爱豆文档 - 信息安全文档下载平台 - idocdown.com （部分文档，免费下载）

. . . . . .

LLM概述与全景解析

# 大型语言模型(LLM)全景解析与教学指南 ## 1. LLM基础概念 ### 1.1 什么是LLM？大型语言模型(LLM)是基于深度神经网络架构的预测模型，通过在海量语料库上进行大规模训练，学习并内化语言的统计规律、语义关联及上下文依赖。 **关键属性：** - **参数规模**：拥有数十亿至数万亿参数，这些参数是模型从数据中学习到的知识载体 - **数据规模**：训练数据量级庞大，覆盖广泛的知识领域和语言风格 ### 1.2 涌现能力当模型规模和数据量跨越特定阈值时，LLM

2025-08-30 08:08:33

LLM安全基础与各厂商安全策略设计

# LLM安全基础与各厂商安全策略设计 ## 一、LLM安全基础 ### 1.1 核心概念 LLM安全基础是构建全面、前瞻性安全框架的基石，需要深刻理解核心术语、基本原则及其内在逻辑。 ### 1.2 LLM常见漏洞解析（基于OWASP Top 10 for LLM Applications 2025） #### 1.2.1 提示词注入 - **定义**：对LLM指令遵循机制的操纵，诱导模型偏离预设安全边界 - **类型**： - **直接注入**：用户直接输入指令要求执行非预期任务

2025-08-30 07:56:51

大模型安全风险概览

# 大模型安全风险全面解析与防御策略 ## 一、大模型安全全景视图大模型安全需要从生命周期的每个阶段进行系统性思考，与传统软件安全相比具有更复杂的特性： ### 1.1 生命周期安全风险阶段 1. **设计阶段** - 安全起点 - 安全需求定义不清（如忽视提示注入、数据污染等特有风险） - 预训练模型选择风险 - 缺乏安全设计原则 - 对LLM特有风险的忽视 2. **数据准备与训练阶段** - 风险最集中 - 数据投毒攻击（类似食品供应链投毒）

2025-08-30 07:55:42

AI红队实践学习路线

# AI红队实践学习路线 - 全面教学文档 ## 1. 人工智能基础 ### 1.1 机器学习基础 #### 监督学习 - **分类评估指标**： - 混淆矩阵：所有评估指标的基础 - 精确率(Precision)：TP/(TP+FP) - 预测为正的样本中实际为正的比例 - 召回率(Recall)：TP/(TP+FN) - 实际为正的样本中被正确预测的比例 - F1 Score：精确率和召回率的调和平均数 - **回归评估指标**： - 平均绝对误差(MAE)：平均

2025-08-30 07:54:37

LLM安全交叉领域与从业者技能矩阵

# LLM安全交叉领域与从业者技能矩阵教学文档 ## 1. LLM安全定义与核心原则 ### 1.1 LLM安全定义 LLM安全是指一套旨在保护大型语言模型、其处理的数据及底层基础设施免受未经授权访问、滥用、攻击及其他安全威胁的实践、原则和技术集合。其核心目标是确保LLM能够可靠、安全地运行，并为社会带来积极效益。 ### 1.2 四大核心原则 1. **数据安全** - 涵盖模型训练和运行过程中数据的保护 - 关键技术包括： - 数据加密（静态与传输中）

2025-08-30 07:53:09

夜鹰APT组织利用微软Exchange漏洞攻击中国军工与科技领域

# 夜鹰APT组织利用微软Exchange漏洞攻击分析报告 ## 一、组织概况 **组织名称**：夜鹰(NightEagle, APT-Q-95) **活跃时间**：自2023年开始活跃 **攻击目标**：主要针对中国政府、国防军工、高科技、芯片半导体、量子技术、人工智能和军事领域实体机构 **核心目的**：窃取敏感情报 **活动特征**：主要在中国夜间时段(北京时间晚9点至次日凌晨6点)活动 **地理位置推测**：根据攻击时间特征，很可能来自北美地区 ## 二、攻

2025-08-30 07:51:40

.NET 红队通过 Sharp4ArchiveZip 批量压缩打包文件

# Sharp4ArchiveZip 工具使用与原理详解 ## 1. 工具概述 Sharp4ArchiveZip 是一款基于 .NET 平台 SharpZipLib 库开发的文件压缩工具，专为红队渗透测试设计。它提供了以下核心功能： - 递归压缩整个目录及其子目录 - 支持排除特定子目录 - 支持排除特定扩展名的文件 - 可控制压缩等级 - 支持简单的密码保护 - 减少传输体积，降低告警风险 ## 2. SharpZipLib 基础 ### 2.1 组件介绍 SharpZipLib

2025-08-30 07:51:14

阿里云jtools详解及codeql分析调用链

# Apache Fury反序列化漏洞分析与利用链构造 ## 1. 漏洞概述本文详细分析了一个基于Apache Fury反序列化的漏洞利用链，涉及多个Java库的交互和特殊利用技巧。该漏洞允许攻击者通过精心构造的序列化数据执行任意代码。 ## 2. 环境与依赖分析 ### 2.1 关键组件 - **Apache Fury**: 一个高性能的跨语言序列化框架 - **Hutool**: 一个Java工具库 - **Feilong**: 另一个Java工具库 ### 2.2 配置情况 -

2025-08-30 07:50:17

yonkies_keygenme_4 代码混淆

# 代码混淆技术分析与逆向工程实践 ## 一、题目概述这是一个名为"yonkies_keygenme_4"的代码混淆题目，基于Dennis Yurichev在《Reverse Engineering for Beginners》中提到的技术，使用魔改的Tiny C编译器编译而成。题目展示了多种代码混淆技术，是学习逆向工程和代码混淆分析的优秀案例。 ## 二、代码混淆技术分析 ### 1. 常数混淆 - 将常数替换为一系列算术运算 - 通过复杂的计算过程隐藏真实数值 - 增加静态分析的难

2025-08-30 07:49:36

Java 反序列化：Apache Commons Collections CC6 利用链深度解析

# Apache Commons Collections CC6 利用链深度解析 ## 环境搭建 - **JDK版本**: 8u71（但CC6对JDK版本无限制，任意版本均可） - **Commons Collection版本**: 3.2.1或更低 - JDK下载地址: [Oracle Java SE 8 Archive Downloads](https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.

2025-08-30 07:48:42

Mysql注入中锁机制的应用

# MySQL注入中锁机制的应用详解 ## 一、前言在SQL注入的延时注入技术中，常见的延时函数包括`sleep()`、`BENCHMARK()`、笛卡尔积和正则匹配等。然而，MySQL中的锁机制函数`GET_LOCK()`和`RELEASE_LOCK()`常被忽视，却是一种有效的延时注入手段。这种技术不仅能够绕过许多WAF的检测，而且在特定场景下非常有效。 ## 二、MySQL锁机制介绍 ### 1. 核心函数 #### GET_LOCK(str lock_name, int ti

2025-08-30 07:47:24

HTB Artificial 靶场：从AI模型的RCE到NAS备份系统提权

# HTB Artificial 靶场渗透测试教学文档 ## 靶机概述 - 名称：HTB Artificial - 难度：简单（但需要特定知识） - 操作系统：Ubuntu - 开放端口：22(SSH)、80(HTTP) - 关键知识点：TensorFlow RCE、Backrest备份系统提权 ## 信息收集阶段 ### 1. 基础扫描 ```bash nmap -sT --min-rate 10000 -p- 10.10.11.74 -oA nmapscan/ports nmap -s

2025-08-30 07:36:27

跳转到页