包含 Acunetix Web Vulnerability Scanner 11.0.170951158、Crack、汉化补丁。
2022-06-08 22:22:48 46.03MB AWVS Acunetix AWVS汉化 破解
1
下载后请关闭杀出软件和相关安全软件再进行安装,因为是破解版,删除软件都会误认非法;安装好后再打开杀毒软件和其他相关安全软件
2022-05-05 14:20:41 45.47MB AWV10 破解版 Acunetix
1
MONASH University 缓存溢出攻击实验课程
2022-04-15 14:00:33 417.43MB 缓存 实验
Acunetix Web Vulnerability Scanner是一个网站及服务器漏洞扫描软件 外文名 Acunetix Web Vulnerability Scanner
2022-04-06 08:57:07 44.8MB AWVS
1
Acunetix Web Vulnerability Scanner10.5 的破解版,用于扫描安全漏洞
2022-03-28 21:25:41 44.93MB 资源
1
资金 使用图神经网络和开源资源库检测代码漏洞。这是模型中描述的实现: ,, , ,,,,李立变和,“将基于图的学​​习与自动数据收集相结合以检测代码漏洞” 。 FUNDED是用于构建漏洞检测模型的新颖学习框架,该框架利用图神经网络(GNN)的进步来开发一种新颖的基于图的学​​习方法,以捕获并推理程序的控制,数据和调用依赖性。 2020年11月-该论文被接受! 在线工具和更多数据集可在我们的。 内容 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本,以进行开发和测试。 先决条件 在运行项目之前安装必要的依赖项,SoftWare的一部分与数据预处理有关,而Python库是我们已经测试过的环境。有关更多详细信息,请参考requirements.txt: 软件: Python库: 设置 本节提供了使项目运行的步骤,解释和示例。 1)克隆此仓库 $ git clone git
1
Acunetix_Web_Vulnerability_Scanner
2022-03-18 17:06:21 45.52MB AWVS Scanner
1
Middleware-Vulnerability-detection 实时更新较好用最新漏洞EXP,仅供已授权渗透测试使用 2020.4.18项目迎来两位伙伴一起维护 @caizhuang :beer_mug::beer_mug::beer_mug: @3ND:beer_mug::beer_mug::beer_mug: Apache --2019 Apache-flink 未授权访问任意 --2019 CVE-2019-0193 Apache Solr via Velocity template RCE --2020.3 CVE-2019-17564 Apache Dubbo反序列化漏洞 --2020.7 CVE-2020-13925 Apache Kylin 远程命令执行漏洞 --2020.10 CVE-2020-13957 Apache Solr 未授权上传 --2020.11 CVE-2020-13942 Apache Unomi 远程代码执行 Cacti --2020.2 CVE-202
2022-03-18 09:17:45 231.54MB python poc cve exp
1
Set-UID是Unix操作系统中一种重要的安全机制。运行Set-UID程序时,它将采用所有者的权限。例如,如果程序的所有者是root,那么任何人运行此程序时,程序在执行期间获得root权限。Set-UID允许我们做很多有趣的事情,但不幸的是,它也是很多坏事的罪魁祸首。 因此,本实验的目标有两个方面: (1)欣赏其良好的一面:理解为什么需要Set-UID以及如何实现它。 (2)注意其不好的一面:了解其潜在的安全问题。
2022-03-07 17:37:28 1.4MB 计算机安全
1
GraphDeeSmartContract 此仓库是使用图神经网络(DR-GCN)进行智能合约漏洞检测的python实现。 要求 所需的包 python 3或以上 PyTorch 1.0.0 numpy的1.18.2 sklearn用于模型评估 运行以下脚本以安装所需的软件包。 pip install --upgrade pip pip install torch==1.0.0 pip install numpy==1.18.2 pip install scikit-learn 引文 如果您想在引用我们的或代码库,请使用以下引用: @inproceedings{ijcai2020-454, title = {Smart Contract Vulnerability Detection using Graph Neural Network}, author =
1