皮皮网

1.snownlp和nltk什么关系
2.2022Pwnhub春季赛相关体验及wp
3.使用 Elasticsearch 和 LlamaIndex 进行高级文本检索：句子窗口检索

snownlp和nltk什么关系

       æ²¡ä»€ä¹ˆå…³ç³»å§ã€‚ SnowNLP的开发者在GitHub描述中提到是受TextBlobd的启发才写的SnowNLP,而这两个类库的最大区别就是SnowNLP具体实现的时候没有用nltk，主要针对中文文本处理。

Pwnhub春季赛相关体验及wp

       首次参加Pwnhub举办的大型公开赛，体验令人满意。Pwnhub的声誉名副其实，比赛中只有四个解题，且难度集中在easyrop。比赛前期的蓝牙打印app源码宣传充分到位，Pwnhub历来以举办公开月赛闻名，此次公开赛规模空前，奖励丰厚。

       比赛题目多样，涵盖了web、misc、crypto、re、正方 系统源码pwn等多个方向，还加入了ACM、OCR、以及汇编等不同类型的题目，甚至引入了网页版的传奇游戏，以减轻比赛的枯燥性。题目设计全面，从多个方面考验参赛者的个人能力。

       比赛流程流畅，靶机启动迅速，不限制数量，后期取消了靶机时间限制，但在所有靶机都开放在同一IP地址上，日历源码 php端口号可以遍历，加之不是动态flag，可能导致蹭取flag的情况。

       首次在CTF比赛中遇到使用Flash游戏的题目，新颖有趣，促使我迅速安装Flash并进入主办方设置的游戏。游戏类题目共有四个小题，最后一个题需要获取服务器的shell，可以视为半个web挑战。

       注册账号，创建角色登录游戏，发现公告栏中明确显示了flag，十分友好。清除emmc 源码下一步是购买题目中的元宝召唤道具，但需要通过抽奖将绑定元宝转化为元宝，再购买。打死召唤出的怪物后，会掉落flag之书1，注意掉落的flag之书可以被其他玩家捡走，谨防被抢，我的flag为flag{ nonono_notmola}。

       主办方放出服务器源码，虽然经过修改，但仍能从中找出一些漏洞。从log.php中可以获取生成token的密钥，允许任意用户登录其他账户。商业cps源码在log.php中，理论上存在注入漏洞，但线上复现不成功。web方面的其他漏洞未能发现，获取shell需要对游戏服务器文件进行逆向工程。

       web部分考察知识新颖且难度适中。在EzPDFParser中，通过java写的PDF解析器在解析PDF时触发log4j2漏洞，搭建恶意JNDI服务器，修改PDF文件即可触发漏洞。在easyCMS中，通过测试MySQL联通性，利用MySQL读取文件，通过Rogue-MySql-Server实现，使用PHP脚本操作。

       在baby_flask中，利用flask模板渲染不会更新的问题，通过生成个模板并在缓存刷新时执行payload，即可获取flag。Misc部分需要使用裸眼3d技巧，借助stegsolve工具将两张图分开，获取flag{ nice_pwnhub}。在其他页面的签到中，通过关于页面的视频中的二维码找到flag。

       比赛持续小时，时间较长，但某些类别的题目数量似乎不是很多，如web部分，队伍数量较多，完成三个题后，期待后期上新题，可惜未能如愿。整体体验良好，通过赛题学习到许多知识，期待Pwnhub举办更多类似的公开赛！

使用 Elasticsearch 和 LlamaIndex 进行高级文本检索：句子窗口检索

       在年，RAG技术及其应用如火如荼，特别是在构建Q/A聊天机器人和上下文驱动的代理方面，LlamaIndex和开源框架Langchain的兴起极大地推动了开发者构建复杂应用的能力。本文将深入探讨一种名为句子窗口检索（SWR）的高级RAG技术，它通过在定制知识库中选择性地提供上下文，提升了文本检索的质量和效率。

       LlamaIndex作为一个强大的数据框架，专为LLM应用程序设计，支持私有或特定领域的数据处理。它开源且可广泛应用于各种场景，想要了解更多，可以访问GitHub项目。

       句子窗口检索的核心是围绕查询选择性地获取上下文，然后在生成文本时整合更丰富的上下文。它通过限定在特定句子（“窗口上下文”）范围内，增强了信息提取的精确性和相关性。然而，选择合适的上下文窗口大小至关重要，以避免关键信息遗漏。

       本文将指导如何利用Elasticsearch作为向量数据库，结合LlamaIndex设置SWR管道。首先，通过Docker启动单节点Elasticsearch实例。接下来，我们使用Jupyter Notebook设计应用，安装Python依赖，包括在pdf文件中使用LlamaIndex进行数据加载和处理。构建句子窗口索引和查询引擎是关键步骤，包括Node Parser、Service Context、Storage Context的创建，以及后处理器的定义，如SentenceTransformerRerank。

       通过Kibana可视化结果，你可以尝试使用这个框架，甚至可以下载源代码进行自定义和比较性能。源码链接和更多相关信息可以在相关文档中找到。本文旨在提供详细的实践指导，欢迎探索并应用到你的项目中。