标签：www 初始化 soft udp ali 经验值 excel 占用 log
本次讲座的学习内容主要为两方面：
1.Web应用安全
2.隐私安全
本次讲座是开学第一次课，现在再看老师上课的PPT，许多上课举得例子还历历在目。网络安全涉及网络通信的方方面面。
本次讲座为我们从整体上科普了量子密码的相关内容，主要有7个部分：
辟谣
1.密码体制对比
2.量子密钥特点：
3.传统密码的安全性挑战：量子计算
4.量子：具有特殊性质的微观粒子或光子。
量子态：
5.量子比特的测量：力学量、测量基。（仪器不同观测的结果不同）
BB84量子密钥分配协议（单光子）
“截获-重发”攻击
6.量子mm基本模型：
信息传输：两种信道
-量子信道：光纤、自由空间
-经典信道：（测量基）
提高实际系统抗攻击能力：诱骗态、设备无关态
其实本次讲座使我们在宏观上对量子密码有了初步的认识，很多理论也有了感性的理解，为日后对量子密码领域的研究打了基础。
本次讲座的内容主要有四个方面：
专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
机器学习的步骤：
数据源-分析-特征选择-向量化-拆分数据集-训练-评估-文件整理-接口封装-上线
密码分析与机器学习相似，机器学习在密码分析的应用：
破解DES遗传算法、用于侧信道分析的支撑向量机算法等
深度学习与密码分析
一方面生成人可能设置的密码、一方面去识别设定密码的是人还是机器。
（1）基于卷积神经网络的侧信道攻击
（2）基于循环神经网络的明文破译
（3）基于生成对抗网络的口令破解
（4）基于深度神经网络的密码基元识别
利用深度学习破解数学难题为基础的密码。
深度学习与密码设计
利用深度学习设计新的高强度密码-生成对抗网络GAN：Generative Adversarial??Network
其他应用：
GAN–二次元人物頭像鍊成
GAN–真实图像生成
第四次的讲座主要有四个部分：
首先要对密码加密技术和信息隐藏技术做一个区分。密码技术不能隐藏通信行为本身，但可以保护通信的消息。而消息隐藏可以隐藏通信行为。使用密码技术加密消息再通过信息隐藏技术进行传递。
其次信息隐藏可以同时解决内容保护与内容隐藏的问题。
信息隐藏定义：比加密更进一步，将特定的消息隐藏在载体中。
信息隐藏研究方向：
常用的载体：
| ?? ? ? ? ? ?水印? ?? ? ? ? ? ? ? ? ? | ? ? ? ? ? ? ?隐写? ? ? ? ? |
|---|---|
| 公开 | 无声 |
| 鲁棒水印 | 藏头诗 |
特工安娜查普曼、凯蒂猫图片传信息
本次讲座主要分成三个部分来讲述：
一、区块链
比特币(Bitcoin)的特点：
如何交易：
每一位所有者（A）利用他的私钥对前一次交易T1和下一位所有者（B）的公钥（俗称：地址）签署一个随机散列的数字签名，A将此数据签名制作为交易单T2并将其（交易单T2)广播全网，电子货币就发送给了下一位所有者。
交易要点：
交易单：
记录一笔交易的具体信息，比如付款人（交易发起方的公钥）、收款人（交易接收方的公钥）、付款金额（上一笔交易信息）、付款人签名（加密后的Hash值）等。
比特币网络中，数据以文件的形式被永久记录，称之为区块(Block)
比特币体系的设计要求：
Block应由那些最诚实最勤劳的节点产生，因而引入工作量证明(Proof Of Work,POW)机制。比特币体系倾向于认为：一个节点在提供信息之前付出了巨大的工作量，那么他可能是诚实的概率比较高（他提供的Block中数据最有可能没有问题，当然无论如何其他节点也是会对其进行检查的）。
挖矿过程：
反复去尝试寻找一个随机数（又称“幸运数”），使得将最后一个Block的hash值、当前世界中尚未被加入到任何Block的交易单、随机数三部分组织起来送入SHA256算法计算出散列值X（256位），如果X满足一定条件（比如前20位均为0），那么该节点初步获得创建Block的权利。
Block链分支：
?????? 某一节点若收到多个针对同一前续Block的后续临时Block，则该节点会在本地Block链上建立分支，网络会根据下列原则选举出Best Chain：
二、区块链技术
区块链技术的4个基本性质：
三、区块链与未来
区块链技术发展的三个阶段（领域）：
货币→合约→治理
货币：
货币的发行机制
货币的分配机制
货币的币值调节机制
合约：
股权
债权
博彩
证券与金融合约
防伪······
治理：
身份认证
健康管理
公证、见证
人工智能
司法仲裁
