防(普通)病毒U盘的制作

已于 2023-09-04 15:31:32 修改
阅读量2.8w 收藏 214
点赞数 44
文章标签： 防病毒 U盘
于 2018-08-11 22:21:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiao_jun__/article/details/81591497
版权

自从知道我的U盘可以防病毒之后 不少同学想让我把他的U盘也做成可以防病毒的 毕竟学校电脑里的病毒太多了

因此 写下此教程 让大家可以自己动手 (强烈反对伸手党)

此教程为原创 转载请注明作者：筱俊  (都让转载了 注明作者不过分吧)

注意注意！！

本方法未经过专业测试 不知道可以防哪些病毒 反正经本人实测 本校里的蠕虫病毒基本都可以防

如果失败了 只能说病毒有点强 我也没办法 (摊手.jpg)

反正本人在本校各个电脑(带病毒)之间使用 差不多一年的时间了 还未遇到可以攻破我U盘的病毒

此教程原理简单 就是步骤有点麻烦  懒癌就放弃吧

动手能力差的不用担心 写的很详细  有个别不懂的地方可以私聊

(注意 是个别不懂来问我 如果通篇都不懂  那就是你的问题了)

下面教程正式开始

工具：一个U盘 一台电脑

本方法主要原理：

病毒一般只会操作U盘根目录的文件及文件夹 不会进入文件夹内部进行操作  所以我们可以让U盘根目录里的文件和文件夹无法删除和更改 根目录也不允许写入东西 这时候病毒就懵逼了 写不进去病毒还无法删除U盘里的东西 然后它就束手无措了

而我们只要进入特定文件夹里面就可以读写了

(所以每次打开U盘都要点好几下进入特定文件夹才能读写  嫌点的麻烦的可以放弃了)

这种病毒比较笨 不会进入文件夹内部操作

不过还好学校大部分电脑都是这种弱智病毒 其他厉害点病毒就没办法咯

详细步骤：

提醒：下文中的“文件夹1”和“文件夹2”是文件夹的名字  可以自行更改 建议更改为自己喜欢的名字  因为设置完之后就无法更改名字了哦  除非把权限再改回来 才能进行更改

本教程为了照顾小白 写的比较详细(啰嗦)  对电脑熟悉的前面大致看一下即可 主要看第10步至第12步

1.   检查U盘文件系统格式

本方法需要U盘文件系统的格式为NTFS 但是大部分U盘都是FAT32 所以需要将其格式化为NTFS (如果想知道两种格式的差别 请自行搜索 本文不做介绍)

右键U盘 点击“属性”  可以查看U盘文件系统的格式 如下图

如果你的是NTFS 恭喜你 可以跳过下面的格式化

如果不是NTFS  需要格式化为NTFS

 (注意！！  格式化将删除U盘内所！有！数！据！  如有重要数据 请备份！)

右键U盘 点击“格式化” “文件系统”更改为NTFS  然后点击“开始” 弹出警告对话框后点击“确定” 然后等待格式化完成后点击“确定”  如下图

2.   进入U盘新建一个文件夹  如下图（我命名为“文件夹1” 可根据自己的喜好命名  再次强调 制作完成后无法更改）

3.   进入“文件夹1” 再新建一个文件夹（“文件夹2”）如下图 （注意 是在“文件夹1”里面新建“文件夹2”）

4.   右键“文件夹2” 点击“属性”  进入“安全”选项卡  然后点击“高级” 如下图

5.   点击“禁用继承” 然后点击“将已继承的权限转换为此对象的显示权限”

6.   可看出  我的“权限条目”里只有“Everyone”  如下图

如果你的有其他条目 参考第7步删除它们

如果你没有“Everyone” 参考第8步添加“Everyone”

如果你和我一样只有“Everyone”  可跳过第7、8步

7.   删除权限条目：选中要删除的条目  点击“删除“即可  如下图

8.   添加“Everyone”条目：点击“添加” 如下图

然后点击“选择主体” 输入对象名称“Everyone”  点击“确定” 如下图

9.   现在权限条目里应该只有“Everyone”了  选中“Everyone”  点击“编辑”  如下图

10. 点击“显示高级权限”

  

按照下图更改权限

然后一直点“确定”就可以了(每一个对话框都要点确定 不点确定的话那就都白设置了)

到这 “文件夹2”的权限就设置完了  接下来设置“文件夹1”的权限

11. “文件夹1”权限的设置步骤和“文件夹2”一样（重复第4步至第9步 我就不再重写了） 只不过第10步略有不同  如下图  “应用于”需要选择“只有该文件夹” 然后按照下图更改权限

