开连接，发现是onethink1.0框架。搜索该框架的漏洞，果然发现了getshell利用过程，原理如下: > 该框架是对thinkphp框架的二次开发，会将注册后的用户名内容存入临时php文件中。
  我们使用一句话来作为用户名注册账户，在登录后就将其存入缓存文件，最后访问缓存文件即可完成getshell。

原理比较简单，但是具体利用过程有几个关键点: 1. 注册用户名由于特殊字符不能直接输入进输入框。 2. 存放一句话的临时文件名并不知道。

Read More

VIM使用初步

• 一般指令
  查看帮助: help xxx

• 修改文本指令:

  1 2 3 4 5 6 7 8 9

  A:到行首第一个非空字符并输入 I:到行尾最后一个非空字符并输入 c:删除光标所在（后跟其他范围指令表示删除该范围) d:剪切一行 x:剪切一个字符 dtx :删除所有的内容，直到遇到x号(delete to x) <ctrl + a>:当前数加1 <ctrl + x>:当前数减1 <ctrl + p\n>:p:向前补全;n:向后补全。

• 粘贴模式
  set paste

  Read More

matplotlib学习

使用matplotlib.pylab库画图

• matplotlib可以用来作为机器学习可视化的作图工具，在这里简单记录一下常用的一些画图方法。

  Read More

一、使用joblib保存结果

代码如下：

1
2
3
4
5
6
7
8
9

from sklearn.externals import joblib
#此处假设已训练好的模型为learnClassifier
#保存训练模型
joblib.dump(learnClassifier, 'learnClassifier.model')
#载入训练模型
learnClassifier = joblib.load('learnClassifier.model')

Read More

概要

• 逻辑回归即使用一个超平面将整个空间一分为二，并且在边界附近赋予连续（即不是非黑即白，而是可以有0-1之间的小数概率）的概率估计的二分类方法。

• 逻辑回归使用\(θX\)作为划分数据的边界。

• 逻辑回归使用

\[ g( Z) =\frac{1}{1+e^{Z}} \]

替代离散的分布函数，其中，g(Z)即概率统计中的分布函数，可根据极大似然估计得到使用已有样本点估计的近似值：从理论上来讲，此时的似然函数应该是最大的，可以用梯度上升法求之。

Read More

numpy数组常用处理函数

• numpy 数组是python机器学习常用的数据结构，在这里简单记下常见的使用方法和一些初学时遇到的问题
  

1. 注意事项
   

• 使用数组时不要犯低级错误，注意行数和列数，不要搞反了。
  
• np.array转化宽度不一致的数组时会出现未知错误，使用时要谨慎。
• numpy使用元组作为引用，容易和多维数组按层拆分搞混，多维数组不支持元组索引（numpy也支持按层拆分）如：a[1,2]和b[1][2]。
• 注意矩阵乘法转置。
  
• 注意numpy不是默认二维数组， 若矩阵为向量，则只有shape[0](即向量长度为shape[0]而不是它作为矩阵时的shape[1]): [1,2,3,4] 看作矩阵： shape:[1,4] 看作向量：shape:[4]
• 在维度不匹配的时候可以加上shape先判断。
• 矩阵第一个参数为行数，第二个为列数...申请空白2维矩阵:(0,2)
• 添加新行：
  np.append(red,[vx],axis=0)此处的vx必须升维到与大矩阵相同，axis表示添加一行
  或yellow=np.r_[yellow,[vx]]，道理同上

  Read More