去中心化自治组织
投票
本次学习的总结如下：
1.概要：
今天应用市场的审查机制是缓慢的，不太可能发现新的威胁。新的technique，称为MassVet，用于大规模审查应用程序，而不知道恶意软件的外观和行为。与现有的检测机制不同，这些机制经常使用重量级程序。分析技术，我们的方法只是将提交的应用程序与市场上的所有应用程序进行比较，在一个有效的相似比较算法的基础上建立了这个“DiffCom”分析，该算法映射了应用程序的ui结构或方法的控制流图t的显著特征。该算法将应用程序的UI结构或方法的控制流图的显着特征映射到一个快速比较的值，在一个流处理引擎上实现了MassVet，并评估了来自全球33个应用市场的近120万个应用程序，即Google Play的规模。我们的斯图DY显示，该技术可以在10秒内以较低的误检率审查应用程序。
2.检测的思路：
3.架构图：
4.示例：
Ac: Activity; Da: AlertDialog; Dt: TimePickerDialog
Dp: ProgressDialog; Dd: DatePickerDialog
5.性能测试结果
“Apps”是指并发提交的应用程序的数量。
6.结论：
1.概要
幽灵攻击包括诱使受害者投机取巧地进行手术。第二小组描述了结合在一起的实际攻击。方法来自侧通道攻击、故障攻击和面向返回的编程，可以从受害者的进程中读取任意内存。
2.投机执行
具有预测执行能力的新型处理器，可以估计即将执行的指令，采用预先计算的方法来加快整个处理过程。
预测执行的设计理念是：加速大概率事件。
预测执行是高速处理器使用的一种技术，通过考虑可能的未来执行路径并提前地执行其中的指令来提高性能。
2.条件分支错误预测
该段代码的通常执行过程如下：
进入if判断语句后，首先从高速缓存查询有无array1_size的值，如果没有则从低速存储器查询，按照我们的设计，高速缓存一直被擦除所以没有array1_size的值，总要去低速缓存查询。
查询到后，该判断为真，于是先后从高速缓存查询
array1[x]和array2[array1[x]*256]的值，一般情况下是不会有的，于是从低速缓存加载到高速缓存。
在执行过几次之后，if判断连续为真，在下一次需要从低速缓存加载array1_size时，为了不造成时钟周期的浪费，CPU的预测执行开始工作，此时它有理由判断if条件为真，因为之前均为真（加速大概率事件），于是直接执行下面的代码，也就是说此时即便x的值越界了，我们依然很有可能在高速缓存中查询到内存中
array1[x]和array2[array1[x]*256]的值，当CPU发现预测错误时我们已经得到了需要的信息。
3.攻击流程
编写代码进行攻击
1.概要
本小组探讨了对道路导航系统进行隐身操纵攻击的可行性。
目标是触发假转向导航，引导受害者到达错误的目的地而不被察觉。
2.攻击思路
略微改变GPS位置，以便假冒的导航路线与实际道路的形状相匹配并触发实际可能的指示。
3.实验
①.首先进入已经搭建好软件环境系统Ubuntu-14.04
②.创建一个文件夹，打开命令窗口ctrl+alt+t
③.进入创建的文件夹，下载编译GPS仿真器代码（gps-sdr-sim）代码：git clone
https://github.com/osqzss/gps-sdr-sim.gi
④.进入代码文件夹中：cd gps-sdr-sim
⑤.进入文件夹后，用gcc编译代码：gcc gpssim.c -lm -O3 -o gps-sdr-sim
⑥.在网站http://www.gpsspg.com/maps.htm上查询一个你感兴趣的地方的GPS经纬度信息，然后按照这个经纬度信息通过GPS仿真器生成GPS仿真数据：./gps-sdr-sim -e brdc3540.14n -l
31.603202,120.466576,100 -b 8
等待执行上述命令，执行结束后，文件夹中多出的gpssim.bin文件，就是我们模拟生成的GPS数据。
⑦.用HackRF来发射在上一步中模拟生成的伪造数据：
hackrf_transfer -t gpssim.bin -f 1575420000 -s 2600000 -a 1 -x
0
?? 打开手机中的高德地图或者百度地图等定位APP，你会看到你现在所在的真实位置，等待一段时间后，地图会定位到给定的经纬度附近。
（命令参数解析：”gpssim.bin”为GPS数据文件，用-f来指定频率为1575420000 ，即民用GPS
