360开发思路分析

扯个淡,互联网对我帮助到现在 我也想向互联网贡献自己的一份微薄之力。
本篇主要作为分享360的开发思路,并非介绍逆向或其他内容

最近工作需要,需要过UAC,目前国内比较出名的就是360了 分析之。
360的服务为“ZhuDongFangYu.exe” 没加壳 扔到IDA内分析之

找到Main函数入口

小提示:凡是被IDA识别出的函数除了会显示函数名外还是高亮哦,想要找到他并不难呢。

可以看到入口中函数并不算多,从第一个进去分析之。

很明显,从API可以看到是获取xx.dll的路径,并将算出来的路径赋值到某全局变量内
OK,看下一个函数

内容不多,使用线程锁,在中间对某指针赋值,值是某个函数
继续下一个函数

好吧,还是线程中赋值

第四个函数中调用了某DLL的创建对象函数,猜测是com或是某个类,值得注意的是 他调用后立马就给释放掉了,看样子是某些一次性函数 比如设置系统 设置令牌之类的


OK,第五个函数,从参数上一看就知道是核心函数了,他将服务的所有启动参数都带入了进去,跟进之


这个函数比较大,所以头部我就没截图了,第一行是GetCommandLine,用处是获取程序的启动参数。第二行内容叫做,跟进看之

进去之后看到共有四个函数,其中有两个函数是一样的,相当于是三个函数,为了避免浪费时间,一些不重要内容的函数直接跳过了
看第三个个函数,传入进去了一个文件版本结构,跟进之

OK,我注释写的够清楚了,我觉得这个是一个亮点,首先可以确定的是这个函数用来获取系统版本的,
但令我不明白的是,就是因为哪些原因,导致了360的开发人员不直接使用api 而是使用ntoskrnl.exe这个内核文件的版本呢? 我不知道,但这么做一定有他的理由。

OK,回到第往上两次的函数体继续跟进查看

上面的已经分析明白了,看下面的,很明了是一些启动参数的判断,如果启动参数是什么则执行什么,

为了避免文章过于庞大,所以一些不是很重要的内容我仅进行稍微的介绍

他死思路是进入函数提后获取参数, 先进行参数判断,是否有参数,如果有参数则执行while的参数判断函数提并执行相应的命令,如果没有参数则跳转到LABEL_9

执行  跟进查看主要的函数“设置服务函数体” 

关于服务程序稍微介绍一下,写过服务的都知道,服务的函数提并不是我们自己调用的,而是在Main函数中给某个结构体中赋值,而被赋值的值则是我们真正的服务

函数提的函数指针,而这个函数指针将会由系统进行调用运行,现在查看这个函数体


OK,显而易见,fun_360server函数提就是360的主函数了(被我修改了函数名,嘿嘿,方便识别) 修改方法是选中函数的Name按下x键 注意,头部不能携带sub关键

非常的抱歉,因为时间关系,这篇文章来来回回折腾了三天 太忙了,因为本篇文章主要是作为思路分享,所以过程我就不在继续往下了 而是直接上结果,请看↓

注意:本张图片大小为14Mde bmp格式,如无法预览请选择图片链接进行下载查看


首先自启动部分是服务先启动,而后循环判断文件管理器是否启动,如果文件管理器启动了则启动360程序,实现过UAC  
其次,在系统已经运行的情况下 用户双击打开360的文件时是被360的驱动拦截并干掉启动进程 然后通知服务重新启动进程

最后希望可以给某些需要的人一些帮助
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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