怎麼才能找到網站的漏洞？
最近忽然間就想到了那些厲害的電腦玩家，網頁漏洞找的很6，我想知道怎麼能找到漏洞或者找漏洞的機制是什麼？
關於怎麼找到漏洞這個問題，現在基本可以分為2種情況。
第一種是用機器去掃描漏洞。很多安全公司都有自己的漏洞掃描器，利用漏洞掃描器就可以掃描和發現漏洞。但是機器畢竟是死的，所以掃描出來的漏洞也都是符合編程規則的漏洞，那些不在規則外的漏洞，有些甚至是高位漏洞，是無法被機器掃描出來的。所以就有了第二種方式。
第二種就是滲透測試，現在非常急缺和熱門的專業。滲透測試需要人工去尋找和發現漏洞，所以機動性會更高。一般採取白盒或黑盒的方式去挖掘的，基本都為未知的漏洞。採取刺探或掃描的方式去發現的，基本都為已知漏洞；如溢出、提權、web漏洞，這些通用型的漏洞，則採取針對性的黑白盒技巧去挖掘、邏輯類型漏洞，就要揣測和發現程序員在實現業務邏輯中有可能忽略的細節並加以驗證和利用。
牛盾網路也提供漏洞掃描和滲透測試服務，如果有想了解的歡迎來官網諮詢。
牛盾-漏洞掃描?scan.newdun.com
知識的積累 + 技術經驗
就是 Web安全領域的知識，Web 漏洞的類型有很多，從前端到後端或者傲遊內網
要是只靠掃描器的話，也沒什麼大作用，即使你走運找到了個，因為沒有知識積累，你也不會利用它，也是白搭的
若是有興趣可以自己去深入學習一下，若是因為看某音某小視頻而激起的三分鐘熱度，勸你還是放棄吧，畢竟這不是一兩天就能學會的，浪費時間而已 ∠( ? 」∠)＿
而且，除了必要的專業領域知識，還要必備許多其它的課外技能，需要大量的時間去學習
( ??? ? ??? )嚶嚶嚶~
為了解決你這個問題，我整理了一下，總共有七個方法，如下：
教程一:如何黑網站
方法一：
第一步:打開IE5.5以上版本，或FireFox1. 5以上版本，並且輸入目標網址，打開需要被黑的論壇。
第二步:取一定濃度黑色墨汁少許，口含，將嘴對準你的屏幕正中，噴! ! !
第三步:抬眼看:黑了!!!它黑了!!!
方法二：
第一步:打開IE5.5以上版本，或FireFox1. 5以上版本，並且輸入目標網址，打開需要被黑的論壇。
第二步:找到顯示器開關，伸出食指，將食指對準顯示器開關按鈕，按! ! !
第三步:抬眼看:黑了!!!它黑了!!!
方法三：
第一步: 打開IE5.5以上版本，或FireFox1. 5以上版本，並且輸入目標網址，打開需要被黑的論壇。
第二步:找到機箱電源插座，伸出右手，將右手對準插座，拔! ! !
第三步:抬眼看:黑了!!!它黑了!!!
方法四：
第一步:打開IE5.5以上版本，或FireFox1. 5以上版本，並且輸入目標網址，打開需要被黑的論壇。
第二步:取一定大小磚塊或金屬等硬物，對準你的屏幕正中，扔! ! !
第三步:抬眼看:黑了! !!它黑了! ! !
教程二:如何黑別人電腦步驟
1.買一桶黑油漆和一把刷子
2.到別人家(走著去或坐車都可以)
3.把他家的電腦用刷子塗抹上黑油漆
好了!這樣你就成功地黑了別人的電腦了!恭喜你!
教程三:如何在別人電腦里留下後門和木馬
1.到玩具店買一個木馬，再到五金店買一個鑽孔機
2.到別人家(走著去或坐車去都可以）
3.用鑽孔機在他家電腦的機箱後面鑽-個洞，把木馬塞進去。
教程四:如何提升自己在對方網站里的許可權步驟
1.發很多很多的貼子
2.給這個網站捐超級多的錢
3.申請做版主
好了!你終於提升了自己的許可權了!恭喜你!
教程五:如何得到別人的各種密碼步驟
1.靜態跟蹤法：
去一個網吧，打扮成一棵樹，站在上網者的身後偷看。
2.動態跟蹤法：
到朋友家做客，站在他們的家人身後偷看。
(要求:記憶力和眼力必須好，嚴重反對豆眼和白痴學習此功法)
教程六:如何以窮舉法破解別人郵箱密碼步驟
1.隨便輸入一個郵箱密碼
2.如不行，再輸入第二個試試
3.如不行，再輸入第三個試試
4.如不行，再輸入第四個試試.....