L1波段频率，用-s来指定采样速率2.6Msps，开启天线增益，指定TX VGA(IF)为0，发送指令末尾0表示天线增益(发射功率，最大可到40，增大发射功率可以增强伪造信号的强度，扩大其影响范围，在发送指令的后面加入 -R可使hackrf one一直工作。）
1.概要
高质量模型的训练需要非常大的标记数据集，小型公司没有条件训练这么大的数据集或者无法得到这么大的数据集，往往采用迁移学习。第三小组介绍了迁移学习攻击：一个小型公司借用大公司预训练好的模型来完成自己的任务。我们称大公司的模型为“教师模型“，小公司迁移教师模型并加入自己的小数据集进行训练，得到属于自己的高质量模型”学生模型”。
2.对抗性攻击
给一个输入图像加入不易察觉的扰动，使模型将输入图像误分类成其他类别。
3.白盒攻击：攻击者能够获知分类器的内部体系结构及所有权重。它允许攻击者对模型进行无限制的查询，直至找到一个成功地对抗性样本。这种攻击常常在最小的扰动下获得接近100%的成功，因为攻击者可以访问深度神经网络的内部结构，所以他们可以找到误分类所需的最小扰动量。然而白盒攻击一般被认为是不切实际的，因为很少会有系统公开其模型的内部结构。
4.黑盒攻击：攻击者不知道受害者的内部结构，攻击者要么尝试反向工程DNN的决策边界，建一个复制品用于生成对抗样本，要么反复查询生成中间对抗样本并不断迭代改进。黑盒攻击容易被防御。
5.攻击思路
7.攻击方式：目标攻击/非目标攻击
1.概要
本文通过在clang/LLVM编译器架构上，通过修改代码，实现了safeinit原型，在编译C/C++源代码时，传递一个标记即可使用safeinit实现优化编译，缓解未定义变量。使用了强化分配器的safeinit可以进一步优化代码的同时，保证所有需要初始化的变量进行初始化，删除多余初始化代码进行优化，这样既保证缓解了未定义变量漏洞的威胁，同时与其他现有方法相比，提升了性能。
2.现存威胁
在几乎所有应用程序中，内存不断被重新分配，因此被重用。
在栈中，函数激活帧（activation frames）包含来自先前函数调用的数据; 在堆上，分配包含来自先前释放的分配的数据。 当在使用之前不覆盖这些数据时，会出现未初始化数据的问题，从而将旧数据的生命周期延长到新分配点之外。内存也可能只是部分初始化; C中的结构和联合类型通常是故意不完全初始化的，并且出于简单性或性能原因，通常为数组分配比存储其内容所需的（最初）更大的大小。当不清楚变量是否在使用之前被初始化时，唯一实用且安全的方法是在所有情况下初始化它。
1）许多程序调用memset来清除敏感数据;如果数据不再有效并且因此在该点之后不再使用，编译器可以通过调用memset来优化这些调用。但是如果之后的数据还有效，禁止编译器优化的替代函数（例如memset_s和explicit_bzero）并不是普遍可用的。
2）例子：地址空间布局随机化（ASLR）之类的防御一般取决于指针的保密性，并且由于这通常仅通过随机化一个基地址来完成，因此攻击者仅需要获取单个指针以完全抵消保护。指针可以是代码，栈或堆指针，并且这些指针通常存储在栈和堆上。
Microsoft描述了由于2008年Microsoft Excel中未初始化的堆栈变量导致的任意写入漏洞
Microsoft的XML解析器中的一个错误使用存储在局部变量中的指针进行虚函数调用，该局部变量未在所有执行路径上初始化
4）函数堆栈帧包含局部变量的副本、其他局部变量和编译器生成的临时变量的溢出副本，以及函数参数，帧指针和返回地址。
现代编译器使用复杂的算法进行寄存器和堆栈帧分配[42]，临时和具有非重叠生命周期的变量都可以分配给堆栈帧（或寄存器）的相同部分。 这减少了内存使用并改善了缓存局部性，但意味着即使在函数调用之前/之后清除寄存器和堆栈帧也不足以避免所有潜在的未初始化变量。
5）在我们讨论的环境中，未定义行为是指在代码读取未初始化的堆栈变量或者是未初始化的堆分配。
为了实现最大数量的优化，现代编译器转换（例如LLVM [34]使用的那些）利用了大型的这种未定义的行为 规模。 即在转换过程先将未定义的值（以及因此也未初始化的值）解释为使得优化更方便的任何值，在生成最终机器码的时候在改为未定义值，但这样有可能导致程序逻辑不一致。而且 这些情况通常只有在已经应用了其他编译器转换后才会变得明显，因为动态分析工具无法检测到这些情况，因为它们依赖于在此过程之后生成的机器代码。
3.safeinit LLVM架构
