(2.2)【窃密型木马-广外幽灵】简介、使用

目录

一、简介:

二、使用:

第一步:DNS配置

第二步:服务端配置和生产

第三步:发送给别人

第四步:坐等邮件传回


一、简介:

广外幽灵是一款可以自动识别和截取Windows窗体中的星号、黑点密码-IE除外,因为IE中的密码框不是标准的Windows控件,可以记录键盘以及输入法活动。记录的内容可以通过E-mail发送到指定的邮箱,也可以保存到记录文件中。


广外幽灵使用了线程插入技术。目前为止,幽灵使用用户当前工作的程序来作为发信程序不能是16位程序,绝大多数情况下均可以顺利发送邮件的网络防火墙软件无法察觉,即使发出警告,所警告的程序也不是幽灵本身的程序,一般用户便会选择允许使用网络



二、使用:

第一步:DNS配置

不配置的话,打开的时候会提示检测网络

win+R cmd 回车

再输入ipconfig/all

 控制面板\网络和 Internet\网络和共享中心

点击本地连接

 属性---->IPV4----->配置手动DNS


第二步:服务端配置和生产

依次有读取密码框、记录键盘输入、记录处理、安装/卸载

读取密码框

记录键盘输入

 记录处理

安装/卸载----->点击生成服务端


第三步:发送给别人

可以先考虑伪装一下

传给那些好奇的🐱


第四步:坐等邮件传回

前提是填写了邮件设置

  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
好的,我可以给你提供一个基于深度学习的异常检测的代码。这个代码的主要目的是使用自编码器(Autoencoder)来检测输入数据中的异常行为。以下是代码: ```python import tensorflow as tf from tensorflow.keras.layers import Input, Dense from tensorflow.keras.models import Model # 建立自编码器模 input_data = Input(shape=(input_dim,)) encoded = Dense(encoding_dim, activation='relu')(input_data) decoded = Dense(input_dim, activation='sigmoid')(encoded) autoencoder = Model(input_data, decoded) # 建立编码器模 encoder = Model(input_data, encoded) # 编译自编码器模 autoencoder.compile(optimizer='adam', loss='binary_crossentropy') # 训练自编码器模 autoencoder.fit(x_train, x_train, epochs=epochs, batch_size=batch_size, shuffle=True, validation_data=(x_test, x_test)) # 使用编码器模预测数据 encoded_data = encoder.predict(x_test) # 计算重构误差 reconstruction_error = tf.keras.losses.mae(x_test, encoded_data) # 使用阈值来检测异常行为 threshold = np.mean(reconstruction_error) + np.std(reconstruction_error) anomalies = np.where(reconstruction_error > threshold)[0] ``` 这个代码中,我们使用自编码器来学习输入数据的表示,并计算输入数据的重构误差。如果某个输入数据的重构误差超过了预设的阈值,我们就认为这个输入数据存在异常行为。在代码中,我们使用平均值加标准差的方法来计算阈值。最后,我们可以使用 `np.where` 函数找到所有的异常数据。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

黑色地带(崛起)

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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