intel汇编几种跳转的区别

最新推荐文章于 2024-08-13 22:59:49 发布

kernweak

最新推荐文章于 2024-08-13 22:59:49 发布

阅读量3.2k

点赞数

分类专栏：汇编 windows 文章标签： e8 e9 eb jmp

本文链接：https://blog.csdn.net/youyou519/article/details/103821696

版权

windows 同时被 2 个专栏收录

105 篇文章

订阅专栏

汇编

3 篇文章

订阅专栏

几种跳转指令和对应的机器码

0xE8    CALL    后面的四个字节是地址

0xE9    JMP    后面的四个字节是偏移

0xEB    JMP    后面的二个字节是偏移

0xFF15    CALL    后面的四个字节是存放地址的地址

0xFF25    JMP    后面的四个字节是存放地址的地址
比如想实现循环跳转当前指令，就可以是eb fe，或者e8 fb ff ff ff

0x68    PUSH    后面的四个字节入栈

0x6A    PUSH    后面的一个字节入栈

shellcode跳转回原始OEP方法一

大部分人比较喜欢直接jmp跳转到原始oep，这时候一般都用e9跳转，e9后面的四个字节是一个偏移地址。
计算公式：偏移地址 = 目的地址 - 跳转基地址(jmp的下一条指令的地址)
也就是原始OEP - jmp的下一条指令的地址

db    0e9h        ;这是jmp
OEPOffs:
dd    ?        ;这里是4个字节 未初始化

偏移地址 = 原始OEP - (offset OEPOffs + 4) 为什么+4 因为OEPOffs标号向后偏移4个字节才是jmp的下一条指令地址也就是跳转基地址

shellcode跳转回原始OEP方法二

有些人用 push oep然后jmp dword ptr [esp]的方法跳回原始oep，这时候shellcode要这样写：

db    68h
OEP:
dd    ?
jmp dword ptr [esp]

68h是 push后面四个字节的意思 dd ? 声明了四个字节，然后通过OEP标号，定位到这个位置，然后把原始OEP写进去就可以了

参考资料https://blog.csdn.net/wzsy/article/details/17163589

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

kernweak

关注关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

C/C++程序员为什么要了解汇编？了解汇编有哪些好处？如何学习汇编？

dvlinker的技术专栏

10-09

12万+

本文详细讲解了C++程序员为什么要了解汇编，了解汇编都有哪些具体的好处，如何学习汇编，以及如何看懂汇编代码上下文等，希望能给大家提供一定的借鉴或参考。

不同汇编语言的对比

qq_19300283的博客

02-27

2590

在学习汇编语言的过程中, 我们会听到很多很多关于汇编语言的名词, 比如NASM汇编, AT&T风格汇编, ARM汇编, 而大多国内教材教授的都是基于x86平台的MASM汇编语言, 由于缺少对其他汇编语言的介绍, 我们学习完教材后仍然对其他汇编语言的概念和名词不太了解, 导致见到这些名词时一头雾水, 本文旨在通过整理各种资料解释这些名词的含义及区别

参与评论您还未登录，请先登录后发表或查看评论

汇编中call指令和其对应的机器码

u013289971的博客

04-14

4917

call这个指令很神奇，他和别的指令不太一样对比下，当我们执行 mov eax,1 的时候，他的对应机器码是 66 B8 01 00 00 00 这其中“66 B8”对应的是“mov eax,x” 后面的“01 00 00 00”就是“1”在32位中的Little Endian了所以说，在对mov指令进行汇编时，里面的常数会被直接汇编成机器码然而call指令比较有意思这个是一段很简单...

jmp指令对应的机器码

心之所向，身之所往

01-07

8407

jmp指令对应的机器码 (2012-08-27 20:18:26) 转载▼ 标签：杂谈分类：驱动逆向 od随便打开一个记事本，汇编几条jmp指令，可以看到如下地址 HEX 反汇编 010073B4 - E9 7B9E8787 JMP 8888123

几种跳转指令和对应的机器码

热门推荐

求索

12-06

1万+

几种跳转指令和对应的机器码 0xE8 CALL 后面的四个字节是地址 0xE9 JMP 后面的四个字节是偏移 0xEB JMP 后面的二个字节是偏移 0xFF15 CALL 后面的四个字节是存放地址的地址 0xFF25 JMP 后面的四个字节是存放地址的地址 0x68 PUSH 后面的四

call jmp 与机器码

xqhrs232的专栏

08-03

2501

原文地址::http://sangguowei2002.blog.163.com/blog/static/3271332920132835138203/ 相关文章 1、call指令对应的机器码好象不对----http://bbs.csdn.net/topics/190109474 2、如何根据机器码来获得相应的汇编指令。主要是CALL指令不会----http://zhidao

