常见的Wireshark使用技巧你学废了吗?

散手第一式:数据包过滤

a.过滤需要的IP地址 ip.addr==

b.在数据包过滤的基础上过滤协议ip.addr==xxx.xxx.xxx.xxx and tcp

c.过滤端口ip.addr==xxx.xxx.xxx.xxx and http and tcp.port==80

d.指定源地址 目的地址ip.src==xxx.xxx.xxx.xxx and ip.dst==xxx.xxx.xxx.xxx

e.SEQ字段(序列号)过滤(定位丢包问题)

TCP数据包都是有序列号的,在定位问题的时候,我们可以根据这个字段来给TCP报文排序,发现哪个数据包丢失。

SEQ分为相对序列号和绝对序列号,默认是相对序列号显示就是0 1不便于查看,修改成绝对序列号方法请参考第三式。

散手第二式:修改数据包时间显示方式

有些同学抓出来的数据包,时间显示的方式不对,不便于查看出现问题的时间点,可以通过View---time display format来进行修改。

修改前:

修改后:

散手第三式:确认数据报文顺序

有一些特殊情况,客户的业务源目的IP 源目的端口 源目的mac 都是一样的,有部分业务出现业务不通,我们在交换机上做流统计就不行了,如下图网络架构。箭头是数据流的走向,交换机上做了相关策略PC是不能直接访问SER的。

那我们在排查这个问题的时候,我们要了解客户的业务模型和所使用的协议,很巧合这个业务是WEB。我们从而知道TCP报文字段里是有序列号的,我们可以把它当做唯一标示来进行分析,也可以通过序列号进行排序。

一般抓出来的都是相对序列号0 1不容易分析,这里我们通过如下方式进行修改为绝对序列号。

Edit-----preference------protocols----tcp---relative sequence numbers

修改参数如下:

我拿TCP协议举例

把TCP的这个选项去除掉

最后的效果:

散手第四式:过滤出来的数据包保存

我们抓取数据包的时候数据量很大,但对于我们有用的只有几个,我们按条件过滤之后,可以把过滤后的数据包单独保存出来,便于以后来查看。

散手第五式:数据包计数统计

网络里有泛洪攻击的时候,我们可以通过抓包进行数据包个数的统计,来发现哪些数据包较多来进行分析。

Statistics------conversations

散手第六式:数据包解码

IPS发送攻击日志和防病毒日志信息端口号都是30514,SecCenter上只显示攻击日志,不显示防病毒日志。查看IPS本地有病毒日志,我们可以通过在SecCenter抓包分析确定数据包是否发送过来。

发过来的数据量比较大,而且无法直接看出是IPS日志还是AV日志,我们先把数据包解码。

(由于没有IPS的日志抓包信息,暂用其他代替)

解码前:

解码操作:

解码后:

散手第七式:TCP数据报文跟踪

查看TCP的交互过程,把数据包整个交互过程提取出来,便于快速整理分析。

散手第八式:通过Wireshark来查看设备的厂家

查看无线干扰源的时候,我们可以看出干扰源的mac地址,我们可以通过Wireshark来查找是哪个厂商的设备,便于我们快速寻找干扰源。

例如:mac地址是A4-4E-31-30-0B-E0

我们通过Wireshark安装目录下的manuf文件来查找

CPC (Contrastive Predictive Coding) 是一种自监督学习算法,已经被广泛应用于点云分割任务中。下面是使用 CPC 算法进行点云分割的示例代码,仅供参考: ```python # 导入相关库 import torch import torch.nn as nn from torch.utils.data import DataLoader import numpy as np from sklearn.neighbors import KDTree import open3d as o3d # 定义 CPC 算法模型 class CPCModel(nn.Module): def __init__(self, input_shape, hidden_size, output_size): super(CPCModel, self).__init__() self.encoder = nn.Sequential( nn.Conv1d(input_shape[1], hidden_size, 1), nn.BatchNorm1d(hidden_size), nn.ReLU(), nn.Conv1d(hidden_size, hidden_size, 1), nn.BatchNorm1d(hidden_size), nn.ReLU(), nn.Conv1d(hidden_size, hidden_size, 1), nn.BatchNorm1d(hidden_size), nn.ReLU(), nn.Conv1d(hidden_size, hidden_size, 1), nn.BatchNorm1d(hidden_size), nn.ReLU(), nn.Conv1d(hidden_size, output_size, 1), nn.BatchNorm1d(output_size) ) def forward(self, x): return self.encoder(x) # 定义数据集类 class PointCloudDataset(torch.utils.data.Dataset): def __init__(self, point_clouds): self.point_clouds = point_clouds self.kdtrees = [KDTree(pc) for pc in point_clouds] def __len__(self): return len(self.point_clouds) def __getitem__(self, idx): pc = self.point_clouds[idx] kdtree = self.kdtrees[idx] # 随机选择两个点 idx1, idx2 = np.random.choice(len(pc), size=2, replace=False) # 获取两个点周围的点 _, idxs1 = kdtree.query(pc[idx1], k=64) _, idxs2 = kdtree.query(pc[idx2], k=64) # 将两个点及其周围的点组成一个 batch batch = np.concatenate([pc[idx1][None], pc[idx2][None], pc[idxs1], pc[idxs2]], axis=0) return batch.T # 加载点云数据并创建数据集实例 point_clouds = [o3d.io.read_point_cloud(f"point_cloud_{i}.ply").xyz for i in range(10)] dataset = PointCloudDataset(point_clouds) # 创建数据加载器 batch_size = 32 loader = DataLoader(dataset, batch_size=batch_size, shuffle=True) # 创建 CPC 模型和优化器 input_shape = (batch_size, 6, 64) hidden_size = 128 output_size = 128 model = CPCModel(input_shape, hidden_size, output_size) optimizer = torch.optim.Adam(model.parameters()) # 训练 CPC 模型 num_epochs = 10 for epoch in range(num_epochs): for batch in loader: batch = batch.float().transpose(1, 2) preds = model(batch) loss = -(preds[:, :, :-1] * preds[:, :, 1:]).sum(dim=-1).mean() optimizer.zero_grad() loss.backward() optimizer.step() print(f"Epoch {epoch + 1}/{num_epochs}, loss={loss:.4f}") # 使用 CPC 模型进行点云分割 for i, pc in enumerate(point_clouds): # 将点云转换成 tensor pc = torch.tensor(pc).float()[None].transpose(1, 2) # 获取点云中每个点的特征向量 features = model.encoder(pc).transpose(1, 2) # 对特征向量进行聚类 kmeans = KMeans(n_clusters=2) labels = kmeans.fit_predict(features) # 将聚类结果可视化 colors = np.zeros((len(pc[0]), 3)) colors[labels == 0] = [1, 0, 0] colors[labels == 1] = [0, 1, 0] pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(pc[0].numpy()) pcd.colors = o3d.utility.Vector3dVector(colors) o3d.visualization.draw_geometries([pcd]) ``` 需要注意的是,上述代码中使用了 Open3D 库进行点云的读取和可视化,可以根据需求进行替换。此外,为了简化示例代码,上述代码中使用了 KMeans 算法进行聚类,实际应用中应根据需求选择适合的聚类算法。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值