别忘了每个对话框都点“确定” 然后“文件夹1”的权限就设置完了

12. 最后更改U盘的权限  和之前类似  如下图

接下来的设置重复第6步至第9步

权限设置和“文件夹1”相同  请参考第11步的图片进行设置

如果弹出以下错误 不用在意 点“继续”就好

到此防病毒U盘就制作完啦  可以找台有病毒的电脑试试哦

说明：

此时 根目录和“文件夹1”都是不可写入数据的  数据也无法更改和删除  只能读取

(不信的话你可以试试  会说你没有权限  这样病毒也就没有权限了 所以达到了防病毒的目的)

而“文件夹2”是可读写 可删除的

所以 存文件的话  只能存入“文件夹2”里面！！

(一开始说了  这种病毒比较笨 删不掉“文件夹1”它就只好放弃了 不会去删除“文件夹2”的)

如若想还原为普通U盘  只需将上述操作中所有的权限改为“完全控制”即可

警告：

“文件夹2”请勿手动删除  一旦删除将无法新建

只能重新设置“文件夹1”的权限  获取“完全控制”的权限后 才能再次新建“文件夹2”  然后再次按照教程更改权限

过程比较繁琐 教程难免会写错 如发现错误可联系我（wang_js@foxmail.com）

Js丶
关注
【大模型应用开发 动手做AI Agent】LlamaIndex和基于RAG的AI开发
AI天才研究院
05-27 1242
随着人工智能技术的飞速发展,大语言模型(Large Language Models, LLMs)在各个领域得到了广泛应用。LLMs通过从大规模文本语料中学习,可以生成连贯、自然的文本,完成复杂的自然语言处理任务。然而,LLMs仍然存在知识储备有限、推理能力不足等问题。为了进一步增强LLMs的能力,学术界和工业界开始探索LLMs与其他技术的结合,比如知识图谱、检索增强生成(Retrieval-Augmented Generation, RAG)等。
LlamaIndex-01-starter
mitujx的博客
06-23 692
在创建文档时，您还可以附加有用的元数据。添加到文档中的任何元数据都将复制到从其相应源文档创建的节点。默认情况下，我们使用OpenAI的模型。您可以选择在构建索引时使用另一个LLM。根据所使用的索引，我们使用默认提示词模板来构建索引（以及插入/查询）。LlamaIndex的核心使命是为大型语言模型（LLM）和您的私人外部数据提供接口。在过去的几个月中，它已成为最受欢迎的开源框架之一，用于LLM数据增强（上下文增强生成），适用于各种用例：问答、摘要、结构化查询等。
LlamaIndex快速构建RAG解决大模型的幻觉问题
weixin_41688410的博客
02-10 1683
LlamaIndex 是一个开源框架，用于快速构建检索增强生成（RAG）应用。它可以帮助开发者将检索组件（如向量数据库）与语言生成模型（如 LLM）结合，高效地处理和检索文档数据，从而生成更准确、更有依据的内容在生成式 AI 的快速发展中，大模型的幻觉问题一直是制约其广泛应用的关键挑战之一。幻觉现象不仅降低了模型输出的可信度，还可能在实际应用中引发严重后果。为了解决这一问题，检索增强生成（RAG）技术应运而生，通过结合信息检索和语言生成，显著提升了生成内容的准确性和可靠性。
LlamaIndex 项目安装和配置指南
gitblog_09487的博客
09-13 945
LlamaIndex 项目安装和配置指南 llama_index 项目地址: https://gitcode.com/gh_mirrors/lla/llama_index ...
llamaIndex使用简讲
qq_47003799的博客
03-05 1073
llamaIndex构建RAG基本流程分解概述，组件简讲。
llamaindex-RAG实例
Loss
03-19 280
从modelscope上下载deepseek-r1:1.5b。测试两次，出现幻觉问题。
使用LlamaIndex构建RAG
wengad的博客
10-05 1321
LlamaIndex是一个数据框架，它主要用于连接大型语言模型（LLMs）与外部数据源，例如API、PDF文档、SQL数据库等。这个框架的设计目的是为了增强LLM的能力，使其能够理解和生成更准确、更有上下文关联的文本，尤其是在涉及私人数据或特定领域知识的情况下。LlamaIndex通过创建索引结构来组织和访问数据，这样可以更高效地检索相关信息并将其提供给LLM。这些索引可以是列表索引、向量索引、树索引或关键词索引等，具体取决于数据类型和需求。
【书生浦语大模型实战营第三期】基础岛 InternLM + LlamaIndex RAG 实践
weixin_40574825的博客
08-04 1036
llamaindex+Internlm2 RAG实践。
【从零开始系列】Qwen2.5 & Llama-Factory：开源语言大模型+训练平台——（超详细、最新版）一篇文章解决：环境搭建 =＞ 微调训练 =＞ 本地部署
qq_58718853的博客
01-13 5985
使用llama-factory大语言模型微调高效平台，对qwen2.5官方预训练模型进行微调并部署
LLM之RAG之LlaMAIndex：llama-index(一块轻快构建索引来查询本地文档的数据框架神器)的简介、安装、使用方法之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
11-06 5652