抗艾程序员龚伦强：汇编Call指令详解 E8机器码详解

湖北抗艾程序员龚伦强

05-05

1702

需要注意的是，E8指令的相对偏移量是根据当前指令和目标地址之间的距离来计算的。因此，在编写E8指令时，需要确保目标地址在当前指令的前面或附近，而不是在当前指令的后面。这样，返回地址就被保存在栈中了。总之，在编写机器码E8时，需要仔细考虑目标地址的计算、指令对齐、指令长度以及其他指令的影响等方面，以确保E8指令能够正确地跳转到目标位置。需要注意的是，CALL指令是一个相对寻址指令，即目标地址是相对于当前指令的地址。目标地址的计算：E8指令的操作数是一个相对偏移量，需要根据目标地址与当前指令的地址来计算。

Intel汇编语言程序设计(第五版)_中文版

02-26

下面，我们将深入探讨与Intel汇编语言相关的几个关键知识点。 ### Intel汇编语言概述 Intel汇编语言是一种用于编写针对Intel x86架构处理器的程序的语言。它允许程序员直接访问和控制处理器的寄存器、内存以及指令...

ch07.rar-INTEL汇编语言程序设计第5版

12-18

《INTEL汇编语言程序设计第5版》是学习计算机底层操作和系统级编程的重要教材，尤其对于深入理解计算机的工作原理和技术细节具有不可替代的作用。汇编语言是一种低级编程语言，它与机器语言直接对应，每一条指令都...

Intel汇编语言程序设计第5版.rar

12-21

《Intel汇编语言程序设计第5版》是学习和深入理解计算机底层运作机制的重要参考资料，尤其对于编程者和系统开发者来说，掌握汇编语言是提升技术能力的关键步骤。这本书详细阐述了Intel架构下的汇编语言编程，涵盖了...

jmp机器码说明

09-07

简单说明了jmp指令的作用和机器码组成方法。txt格式，非常简陋。

关于jmp指令的机器码

myprogramc的博客

04-12

2423

在一般的汇编语言中，如果源代码中的操作数有立即数，那么其对应的机器码中也应有这个立即数，而jmp不同，jmp在机器码中给出的是一个位移，你要用这个位移去加上IP的值才可以得到一个新的IP。 ...

jmp指令的机器码编写

YSBJ123的博客

06-12

6119

1.首先直接的jmp分3种： Short Jump（短跳转）机器码 EB rel8 只能跳转到256字节的范围内 Near Jump（近跳转）机器码 E9 rel16/32 可跳至同一个段的范围内的地址 Far Jump（远跳转）机器码EA ptr 16:16/32

Linux中jmp指令,jmp指令对应的机器码

weixin_39753616的博客

05-12

651

短跳转和近跳转指令中包含的操作数都是相对于(E)IP的偏移，而远跳转指令中包含的是目标的绝对地址，所以短/近跳转会出现跳至同一目标的指令机器码不同，不仅会不同，而且应该不同。而远跳转中包含的是绝对地址，因此转移到同一地址的指令机器码相同绝对跳转/调用指令中的内存操作数必须以’*’为前缀，否则gas总是认为是相对跳转/调用指令,而且gas汇编程序自动对跳转指令进行优化，总是使用尽可能小的跳转偏移量。...

跳转指令与机器码

yusakul的博客

12-02

2215

跳转指令和对应的机器码 0xE8 CALL 后面的四个字节是地址 0xE9 JMP 后面的四个字节是偏移 0xEB JMP 后面的二个字节是偏移 0xFF15 CALL 后面的四个字节是存放地址的地址 0xFF25 JMP 后面的四个字节是存放地址的地址 0x68 PUSH 后面的四个字节入栈 0x6A PUSH ...

汇编:call指令

m0_37564426的博客

12-28

4329

1. call 标号, (机器码中包含了位移) 执行call指令,相当于执行下面两条指令 push ip jmp near ptr 标号 2. call far ptr 标号, (机器码中包含转移的目的地址) push cs(call指令的下一条指令的cs地址) push ip(call指令的下一条指令的ip地址) jmp fa...

汇编语言指令 jmp：jmp short、jmp near ptr、jmp far ptr

天道酬勤

08-13

3428

jmp short 是段内短转移指令，只修改IP的值，其机器码有2个字节，低8位是用于表示jmp的段内短转移指令的指令编码，高8位是用补码形式表示的位移信息，转移的范围：-128 ~ 127。jmp near ptr 是段内近转移指令，只修改IP的值，其机器码有3个字节，低8位是用于表示jmp的段内近转移指令的指令编码，高16位是用补码形式表示的位移信息，转移的范围：-32768~ 32767。jmp far ptr 是根据目的地址进行转移的段间转移指令（又称为远转移指令），可以同时修改CS和IP。

《汇编语言(第四版)》---王爽第十章call和ret指令详细笔记+代码 ~后续章节笔记，课后检测，实验代码持续更新中

weixin_60363168的博客

11-08

1348

第十章call和ret指令 10.1、ret和retf 10.2、call指令 10.3、依据位移进行转移的call指令 10.4、转移的目的地址在指令中的call指令 10.5、转移地址在寄存器中的call指令 10.6、转移地址在内存单元中的call指令有两种格式 10.7、call和ret的配合使用 10.8、mul指令 10.9、模块化程序设计 10.10、参数和结果传递的问题 10.11、批量数据的传递 10.12、寄存器冲突问题