理解LLVM时，我们可以认为它包括了一个狭义的LLVM和一个广义的LLVM。广义的LLVM其实就是指整个LLVM编译器架构，包括了前端、后端、优化器、众多的库函数以及很多的模块；而狭义的LLVM其实就是聚焦于编译器后端功能（代码生成、代码优化等）的一系列模块和库。
?Clang是一个C++编写、基于LLVM的C/C++/Objective-C/Objective-C++编译器。Clang是一个高度模块化开发的轻量级编译器，它的编译速度快、占用内存小、非常方便进行二次开发。
上图是LLVM和Clang的关系：Clang其实大致上可以对应到编译器的前端，主要处理一些和具体机器无关的针对语言的分析操作；编译器的优化器部分和后端部分其实就是我们之前谈到的LLVM后端（狭义的LLVM）；而整体的Compiler架构就是LLVM架构。
编译器在获得C/C++文件后，编译器前端将源文件转换为中间语言（IR），通过初始化、代码优化（这里的优化包括了编译器自身的优化以及无效存储消除这种附加组件），之后通过强化分配器最后获得二进制文件。Safeinit在整个过程中所添加的就是 初始化全部变量、优化以及强化分配器，来避免或缓解未初始化值。
最后，SafeInit优化器提供了非侵入式转换和优化，它们与现有的编译器优化（必要时自行修改）以及最终组件（现有“死存储消除”优化的扩展）一起运行。 这些构建在我们的初始化传递和分配器之上，执行更广泛的删除不必要的初始化代码，证明我们的解决方案的运行时开销可以最小化。
SafeInit通过强制初始化堆分配（在分配之后）和所有栈变量（无论何时进入作用域）来减轻未初始化的值问题。
LLVM中的局部变量是使用alloca指令定义的; 我们的pass通过在每条指令之后添加对LLVM
memset内部的调用来执行初始化。
我们在安全分配器中执行覆盖所有堆分配函数以确保始终使用强化的分配器函数（对初始化堆分配是在分配之后进行强制初始化）。编译器知道我们的强化分配器正在使用中; 任何已分配内存的代码都不再使用未定义行为，并且编译器无法修改或删除。
目的：可在提高效率和非侵入性的同时提高SafeInit的性能。优化器的主要目标是更改现有编译器中可用的其他标准优化，以消除任何不必要的初始化。
存储下沉：存储到本地的变量应尽可能接近它的用途。
检测初始化：检测初始化数组（或部分数组）的典型代码
“无效存储消除”（DSE）优化，它可以删除总是被另一个存储覆盖而不被读取的存储。
堆清除：所有堆分配都保证初始化为零，如果有存储到新分配堆内存中的零值都会被删除
非恒定长度存储清除：为了删除动态堆栈分配和堆分配的不必要初始化
交叉块DSE：可以跨多个基本块执行无效存储消除
只写缓冲区：通过指定该缓冲区只用来存储而不是删除，就可以将该缓冲区删除。
4.性能分析
优化器在没有强化分配器的情况下启用时，只能看到0.3％的最小性能提升，可以看到通过safeinit以及强化分配器的情况下，获得了性能优势。
1.概要
第六小组郭同学讲解了对线性回归模型第一次中毒攻击的系统的研究及对策。在中毒攻击中，攻击者故意影响训练数据以操纵预测模型的结果。作者提出了一个专门为线性回归设计的理论基础优化框架，并展示了它在一系列数据集和模型上的有效性
2.系统和对抗模型系统架构
学习过程包括执行数据清理和标准化的数据预处理阶段，之后可以表示训练数据。
模型在预处理后应用于新数据，并使用在训练中学习的回归模型生成数值预测值。
在中毒攻击中，攻击者在训练回归模型之前将中毒点注入训练集
3.攻击方法论
4.防御算法
1.概要
第七小组杨同学报告了在预先训练的单词向量之上训练的一系列用于句子级分类任务的卷积神经网络(Cnn)的实验。参数整定和静态向量在多个基准上都取得了很好的效果。通过微调学习任务-特定的向量提供了性能上的进一步提高。
2.模型
模型结构是Colobert等人的CNN体系结构的轻型变体。(2011年)。
3数据集和实验设置
在各种基准上测试模型。这些数据集的统计摘要见表1。
4.结论
与其他方法比较的结果和讨论结果列于表2。
我们的基线模型包含所有随机初始化的单词(CNN-RAND)，期望通过使用经过预先训练的向量来提高性能效果很好。
密码安全新技术课程的内容十分丰富，有非常多可以可下自己拓展的内容，老师也做出了这方面的要求。在一学期的学习后，除去知识点，最大的收获就是发现了众多有趣的领域，练习了学习论文的方法，这些都使我受益匪浅。
暂无
标签：www 初始化 soft udp ali 经验值 excel 占用 log
原文地址：https://www.cnblogs.com/Ychancy/p/11032821.html