​ LLM之RAG之LlaMAIndex：LlamaIndex(一块轻快构建索引来查询本地文档的数据框架神器)的简介、安装、使用方法之详细攻略 目录 LlamaIndex的简介 LlamaIndex的安装 LlamaIndex的使用方法 LlamaIndex的简介 LlamaIndex是一个数据框架，用于基于LLM的应用程序摄取、构建和访问私有或特定领域的数据。它可以在Python(这些文档)和Typescript中使用。 LLM提供了人与数据之间的自然语言接口。广泛
最强开源大模型炸场！全网独一份AI大模型学习实践资源...（待会删）
Y525698136的博客
08-07 1417
最强开源大模型炸场！全网独一份AI大模型学习实践资源...（待会删）
LlamaIndex 实现 RAG （一）
hawk2014bj的博客
08-22 1544
本文简单实现 RAG 的流程，并实现了可视化页面，关于文档的切分以及 RAG 不同组件的详细讲解，会在后续文章继续分享。代码地址：https://gitcode.com/hawk2014bj/llamaindex/overview源代码也可以从资源中下载。
使用 LlamaIndex 构建 RAG 应用程序
最新发布
分享各种技术文章，给大家带来不一样的视野。
04-28 689
LlamaIndex（原名 GPTIndex）是一个用于构建 LLM 驱动应用程序的 Python 框架。它充当自定义数据源和大型语言模型之间的桥梁，简化了数据提取、索引和查询。LlamaIndex 内置支持各种数据源、矢量数据库和查询接口，是 RAG 应用的一体化解决方案。它还能与 LangChain、Flask 和 Docker 等工具无缝集成，使其在实际应用中具有高度的灵活性。在此处探索 LlamaIndex 的官方 GitHub 存储库。
【RAG 实践】LlamaIndex 快速实现一个基于 OpenAI 的 RAG
VLyb
07-13 1597
一个使用 LlamaIndex 实现的 RAG demo
基于Llamaindex的本地向量与大模型RAG搭建流程
大数据，大模型，服务器，技术、架构，方案
11-19 1332
本文展示了 Llamaindex + Chunk + Local Embed +Ollama + RAG 的全流程代码。这里设置了 Ollama 作为语言模型，并指定了其 API 的基础 URL、使用的模型名称以及请求超时时间。这里查询的是关于“dify 的开源协议”的信息。从指定目录中读取文档，并使用设置好的嵌入模型和分词器将这些文档转换为向量存储索引。嵌入模型，用于将文本转换为向量表示。
快速开始使用LlamaIndex: 从安装到OpenAI集成
ppoojjj的博客
06-18 1836
如果您不使用OpenAI，或者希望进行更有选择性的安装，可以根据需要安装单个包。例如，对于本地设置和HuggingFace嵌入，安装命令可以是：sh。
LlamaIndex环境配置
qq_51907069的博客
01-18 621
llamaindex环境的各个包的版本
llama_index，一个超强的 Python 库！
涛哥聊Python
07-25 1995
llama_index库是一个功能强大且易于使用的索引和检索工具，能够帮助开发者高效地处理各种类型的数据。通过支持基本的索引和检索功能、复杂查询、分页检索和索引分析，llama_index库能够满足各种信息检索需求。本文详细介绍了llama_index库的安装方法、主要特性、基本和高级功能，以及实际应用场景。希望本文能帮助大家全面掌握llama_index库的使用，并在实际项目中发挥其优势。无论是在文档管理系统、客户评论分析还是学术文献检索中，llama_index库都将是一个得力的工具。
llamaindex 多模态RAG
02-05
### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理，这使得它成为构建多模态检索增强生成（RAG）系统的理想选择[^1]。为了实现这一目标，LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息，包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后，下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度，同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时，良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件，用户可以通过自然语言提问的形式轻松获得所需答案；而对于更复杂的交互需求，则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是，在这里实现了真正的语义级关联匹配逻辑，从而让计算机具备了一定程度上的‘认知’功能去理解和回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性，下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统： ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是，“query”方法接收字符串参数代表使用者想要询问的内容，而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
评论 12
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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