常见程序入口点特征

AlexSmoker的博客

02-22

2455

#Delphi入口程序 Delphi开头的入口程序是正常的压栈，然后调用一个E8字节类型的call 0044CA98 > $ 55 push ebp 0044CA99 . 8BEC mov ebp,esp 0044CA9B . 83C4 F0 add esp,-0x10 0044CA9E . B8 B8C84400 mov eax,delphi7?0044C8B8 ; UNICODE “;...

lora微调medsam

最新发布

03-19

### 使用 LoRA 对 MedSAM 进行微调的方法 #### 背景介绍 MedSAM 是一种基于 SAM（Segment Anything Model）的医学图像分割模型，适用于多种医学图像任务。然而，在实际应用中，直接将预训练好的 SAM 应用于医学领域可能无法达到理想效果[^4]。为了提升性能并减少计算开销，可以采用参数高效微调技术（Parameter-Efficient Fine-Tuning, PEFT）。其中，低秩适应（Low-Rank Adaptation, LoRA）是一种有效的策略。 LoRA 的核心思想是在原有模型的基础上引入一组可学习的小矩阵 $ \Delta W_A $ 和 $ \Delta W_B $，使得最终更新后的权重为： \[ W_{new} = W_{old} + (\Delta W_A)(\Delta W_B)^T \] 这种方式仅需优化少量新增参数即可实现高效的迁移学习[^1]。 --- #### 实现步骤概述以下是使用 LoRA 对 MedSAM 模型进行微调的具体方法： 1. **加载预训练模型** 首先需要加载已有的 MedSAM 或 SAM 模型作为基础架构。 ```python from segment_anything import sam_model_registry model_type = "vit_b" # 可选：vit_b/vit_l/vit_h checkpoint_path = "path/to/sam_vit_b.pth" device = "cuda" if torch.cuda.is_available() else "cpu" sam = sam_model_registry[model_type](checkpoint=checkpoint_path).to(device) ``` 2. **集成 LoRA 层** 将 LoRA 替代原有的全连接层或卷积层部分。这可以通过修改 PyTorch 模型结构完成。 ```python import loralib as lora rank = 8 # 设置 LoRA 秩大小 for name, module in sam.named_modules(): if isinstance(module, torch.nn.Linear): # 替换线性层 new_module = lora.LoRALinear( in_features=module.in_features, out_features=module.out_features, r=rank ) setattr(sam, name.split('.')[-1], new_module) elif isinstance(module, torch.nn.Conv2d): # 替换卷积层 new_conv_layer = lora.LoRAConv2d( in_channels=module.in_channels, out_channels=module.out_channels, kernel_size=module.kernel_size, stride=module.stride, padding=module.padding, r=rank ) setattr(sam, name.split('.')[-1], new_conv_layer) ``` 3. **准备数据集** 构建适合的任务数据集，例如医学图像分割所需的标注文件和图片路径列表。如果涉及多模态输入，则应确保数据格式统一。 ```python from torchvision import transforms from torch.utils.data import DataLoader, Dataset class MedicalImageDataset(Dataset): def __init__(self, image_paths, mask_paths, transform=None): self.image_paths = image_paths self.mask_paths = mask_paths self.transform = transform def __len__(self): return len(self.image_paths) def __getitem__(self, idx): image = Image.open(self.image_paths[idx]).convert('RGB') mask = Image.open(self.mask_paths[idx]) if self.transform is not None: image = self.transform(image) mask = self.transform(mask) return image, mask dataset = MedicalImageDataset(..., ...) dataloader = DataLoader(dataset, batch_size=8, shuffle=True) ``` 4. **定义损失函数与优化器** 结合具体任务需求选择合适的损失函数，并配置 AdamW 等常用优化算法。 ```python criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.AdamW(filter(lambda p: p.requires_grad, sam.parameters()), lr=1e-4) ``` 5. **执行训练过程** 利用标准监督学习框架迭代更新网络权值直至收敛为止。 ```python num_epochs = 10 for epoch in range(num_epochs): running_loss = 0.0 for images, masks in dataloader: images, masks = images.to(device), masks.to(device) outputs = sam(images) loss = criterion(outputs['masks'], masks.long()) optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(dataloader)}') ``` 6. **保存与测试模型** 训练完成后存储最佳版本以便后续部署验证。 ```python torch.save(sam.state_dict(), 'medsam_finetuned_with_lora.pth') ``` --- ### 关键注意事项 - 在设计实验时应当合理选取超参如 `r` 值以及冻结哪些原始模块不动； - 若发现过拟合现象则可通过正则化手段缓解或者增加更多样本来改善情况； - 泛化能力可能会因过度简化而有所下降因此建议综合考量各方面因素后再做决定。