InformationSecurity-Study

헤더에는 입력한 값에 대한 admin 출력 query문이 출력되는데, 이를 이용해서 pw를 알아내어야 한다. Blind Sql Injection으로, 이용해야 할 함수는 대략적으로 ascii(), substr() 등이다. 우선, - # : %23 - ' : %27 - -- 주석: 해당 주석 다음에는 꼭 %20을 함께 - substr(변수, 시작위치, 갯수) ex) substr(pw, 1, 1) pw로부터 1번째 위치에서 1개의 글자를 추출 - ascii(문자) : 문자의 아스키 코드 반환 - length(변수) : 변수의 길이 반환 을 알아두도록 하자. id는 고정되어 있고 풀이의 핵심은 pw에 있다. 먼저 pw의 길이부터 확인해보자. 앞부분은 생략하였으나 1부터 차근차근 테스트 해본다. length(p..

이건 그냥 2번 디코딩만 해주면 끝나는 초간단 문제다. 딱 봐도 decimal to String을 해주어야 할 것 같이 생김. 1. decimal to String 을 해주면 VG9kYXkgaXMgYSBnb29kIGRheS4gVGhlIEF1dGhLZXkgaXMgVmVyeVZlcnlUb25nVG9uZ0d1cmkh 라는 결과를 얻게 된다. 이건 base64 인코딩 형식이기 때문에 다시 한번 base64로 디코딩 해주어야 한다. 2. base64 decoding 두 번의 과정을 거친 결과 이와 같은 답을 얻을 수 있었다. VeryVeryTongTongGuri! 느낌표까지 포함해서 답이더라. 참고하시길 -- 참고 사이트 decimal to string: https://www.browserling.com/tool..

포렌식 문제를 풀어봐야겠다는 생각이 들어서 풀기 시작했다. prob 15를 클릭하면 아래와 같이 페이지가 나온다. mp3 파일 내에 키가 있다는 걸 보니, HxD로 파일 내부를 뒤져봐야 겠다. 아직 내부를 분석하지 않았지만 mp3 내 또 다른 파일이 숨겨져 있을 거라 짐작된다. mp3 파일을 HxD로 열어보면 ID3 파일 시그니처로 시작한다. FF D8 FF E0 xx xx 4A 46 49 46 이 JPG 파일 형식의 file signature이다. mp3 파일 내에 JPG파일이 스테가노그라피 방식으로 숨겨져 있는 것인지 한번 JPG 파일을 분리해보자. 여기에 JPG 파일의 끝을 알리는 FF D9 바이트이다. JPG 파일 시그니처 FF D8 FF E0 이전 바이트와 FF D9 뒷 바이트를 모두 제거해준다..

Tensorflow Object Detection API 실습하고 있다. 환경구축까지 성공했으나 막상 돌려보면 정확도가 굉장히 낮고 특정 분류의 대상만 인식하는 걸 알 수 있다. 그래서 내가 직접 수집한 dataset으로 학습시켜서 Object Detection을 구현하고자 한다. 얼마나 걸릴 지는 모르겠으나 열심히 해보자! LabelImg 실습을 진행하기 위해서는 https://github.com/tzutalin/labelImg 에서 git clone을 활용하여 다운로드 받는다. Collect Dataset - 사진을 수집할 때 너무 크지 않도록 주의한다. 사진은 각각 200KB 이하이고, 720x1280 보다 커서는 안 된다. 사진의 크기가 클수록 Training에 더 많은 시간이 걸릴 것이다. --..

1단계: ConvNet의 Conv 레이어 만들기 고양이에게 어떠한 형태의 그림을 보여주었을 때, 그림을 읽어들이는 뉴런이 모두 동작하는 게 아니라 그림의 형태에 따라서 일부분 일부분만 사용하는 것을 알 수 있다. 이 발견에서 착안한 것이 Convolutional Neural Networks라고 한다. (CONV - RELU - POOL)의 과정을 여러 번 반복해서 레이블링하는 Softmax Classification을 통해 분류한다. 처음의 Input 32x32x3 Image --> 5x5x3 filter (한꺼번에 얼마만큼 보고 싶은지 정한다. ) filter는 궁극적으로 한 값(one number)을 만들어낸다. one number에 대한 공식이 아래와 같다. one number = Wx + b = ..

Overfitting이란 무엇일까? 오른쪽 그림과 같이 학습시킬 때에 너무 꼬아서 모든 경우의 수에 맞추어 학습시키면 학습 데이터에 대한 정확도는 높겠지만 테스트 데이터에 대한 정확도는 현저히 낮을 것이다. Overfitting의 문제점? 학습 데이터를 가지고 정확도를 측정했을 때 정확도가 100퍼센트에 가깝지만 테스트 데이터를 가지고 정확도를 측정하면 정확도가 급격하게 낮아져 실전에 사용하기에 부적합할 것이다. Layer가 많아질수록 Training Data에서는 Error가 적어 상당히 학습이 잘 되는 것처럼 보인다. 실전 데이터로 테스트해보면 Error가 어느순간 증가한다. 가장 좋은 해결책은? - 학습 데이터를 많이 준비하는 것! - feature을 줄이는 것! - Regularization을 사..

지난 포스트에서 Vanishing Gradient가 발생했는데, 이에 대한 해결책이 weight 설정과 ReLU이다. 그런데 ReLU를 사용하는 데도 두 번의 시행의 Cost가 다른 결과를 갖는다. 왜 그럴까?? Weight을 초기화할 때 -1~1사이의 Random 값을 가지기 때문이다. 초기값을 쿨하게 0으로 준다면? W가 Chain Rule할 때 사용되는데, 기울기 구하는 계산 결과가 0이 된다. Gradient가 0이 되어서 Gradient가 다 사라지는 문제가 발생한다. 따라서 절대로 모든 초기값을 0으로 주면 안 된다! 학습이 전혀 안 될 것이다. 그렇다면 어떻게 초기값을 설정해주어야 Deep Belief Nets를 잘 학습시킬까?? Forward에서 3개의 input과 4개의 output을 갖..

하나의 Unit으로 해결하기 어렵기 때문에 여러 개의 Layer에 걸쳐서 학습시킨 결과, XOR문제를 해결하였던 실습을 지난 Lec9의 Lab1에서 하였다. 각각의 Layer 사이에는 Sigmoid연산이 있는 것을 볼 수 있는데, 이런 함수들을 이제 네트워크에서는 "Activation function"이라고 부른다. 하나의 값이 그 다음 값으로 전달될 때 어느 값 이상이면 Activate되고 어느 값 이하이면 Deactivate되기 때문이다. 3단 Layer는 어떻게 구성할까?? 벡타들이 복잡해지는데, 2 input X에 5 Output을 원한다면 Next Layer에서 5 Input X를 해주면 된다. 또 4 Output을 얻고자 한다면 그 다음 Input에 4를, 최종 Output에 1의 값을 설정해..