网络特征指纹库-用于CDN识别

常见CDN网络特征指纹库，使用Json加载

渗透测试-自己手写端口扫描器

《从零开始写漏扫》系列，端口扫描源码，Python3编写，使用socket实现全连接扫描、Scapy实现SYN半连接扫描、TCP FIN扫描、NULL扫描、XMAS扫描、TCP ACK扫描、TCP窗口扫描。使用锁机制实现线程同步，多线程端口扫描，具体速度取决于使用者当前网速，以及同时可开启的线程数，欢迎交流学习。

渗透测试-自己手写子域名爆破扫描器-多线程版

《从零开始写漏扫》系列，子域名挖掘源码，Python3编写，使用锁机制实现线程同步，多线程子域名挖掘，具体速度取决于使用者当前网速，欢迎交流学习。

渗透测试-自己手写子域名爆破扫描器-单线程版

《从零开始写漏扫》系列，子域名挖掘源码，Python3编写，尽量使用最简单的包方便初学者理解。使用socket实现DNS解析，利用DNSpod提供的公开字典，单线程子域名挖掘，具体速度取决于使用者当前网速，欢迎交流学习。

sub_domain.txt

dnspod.com 官方提供的子域名字典，可用于资产信息收集

朴素贝叶斯py源代码

朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法 [1] 。 最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。

智能搜索算法教学实验系统使用说明

点击“setup”， 可能会弹出下面的对话框，如果没有，请直接跳到（2）。 在智能搜索算法教学软件的安装包里点击“dotnetfx”安装.NET Framework，安 装完成后，重新点击“setup”。 （2）在如下对话框中选择“运行（R）”，然后根据提示进行教学实验系统的 默认安装，默认安装路径为“C:\Program Files\智能搜索算法教学实验系统\”，请 不要修改此安装路径。 （3）安装完成后，在“开始→程序→智能搜索算法教学软件”中就建立了 一个“智能搜索算法教学软件”的快捷方式，单击该快捷方式即可运行该软件。 同时在桌面也会建立一个“智能搜索算法教学软件”的快捷方式图标，双击该桌 面快捷方式图标也可运行教学软件。软件主界面如下图所示： 选择点击标题栏上的各菜单，即可进入A*算法、模拟退火算法、遗传算法 的演示程序、验证程序和自主实验界面。 因为系统兼容性问题，本软件如果安装在win10 系统上，遗传算法的验证 程序运行会中断，如下图，请点击退出，然后重新开始运行实验软件。 （4）软件运行时，可查阅《系统帮助》进行各算法模块的“演示程序”、“验 证程序”等操作，该帮助的安装路径为：开始→程序→智能搜索算法教学软件→ 系统帮助。

稀疏主成分分析算法研究.caj

现在,全球已进入互联网时代,在各个领域都能收集到丰富多样的数据信息.通过对这些数据信息的处理,可以更加丰富,具体的描述客观对象,帮助人们找到事物的本质规律,以致做出正确的判断与措施来提高社会资源利用率.但在实际问题应用中,这些海量的高维数据之间往往存在大量冗余.因此,如何对这些数据进行处理,找到数据之间的内在联系,已成为人们日益关注的问题.传统的主成分分析方法是很受欢迎的处理高维数据的降维工具,但其提取的主成分的元素大都是非零的,这就很难去解释主成分对应的具体特征是什么.稀疏主成分分析是在主成分分析的基础上得到的提取稀疏主成分的算法.但稀疏主成分分析是线性分类工具,不能处理非线性数据,故本文将其与核函数结合得到了稀疏核主成分分析方法.文章主要分以下三个方面叙述.1.介绍了一些相关的范数定义,主成分分析(PCA),核主成分分析(KPCA),交替方向法(ADM),矩阵收缩法.此外,本文还总结了稀疏主成分分析算法的七种优化模型.2.稀疏主成分分析(SPCA)的目的是提取一些原始数据变量的线性组合并且这些组合在稀疏的同时尽可能多地保留原来的信息.本文考虑了测量方差的2L和L_1范数,诱导稀疏的L_0和L_1范数,以及约束和惩罚两种用途得到新的两种SPCA最优模型.然后将这两种模型与交替方向法结合得到了新的稀疏主成分分析方法.并在人工数据和真实数据上做了实验,最终证明了算法的有效性.3.由于生活中的数据大都是非线性的,因此本文根据主成分分析向核主成分分析推广的思想,将稀疏主成分分析与核函数结合,得到了稀疏核主成分分析算法(SKPCA).在实验部分,本文分别使用了30个省市的农民家庭消费状况数据和二维人工生成样本数据来进行实验仿真.实验证明,这种方法可以有效的提取非线性数据的稀疏主成分.

稀疏主成分分析的相关研究.caj

现在,全球已进入互联网时代,在各个领域都能收集到丰富多样的数据信息.通过对这些数据信息的处理,可以更加丰富,具体的描述客观对象,帮助人们找到事物的本质规律,以致做出正确的判断与措施来提高社会资源利用率.但在实际问题应用中,这些海量的高维数据之间往往存在大量冗余.因此,如何对这些数据进行处理,找到数据之间的内在联系,已成为人们日益关注的问题.传统的主成分分析方法是很受欢迎的处理高维数据的降维工具,但其提取的主成分的元素大都是非零的,这就很难去解释主成分对应的具体特征是什么.稀疏主成分分析是在主成分分析的基础上得到的提取稀疏主成分的算法.但稀疏主成分分析是线性分类工具,不能处理非线性数据,故本文将其与核函数结合得到了稀疏核主成分分析方法.文章主要分以下三个方面叙述.1.介绍了一些相关的范数定义,主成分分析(PCA),核主成分分析(KPCA),交替方向法(ADM),矩阵收缩法.此外,本文还总结了稀疏主成分分析算法的七种优化模型.2.稀疏主成分分析(SPCA)的目的是提取一些原始数据变量的线性组合并且这些组合在稀疏的同时尽可能多地保留原来的信息.本文考虑了测量方差的2L和L_1范数,诱导稀疏的L_0和L_1范数,以及约束和惩罚两种用途得到新的两种SPCA最优模型.然后将这两种模型与交替方向法结合得到了新的稀疏主成分分析方法.并在人工数据和真实数据上做