时间长了以后慢慢理解信息收集重要性，它让我们后期是否能拿到shell的最重要的一步,不管咱们是通过web渗透上传马，写入马反弹，还是以端口服务或者系统直接发送恶意远程执行脚本并反弹shell，以及修改硬件，固件修改，手机马，物理层面无人机检测拔网线串线社工等等，信息收集资产打点的完成度，影响我们后面以那种方式进去蓝队服务器，护网服务器，以及实战服务器，各种固件逆向修改，个人pc，手机。

想来是客户很少写底层代码，对驱动开发的环境要求不了解，其实Microsoft官网明确标注了目前VS2026还不支持驱动开发，所以完全不用急着跟进 VS2026，现阶段VS2022仍是驱动开发，搭配虚拟机VMWare搭建的Win10 调试机，再结合Windbg调试工具，就能搭建出稳定的双击调试环境，既避免物理机蓝屏重启的麻烦，也能高效完成内核态的调试工作。不同于应用层调试工具，它能深度穿透系统内核，

因个人私事耽误了点时间，差点又像小时候被下套，还好理智战胜愤怒。后期资金充足的话咱们使用VR或者Untity3d做一个酷炫的场景，毕竟咱们做为黑客，除了炫技从底层vt，驱动再到应用层，web，固件，车载系统，APP，逆向等，没个酷炫界面那可不行哈哈哈。底层二进制来找的合法客户有点少，所以就没过多发布类似产品demo，新开的一个坑游戏开发的就是c/c++，后面像一些r3层安全检测，hook，inje

机器学习也借鉴了人类学习模式，分为有监督学习（如识别物体）、无监督学习（无监督学习就像是让计算机自己在一堆杂乱的数据里找规律、做分类，不需要人提前告诉它 “答案”。从定义看，对于给定任务 T，在合理性能度量方案 P 下，计算机程序可自主学习任务 T 的经验 E，且随着优质、大量经验 E 的积累，程序对任务 T 的性能会逐步提升。机器学习的运作，依赖计算机系统依据训练数据按特定方式学习，随着训练次数

机器学习在后期如果数据集攀大以后是，它的性能是有瓶颈的，相反在蓝队实战中，每天攻击流量都有一秒10到40gb流量，所以我们后期优先考虑深度学习以及各种神经网络，除了客户指定机器学习，后面所有demo案例本人都是优先使用深度学习来做，咱们再复习一下机器学习和深度学习区别，机器学习主要有一下这写特点，特征工程我们需要手动处理，最后使用特定算法来进行训练，某些特定模型数据集一大训练很卡，相反深度学习我不

前言自我反思作为安全开发者，黑客，红队或蓝队成员我们都要专注于项目突破提升，多接触实战，让学到东西活起来，而不是局限理论或者比赛，靶机，甚至一推特定的数据集如kdd,nsl,cicmalanal数据集等毫无意义，我看好多模仿中介，还有之前自称某an，现在又是说自己是某dc员工，说自己src排名前三名赋型选手，最后拿着朋友在github公开项目到处m，自己又不改一下样式，或者图片布局，也不添加自己想

经验心得。

这一个也是和信号识别的那个项目demo一样。桌面很常用的开发框架tkinter,在没有pyqt之前一直用着，帮客户修改一下代码。人工智能应用开发套路还是一样，从csv获取数据集，进行数据集清洗去重等操作，完成数据清洗就可以构造模型进行模型fit了，最后模型预测评估调优。

桌面很常用的开发框架tkinter,在没有pyqt之前一直用着，帮客户修改一下代码。人工智能应用开发套路还是一样，从csv获取数据集，进行数据集清洗去重等操作，完成数据清洗就可以构造模型进行模型fit了，最后模型预测评估调优。

做一个基于大数据舆情项目，然后再使用人工智能模型训练来进行舆情分析，详细的一些nlp原理，和大数据操作之前说过我就不提了，项目demo还是老样子不同板块不同功能分开处理就行，像业务类crud我们使用django框架来搭建，有了业务数据后我们需要考虑后期是否大量需要进行数据挖掘处理分析展示，所以使用大数据来进行处理，最后把数据提取喂给人工智能进行模型训练就行。为什么现在开始上架大数据了？好分块读不错