怎么才能找到网站的漏洞？
最近忽然间就想到了那些厉害的电脑玩家，网页漏洞找的很6，我想知道怎么能找到漏洞或者找漏洞的机制是什么？
关于怎么找到漏洞这个问题，现在基本可以分为2种情况。
第一种是用机器去扫描漏洞。很多安全公司都有自己的漏洞扫描器，利用漏洞扫描器就可以扫描和发现漏洞。但是机器毕竟是死的，所以扫描出来的漏洞也都是符合编程规则的漏洞，那些不在规则外的漏洞，有些甚至是高位漏洞，是无法被机器扫描出来的。所以就有了第二种方式。
第二种就是渗透测试，现在非常急缺和热门的专业。渗透测试需要人工去寻找和发现漏洞，所以机动性会更高。一般采取白盒或黑盒的方式去挖掘的，基本都为未知的漏洞。采取刺探或扫描的方式去发现的，基本都为已知漏洞；如溢出、提权、web漏洞，这些通用型的漏洞，则采取针对性的黑白盒技巧去挖掘、逻辑类型漏洞，就要揣测和发现程序员在实现业务逻辑中有可能忽略的细节并加以验证和利用。
牛盾网路也提供漏洞扫描和渗透测试服务，如果有想了解的欢迎来官网咨询。
牛盾-漏洞扫描?scan.newdun.com
知识的积累 + 技术经验
就是 Web安全领域的知识，Web 漏洞的类型有很多，从前端到后端或者傲游内网
要是只靠扫描器的话，也没什么大作用，即使你走运找到了个，因为没有知识积累，你也不会利用它，也是白搭的
若是有兴趣可以自己去深入学习一下，若是因为看某音某小视频而激起的三分钟热度，劝你还是放弃吧，毕竟这不是一两天就能学会的，浪费时间而已 ∠( ? 」∠)＿
而且，除了必要的专业领域知识，还要必备许多其它的课外技能，需要大量的时间去学习
( ??? ? ??? )嘤嘤嘤~
为了解决你这个问题，我整理了一下，总共有七个方法，如下：
教程一:如何黑网站
方法一：
第一步:打开IE5.5以上版本，或FireFox1. 5以上版本，并且输入目标网址，打开需要被黑的论坛。
第二步:取一定浓度黑色墨汁少许，口含，将嘴对准你的屏幕正中，喷! ! !
第三步:抬眼看:黑了!!!它黑了!!!
方法二：
第一步:打开IE5.5以上版本，或FireFox1. 5以上版本，并且输入目标网址，打开需要被黑的论坛。
第二步:找到显示器开关，伸出食指，将食指对准显示器开关按钮，按! ! !
第三步:抬眼看:黑了!!!它黑了!!!
方法三：
第一步: 打开IE5.5以上版本，或FireFox1. 5以上版本，并且输入目标网址，打开需要被黑的论坛。
第二步:找到机箱电源插座，伸出右手，将右手对准插座，拔! ! !
第三步:抬眼看:黑了!!!它黑了!!!
方法四：
第一步:打开IE5.5以上版本，或FireFox1. 5以上版本，并且输入目标网址，打开需要被黑的论坛。
第二步:取一定大小砖块或金属等硬物，对准你的屏幕正中，扔! ! !
第三步:抬眼看:黑了! !!它黑了! ! !
教程二:如何黑别人电脑步骤
1.买一桶黑油漆和一把刷子
2.到别人家(走著去或坐车都可以)
3.把他家的电脑用刷子涂抹上黑油漆
好了!这样你就成功地黑了别人的电脑了!恭喜你!
教程三:如何在别人电脑里留下后门和木马
1.到玩具店买一个木马，再到五金店买一个钻孔机
2.到别人家(走著去或坐车去都可以）
3.用钻孔机在他家电脑的机箱后面钻-个洞，把木马塞进去。
教程四:如何提升自己在对方网站里的许可权步骤
1.发很多很多的贴子
2.给这个网站捐超级多的钱
3.申请做版主
好了!你终于提升了自己的许可权了!恭喜你!
教程五:如何得到别人的各种密码步骤
1.静态跟踪法：
去一个网吧，打扮成一棵树，站在上网者的身后偷看。
2.动态跟踪法：
到朋友家做客，站在他们的家人身后偷看。
(要求:记忆力和眼力必须好，严重反对豆眼和白痴学习此功法)
教程六:如何以穷举法破解别人邮箱密码步骤
1.随便输入一个邮箱密码
2.如不行，再输入第二个试试
3.如不行，再输入第三个试试
4.如不行，再输入第四个试试.....
(耗费时间较多，强烈建议老年朋友勿练此功法)
教程七:如何令对方网路瘫痪步骤
1.把对方网站的网管和站长等所有人约到一个死胡同吃饭。
2.让你所有的弟兄都赶到那个死胡同，别忘了带上铁锤、木棍。.
3.我估计见面以后对方的网站不是瘫痪，就是半瘫痪了。
(有不明白的细节可以拨打110查询)
听完我上面的分析和讲解是不是有所收获哦~
当然了，那上面的方法基本上都是很牛逼的，我一般不敢去使用
如果你对计算机技术感兴趣可以找我来学习，15年逆向渗透技术沉淀
参考下图找我交流
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
寻找漏洞在于扎实的基本功，够稳够骚的思路 经验，看一些大牛写的实战文章，看看大牛用的什么方法什么思路。这里推荐你浏览乌云里的文章
把乌云镜像上的漏洞都看一遍再来问这个问题，这个问题可能就不会存在了。
这个问题太过笼统，，，，难以回答，可以说财富有一堆！！！
推荐阅读：