(耗費時間較多，強烈建議老年朋友勿練此功法)
教程七:如何令對方網路癱瘓步驟
1.把對方網站的網管和站長等所有人約到一個死胡同吃飯。
2.讓你所有的弟兄都趕到那個死胡同，別忘了帶上鐵鎚、木棍。.
3.我估計見面以後對方的網站不是癱瘓，就是半癱瘓了。
(有不明白的細節可以撥打110查詢)
聽完我上面的分析和講解是不是有所收穫哦~
當然了，那上面的方法基本上都是很牛逼的，我一般不敢去使用
如果你對計算機技術感興趣可以找我來學習，15年逆向滲透技術沉澱
參考下圖找我交流
import numpy as np
""" Here I implemented the scoring functions.
MAE, MSE, RMSE, RMSLE are included.
Those are used for calculating differences between
predicted values and actual values.
Metrics are slightly differentiated. Sometimes squared, rooted,
even log is used.
Using log and roots can be perceived as tools for penalizing big
errors. However, using appropriate metrics depends on the situations,
and types of data
"""
# Mean Absolute Error
def mae(predict, actual):
"""
Examples(rounded for precision):
&>&>&> actual = [1,2,3];predict = [1,4,3]
&>&>&> np.around(mae(predict,actual),decimals = 2)
0.67
&>&>&> actual = [1,1,1];predict = [1,1,1]
&>&>&> mae(predict,actual)
0.0
"""
predict = np.array(predict)
actual = np.array(actual)
difference = abs(predict - actual)
score = difference.mean()
return score
# Mean Squared Error
def mse(predict, actual):
"""
Examples(rounded for precision):
&>&>&> actual = [1,2,3];predict = [1,4,3]
&>&>&> np.around(mse(predict,actual),decimals = 2)
1.33
&>&>&> actual = [1,1,1];predict = [1,1,1]
&>&>&> mse(predict,actual)
0.0
"""
predict = np.array(predict)
actual = np.array(actual)
difference = predict - actual
square_diff = np.square(difference)
score = square_diff.mean()
return score
# Root Mean Squared Error
def rmse(predict, actual):
"""
Examples(rounded for precision):
&>&>&> actual = [1,2,3];predict = [1,4,3]
&>&>&> np.around(rmse(predict,actual),decimals = 2)
1.15
&>&>&> actual = [1,1,1];predict = [1,1,1]
&>&>&> rmse(predict,actual)
0.0
"""
predict = np.array(predict)
actual = np.array(actual)
difference = predict - actual
square_diff = np.square(difference)
mean_square_diff = square_diff.mean()
score = np.sqrt(mean_square_diff)
return score
# Root Mean Square Logarithmic Error
def rmsle(predict, actual):
"""
Examples(rounded for precision):
&>&>&> actual = [10,10,30];predict = [10,2,30]
&>&>&> np.around(rmsle(predict,actual),decimals = 2)
0.75
&>&>&> actual = [1,1,1];predict = [1,1,1]
&>&>&> rmsle(predict,actual)
0.0
"""
predict = np.array(predict)
actual = np.array(actual)
log_predict = np.log(predict + 1)
log_actual = np.log(actual + 1)
difference = log_predict - log_actual
square_diff = np.square(difference)
mean_square_diff = square_diff.mean()
score = np.sqrt(mean_square_diff)
return score
# Mean Bias Deviation
def mbd(predict, actual):
"""
This value is Negative, if the model underpredicts,
positive, if it overpredicts.
Example(rounded for precision):
Here the model overpredicts
&>&>&> actual = [1,2,3];predict = [2,3,4]
&>&>&> np.around(mbd(predict,actual),decimals = 2)
50.0
Here the model underpredicts
&>&>&> actual = [1,2,3];predict = [0,1,1]
&>&>&> np.around(mbd(predict,actual),decimals = 2)
-66.67
"""
predict = np.array(predict)
actual = np.array(actual)
difference = predict - actual
numerator = np.sum(difference) / len(predict)
denumerator = np.sum(actual) / len(predict)
# print(numerator, denumerator)
score = float(numerator) / denumerator * 100
return score
尋找漏洞在於紮實的基本功，夠穩夠騷的思路 經驗，看一些大牛寫的實戰文章，看看大牛用的什麼方法什麼思路。這裡推薦你瀏覽烏雲里的文章
把烏雲鏡像上的漏洞都看一遍再來問這個問題，這個問題可能就不會存在了。
這個問題太過籠統，，，，難以回答，可以說財富有一堆！！！
推薦閱讀：
