前言：观念的便秘扬弃是对物质现实的扬弃，幸存下来的是物质的决定性基本特征，即从经验性现实走向概念性扬弃。因此扬弃是一个从内容到简单概念（可能性现实）的辨证过程，将现实性减法为可能性了。这个扬弃也就是一种能指化，通过能指化，我们获得了比周围现实世界更大的潜力，比如“椅子”这个词语，我们就已经将其把握为了某种可以使用的器具。扬弃的对象最终可以在概念发展中摆脱主体的束缚，自由地发展。
主体即实体也就是说主体是被禁止了内容的实体，也就是拉康的S到划杠S的过程。
似乎康德和黑格尔的对立是唯物论和唯心论的对立：康德主张最低限度的唯物主义，黑格尔使现实溶解于概念。但其实，黑格尔认为一个物体的存在的论断本身就是抽象概念，
康德的100块钱的论断里，口袋里的100块钱依旧是概念性的，它的身份依赖于我们如何“想”它。
黑格尔的辩证法，并非是内容得到概念，而是首先获得概念，释放了内容任其所是，后面才是占有。
第一部分：症状马克思如何发明了征兆（syptom，我感觉症状也行）？马克思、弗洛伊德：对形式的分析马克思和弗洛伊德的分析都是现象学式的，并非研究探索对象形式背后的内容，而是研究对象为何为形成这种形式，比 ...
环境配置首先将目标机器调成debug模式：
12345C:\Windows\system32>bcdedit /copy {current} /d "Kernel Debugging On"The entry was successfully copied to {自动生成的id}.C:\Windows\system32>bcdedit /debug {自动生成的id} onThe operation completed successfully.
用COM pipe串行端口配置双机调试。
在目标机器上配置好HEVD驱动后有个坑，windbg里的HEVD的符号表必须配置C:\projects\hevd\build\driver\vulnerable\x86\HEVD\HEVD.pdb，按照习惯配置SRV*path*不行。
此时就可以看到HEVD驱动的symbol载入了：
1234567891011120: kd> x /D HEVD!a* A B C D E F G H I J K L ...
三种常见的ssl/tls用户态的库：
OpenSSL
BoringSSL
GnuTLS
hook的实现细节在OpenSSL场景下，需要用到的uprobe：SSL_read、SSL_read_ex、SSL_write、SSL_write_ex、do_handshake。
deepseek给出的具体调用过程：
flowchart TD
start([开始]) --> do_handshake[调用 SSL_do_handshake]
do_handshake --> handshake_success{SSL_do_handshake 成功?}
handshake_success -->|是| app_data_exchange[应用数据交换]
handshake_success -->|否| handshake_error[检查 SSL_get_error]
handshake_error --> handshake_retry{SSL_ERROR_WANT_READ 或 SSL_ERROR_WANT_WRITE?}
handshake ...
TinyInst建立在自定义调试器之上。调试器通过监视目标进程的事件，例如加载模块、命中断点、引发异常等，实现对目标程序的完全访问和控制，进而实现插桩和覆盖率收集等功能。如果指定了目标方法，调试器还会实现断点和持久性。
TinyInst支持主流的三种代码覆盖率的统计：
基本块覆盖：计算运行时达到的基本块的数量。
边覆盖：计算运行时命中的边。
比较覆盖：计算CMP指令中命中的字节数。
TinyInst的插桩的简单流程如下：
graph TB
subgraph Target_Process
A[目标 Module] --> B(Debugger)
B --创建运行空间--> C[插桩]
end
TinyInst里比较关键的模块：通过debugger attach目标模块（Debugger）、对目标模块的执行进行控制以及插桩（TinyInst）、目标模块执行的覆盖率统计（LiteCov）。
graph TB
subgraph TinyInst
A[LiteCov] --继承--> B(TinyInst)
...
接受过优质高等教育的“精英女性”陷入邪教/灵修陷阱的现象并非偶然，而是癔症结构在象征界断裂处与伪大他者必然的共舞——这场舞蹈以欲望的错位投射为旋律、以符号暴力的循环再生产为节奏，最终将癔症主体的结构性创伤转换为邪教系统增殖、扩张的燃料。
本文将以“精英女性”、邪教/灵修（下文将简化为“邪教”）为意向对象，试图从结构上分析出“精英女性”在遭受职场、家庭创伤后深陷邪教陷阱的原因。
主人话语和大学话语的共谋邪教建构自身系统的逻辑和高等教育建制具有同构性：精英女性在学术训练中习得的”理性崇拜”，恰成为邪教首领实施符号置换的完美切口——邪教将新自由主义语境下的成功学话语与密传知识缝合，将职场/家庭挫败重新编码为”灵性觉醒的必要试炼”。这种话语嫁接术之所以奏效，正源于高等教育系统早已将主体异化为符号秩序的献祭品。
职场中的“玻璃悬崖”困境与家庭场域的母职惩罚构成双重异化，迫使她们在象征界和实在界的裂隙间悬浮。此时邪教提供的“灵性子宫”恰好构成反转性补偿：修行仪式中对身体的规训，戏剧性复现了其熟悉的学术规训机制；而“双生火焰”、“业力激情”、“灵魂伴侣”等伪宇宙论叙事， ...
