Au_AuAu-CSDN博客

原创 03基于突变的模糊测试

即对现有输入进行微小的更改，这些更改可能仍使输入有效，但会执行新的行为。我们展示了如何创建这样的突变，以及如何引导它们走向尚未发现的代码，应用流行的 AFL 模糊器的核心概念。这种策略的好处是，应用于更大的程序，它将愉快地探索一条又一条的路径——涵盖一个又一个的功能。所需要的只是一种捕获覆盖范围的方法。来自现有有效输入的突变具有更高的有效机会，因此可以行使输入处理以外的功能。完全随机的fuzzing生成有效url的几率小，需要产生有效的输入！的下一章中，我们进一步扩展了基于突变的测试的概念，其。

2024-06-07 22:55:12 592

原创 02代码覆盖率

除此之外，还有更多的覆盖率标准，包括所采用的分支序列、所采用的循环迭代（零、一、多）、变量定义和用法之间的数据流等等;一个特殊的功能跟踪执行了哪些代码。测试后，这些信息可以传递给程序员，然后程序员可以专注于编写涵盖尚未发现的代码的测试。这个函数在处理URL或其他需要编码的文本时非常有用，因为它能够正确地将CGI编码的字符串转换回原始的、可读的字符串。如果代码中的某个语句在测试期间未执行，则意味着该语句中的错误也无法触发。在笔记本执行的时候改了两行代码，因为不是linux系统，所以原有的两行代码无法执行。

2024-06-07 22:54:28 995

原创深度学习第二周

二元分类把图片的三个（RGB）64*64矩阵展开成为x列向量，维度n=nx=64*64*3符号：m是训练数据个数X是将......排列成（nx,m)大小的矩阵Y是将......排列成（1，m）大小的行向量，因为二分类，y只能取0或1逻辑回归：注意y^hat在0到1之间，所以使用sigmond函数。注意w大小是nx维向量，b是常数。给出逻辑回归的损失函数：计算单个训练实例的误差-(ylog(y^hat)+(1-y)log(1-y^hat))成本函数：损失函数求和平均，成本函数是整个训练集损失函数的平均值。梯度

2024-06-07 17:17:41 302

原创深度学习第一周

传统算法、小神经网络、中神经网络、大神经网络随着有标签数据量增加的表现。x1, x2, x3, x4是输入，中间的圆圈是隐藏层，右边是输出层。在左侧区间，SVM可能表现更好；在右侧区间，大神经网络表现更好。有监督学习：在结构化数据和非结构化数据上。本节课是该系列的1.神经网络和深度学习。ReLu函数：线性整流max（0，y）

2024-06-05 19:34:13 153

原创 01模糊测试：使用随机输入打破事物

Runner和其子类提供了执行测试并返回结果的框架。Fuzzer和其子类负责生成模糊测试输入。是Fuzzer的一个具体实现，用于生成随机字符串作为模糊输入。通过这些类，您可以构建一个灵活的模糊测试框架，用于测试各种程序并检查它们在不同输入下的行为。模糊测试的本质：创建随机输入，看看它们是否会破坏东西。这行代码定义了一个字符串变量basename，并赋值为。这个变量代表你想要在临时目录中创建的文件的基本名称。使用tempfile模块的mkdtemp()函数创建一个临时目录。

2024-05-24 19:55:28 556 1

原创机器学习第二周

矢量化可以使用python中的NumPy库：1.使代码更短 2.执行更快。首先选很小的步长α，检查损失函数是否减少，如果不减少，代码可能有问题。什么时候进行特征缩放？使特征范围在-1～1附近。如何判断梯度下降收敛（convergence）特征缩放（feature scaling）结合多元线性回归和特征工程。方法三：Z-score。

2024-05-24 19:55:16 248

原创机器学习课程第一周

对单变量线性回归，w和b是参数（parameter、cofficient、weight）——可改变，所以作为定义损失函数的自变量。直觉理解梯度下降算法为何有效：下图中第一种情况，导数大于0，w会减小左移；第二种情况，导数小于0，w增大右移（都使J变小）三类：聚类（相似的数据点分到同组）、异常检测（找到异常的数据点）、降维（压缩数据）关于learning rate（步长）α：不能过大且不能过小，从几何理解。数据只有输入x，无输出标签y，算法需要找到数据中的结构。J（w，b）的函数图像（3d）

2024-05-18 18:05:25 623

原创 Awesome Fuzzing学习初始

在系统级别，程序必须能够优雅地处理任何类型的输入，而不会进入不受控制的状态。当然，这对程序员来说是一种负担，他们必须努力使他们的程序在所有情况下都健壮。然而，在生成软件测试时，这种负担变成了。程序证明相比，这是一个重要的限制，符号验证技术和程序证明也可以保证有结果——不过，需要付出更高的（通常是手动的）努力。手动输入数据测试->利用随机函数生成数据测试->对极端情况，如0、∞无穷、除以0等，非法输入等处理。1. 在github关于awesome fuzzing的学习资料已经fork，有书，论文，讨论等。

2024-05-14 19:20:06 723 3

原创 vmware+ubutun+riscv+qemu+xv6

7.vscode连接虚拟机有一些库openserver，需要开启ssh start，把之前连过的造成歧义的known_hosts删除。blog.csdn.net/m0_46474019/article/details/117627718（qemu网盘）2.在vmmware上创建ubutun虚拟机按网上教程，内存可以设置大一些，20GB可能不够用，可以50GB。3.创建好虚拟机先拍个快照，防止设置出问题需要重装虚拟机（耗时长），最好每个重要状态都留个快照。5.qemu与4类似，4和5耗时久。

2023-11-27 00:33:05 398 1

Au_AuAu的博客