"Windows 操作系统安全实验一:账户与密码设置、安全策略、日志审核与启用"

需积分: 0 1 下载量 60 浏览量 更新于2024-03-21 收藏 2.49MB PDF 举报
本次实验的目的是通过对Windows操作系统的安全性设置进行实践,掌握Windows账户与密码的安全设置、安全策略与安全模板的使用、以及审核和日志的启用,建立一个基本的Windows操作系统安全框架。实验要求我们根据Windows操作系统的各项安全性实验要求,详细观察并记录设置前后系统的变化,并撰写分析报告。 实验设备及软件准备了一台安装了Windows10/7操作系统的计算机,磁盘格式配置为NTFS(New Technology File System)。NTFS是Windows NT系列操作系统支持的一种特殊磁盘格式,设计用于网络和磁盘配额、文件加密等安全特性管理,提供长文件名、数据保护和恢复功能,能通过目录和文件权限实现安全性,并支持跨越分区。 实验内容主要包括账户与密码的安全设置、审核与日志查看、以及启用安全策略与安全模板。在进行实验过程中,我们需要以管理员(Administrator)身份登陆系统,并以Windows10的设置为例进行说明各项实验步骤。 首先,我们进行了账户与密码的安全设置。在Windows操作系统中,账户与密码是保护系统安全的重要因素。我们了解了如何设置密码复杂度要求、密码历史记录、账户锁定策略等,以加强账户与密码的安全性。 其次,进行了审核与日志查看。通过启用审核功能和查看系统日志,我们可以追踪系统活动、监视用户行为、检测潜在的安全威胁,及时发现并应对安全事件。 最后,启用安全策略与安全模板。我们学习了如何使用Windows提供的安全策略工具,通过设置安全模板来加强系统的安全性,限制用户权限、配置防火墙规则、设置加密策略等,以防范潜在的威胁和攻击。 通过本次实验,我们深入了解了Windows操作系统的安全设置和管理方法,掌握了一些实用的安全措施和技巧,建立了一个基本的Windows操作系统安全框架。同时,通过实验记录和分析报告,我们对系统的安全性变化有了清晰的了解和评估,为进一步提高系统安全性提供了指导和参考。希望在今后的实践中,能够灵活运用这些安全措施,保护系统和数据的安全,提升信息安全意识和能力。

for (img1_file, img2_file) in tqdm(img_pairs): img1 = np.array(imread(img1_file)) img2 = np.array(imread(img2_file)) if args.arch == 'StrainNet_l' and img1.ndim == 3: img1 = img1[:,:,1] img2 = img2[:,:,1] img1 = img1/255 img2 = img2/255 if img1.ndim == 2: img1 = img1[np.newaxis, ...] img2 = img2[np.newaxis, ...] img1 = img1[np.newaxis, ...] img2 = img2[np.newaxis, ...] img1 = torch.from_numpy(img1).float() img2 = torch.from_numpy(img2).float() if args.arch == 'StrainNet_h' or args.arch == 'StrainNet_f': img1 = torch.cat([img1,img1,img1],1) img2 = torch.cat([img2,img2,img2],1) input_var = torch.cat([img1,img2],1) elif img1.ndim == 3: img1 = np.transpose(img1, (2, 0, 1)) img2 = np.transpose(img2, (2, 0, 1)) img1 = torch.from_numpy(img1).float() img2 = torch.from_numpy(img2).float() input_var = torch.cat([img1, img2]).unsqueeze(0) # compute output input_var = input_var.to(device) output = model(input_var) if args.arch == 'StrainNet_h' or args.arch == 'StrainNet_l': output = torch.nn.functional.interpolate(input=output, scale_factor=2, mode='bilinear') output_to_write = output.data.cpu() output_to_write = output_to_write.numpy() disp_x = output_to_write[0,0,:,:] disp_x = - disp_x * args.div_flow + 1 disp_y = output_to_write[0,1,:,:] disp_y = - disp_y * args.div_flow + 1 filenamex = save_path/'{}{}'.format(img1_file.stem[:-1], '_disp_x') filenamey = save_path/'{}{}'.format(img1_file.stem[:-1], '_disp_y') np.savetxt(filenamex + '.csv', disp_x,delimiter=',') np.savetxt(filenamey + '.csv', disp_y,delimiter=',')

2023-07-08 上传