首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

安卓自动化测试apk(傻猴)更新

傻猴是什么?是一款可以直接在手机上运行的自动化安卓apk测试工具,它的前身就是android 压力测试工具monkey。傻猴的连接模式有两种方式,一种是通过wifi连接,一种是通过usb连接,如果在网络的稳定情况,选择无线,连接过1次,后面就可以拿起来就用;如果网络比较差,需要稳定的话,可以选择usb模式,选择USB模式,需要在本地运行一个python脚本,建立连接;整体两种方式除了连接不同其余的操作都是一样,不用输入命令,直接安装完apk,打开apk,进行测试应用的选择和相应的参数,就可以测试,测试结束,会有相应的测试报告,整体实现页面化,操作人性化,具体的设计和工具展示,另外也配置两个使用功能,自动静音和连接网络,具体可详细查看以下视频:

03

用python写exploit

测试软件漏洞时,个人比较钟爱用python来完成exploit,简单,快速。也见过不少用perl来写的,我不喜欢。随便记录一些常用的方法。 python中有个概念叫模块,模块中包含了定义的函数,方便重用。使用模块的语句如下: import 模块名 struct模块有个很方便的函数,pack,格式如下: struct.pack(format,参数) 将参数内容转换成format中指定的格式。写shellcode时,需要将覆盖地址倒序(little-endian)排列,为了方便,咱们可以使用这个函数。咱们要用到的指定格式是"<L”,以无符号长整型的little-endian格式。 0x7ffa4512是通杀windows 2000/xp/2003的jmp esp地址,以它为例: import struct struct.pack('<L',0x7ffa4512) 溢出测试时,常常需要生成一长串字符串去填充缓冲区,用循环的话比较麻烦。python中直接可以用乘号来操作字符串: shellcode = '\x90' * 1000 执行后,shellcode的值为1000个\x90。 同时也可以用加号来操作字符串,连接两个字符串的例子如下: import struct buffer = 'A' * 100 jmpesp = struct('<L', 0x7ffa4512) #将0x7ffa4512转化为\x12\x45\xfa\x7f的格式 buffer += jmpesp 在python中“+=”与C语言中的“+=”用法一样,buffer += jmpesp等同于buffer = buffer + jmpesp,当然也可以用后者来表示。 ord函数可用于将指定字符转换成ASCIIi码,函数声明如下: ord(字符) 例: >>>print ord('A') 65 注意ord函数只接受字符,不能接受字符串。 对读取文件时发生溢出的程序来说,需要生成一个带有测试代码的文件。python提供了方便的文件操作函数。 filename = 'test'         #定义一个变量,赋值为将要打开的文件名 payload = 'A' * 5000  #生成五千个A f = open(filename,'w') #以写模式打开文件 f.write(payload)          #将五千个A写入到该文件内 f.close                        #关闭 执行以上代码后,会在当前目录下生成一个内容为5000个A的、文件名为test的文件。 有时需要对网络程序进行安全性测试,python也提供了socket编程。需要使用socket模板。 import socket shellcode = 'A' * 1000 s = socket.socket(socket.AF_INET, socket.SOCK_STREAM)   #创建一个socket对象 s.connect(("127.0.0.1", 200))  #连接到127.0.0.1,端口指定为200 s.send(shellcode)                    #发送数据(一千个A) 该例子可以用在FTP Server之类的网络程序进行测试。

02

值班离岗智能识别监测系统

值班离岗智能识别监测系统通过python+yolo网络模型视频分析技术,值班离岗智能识别监测系统能自动检测画面中人员的岗位状态(睡岗或者离岗),值班离岗智能识别监测系统一旦发现人员不在岗位的时间超出后台设置时间,立即抓拍存档提醒。Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测,核心思想就是利用整张图作为网络的输入,直接在输出层回归 bounding box(边界框) 的位置及其所属的类别。Yolo模型采用预定义预测区域的方法来完成目标检测,具体而言是将原始图像划分为 7x7=49 个网格(grid),每个网格允许预测出2个边框(bounding box,包含某个对象的矩形框),总共 49x2=98 个bounding box。我们将其理解为98个预测区,很粗略的覆盖了图片的整个区域,就在这98个预测区中进行目标检测。

02

美国伯明翰大学团队使用Theano,Python,PYNQ和Zynq开发定点Deep Recurrent神经网络

该文介绍了使用Python编程语言成功实现和训练基于固定点深度递归神经网络(DRNN); Theano数学库和多维数组的框架; 开源的基于Python的PYNQ开发环境; Digilent PYNQ-Z1开发板以及PYNQ-Z1板上的赛灵思Zynq Z-7020的片上系统SoC。Zynq-7000系列装载了双核ARM Cortex-A9处理器和28nm的Artix-7或Kintex-7可编程逻辑。在单片上集成了CPU,DSP以及ASSP,具备了关键分析和硬件加速能力以及混合信号功能,出色的性价比和最大的设计灵活性也是特点之一。使用Python DRNN硬件加速覆盖(一种赛灵思公司提出的硬件库,使用Python API在硬件逻辑和软件中建立连接并交换数据),两个合作者使用此设计为NLP(自然语言处理)应用程序实现了20GOPS(10亿次每秒)的处理吞吐量,优于早期基于FPGA的实现2.75倍到70.5倍。

08
领券