编译dynamorio x86/x64编译的时候将告警转换为报错的取消：在Makefile搜索/WX改成/WX-。
编译winafl编译时候因为cmake限制报错，修改cmake版本最小需要即可，比如：
1cmake_minimum_required(VERSION 3.5)
测试测试代码：
12345678910111213141516171819202122232425262728#define _CRT_SECURE_NO_WARNINGS#include <stdio.h>#include <windows.h>int main(int argc, char* argv[]){ char tmp[30]; char buff[1024]; FILE* fp; printf("stack overflow demo.\n"); if (argc >= 2) { fp = fopen(argv[1], "rb"); i ...
一个应用场景：Attention is all you need提出来的Transformer模型最经典的案例就是翻译以及当下最火的生成式语言。
传统的RNN等神经网络模型都是编码器-解码器的结构：
编码器：将输入$(x_1,x_2,…,x_n)$转换成向量数组$(z_1,z_2,…,z_n)$，其中每个$z_t$对应于一个词$x_t$的向量表示。这里编码器的输出就是这么一个向量数组。
解码器：将编码器输出的数组$(z_1,z_2,…,z_n)$解码为一个序列$(y_1,y_2,…,y_m)$，这里的m并一定等于n，因为假如中译英，输入句子和输出句子长度往往是不一样的。这里解码器输出的词是一个一个生成的——自回归，比如$y_i$的输出往往会依赖于$y_{i-1}$。
具体模块
Transformer图里各个模块的含义：
左侧：编码器
右侧：解码器
Input：编码器的输入，比如需要翻译的句子
Output：解码器的输入，也就是解码器之前状态的输出
Input Embedded：嵌入层，将各个词表示成向量
N*：表示编码器有n个
Multi-head Attetion：多头注意力层 ...
庸俗的女权主义者往往会在厌女、厌男的问题上陷入二元对立框架：
厌男：对男性个体的情绪反应；
厌女：对父权制结构不公的证明；
这种启蒙主义视角下的二元对立——将厌男贬斥为“无害情绪”、将厌女升华为“结构性不公”的操作，恰恰体现了父性象征秩序的自我合理化功能，父权在此完成了一次诡异的自我辩解：它通过将压迫“客观化”完成了对其暴力本质的消毒。
本文将对这种庸俗二元论进行批判，试图揭露：厌男是结构性矛盾的转移，厌女则是父权暴力为掩盖自身的“无根性”、保障自身稳定性而实施的排泄仪式。二者并非简单的二元对立，而是如莫比乌斯环的两面，最终在一个拓扑平面相交。
有关厌男关于厌男的陈词滥调往往将厌男简化，将其描述为对“单个男性或者男性群体的情绪化体验”，并以此为地基构建起空洞歪斜的高楼。要推翻这层意识形态幻象，首先我们需要对这种论断进行现象学直观。
将“厌男”的作为反应的情绪一笔带过的行为，恰恰是对此在生存论层次结构的暴力切割。当把作为此在展开的现身情态降格为心理附属物时，已深陷传统形而上学的认知陷阱——海德格尔所批判的“现成在手”的思维方式，情绪在此被僵化为可观测的对象性存在。在这种常人化的认识论 ...
工作：使用参差学习网络来让使得训练深的网络比之前容易得多。
问题：当网络特别深，梯度要么爆炸要么消失。
传统的解决办法：
权重在随机初始化的时候设置适中一点
在中间加一些BN，使得校验每个层之间的输出、梯度和方差，使得每个层
但是当网络变深，效率变低、精度会变差。这种情况并非过拟合，而是因为训练误差、测试误差都变高了（过拟合是训练误差低、测试误差高）。
文章就提出一个办法，通过显式构造一个identity mapping，使得深得网络不会比浅的网络效果差。文章构造了一个函数：$F(x)=H(x)-x$，让使得网络更深的层不去学习之前通过网络的输出学习（比如卷积核扫出来的）到的$H(x)$，而是学习一个参差$H(x)-x$，这个参差就是学到的东西和真实的东西的参差，最终输出的东西就是：$F(x)+x$。优化的目标在此就变成了$F(x)$。
参差连接处理输入输出形状不等的情况：
在输入和输出上添加一些额外的零，然后就可以做相加
做投影，用1*1卷积核去扫
实验数据表明，有参差连接的模型，收敛会快很多、后期会好，而更深的网络-34层会比16层的效果好。
当ResNet在50 ...
