先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新网络安全全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上网络安全知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注网络安全）

正文

6.1.1.4 学历逾期占比分布

SELECT 学历认证,
学历认证逾期数量,
学历认证总数,
CONCAT( ROUND(学历认证逾期数量\*100/学历认证总数,2),'%') as '逾期占比'
FROM
(SELECT 学历认证,
sum(CASE WHEN 标当前逾期天数 > 0 then 1 else 0 END) as '学历认证逾期数量',
sum(CASE WHEN 标当前逾期天数 >= 0 then 1 else 0 END) as '学历认证总数'
from lcisnew
GROUP BY 学历认证) as a 

从上表可知，未成功认证学历的用户逾期率更高，为3.90%，成功认证学历的用户逾期率较低，为2.71%。

6.1.2 逾期用户画像分析用户行为

包括淘宝认证、征信认证、手机认证、视频认证、户口认证、是否第一次借款分布情况。

6.1.2.1 淘宝认证

SELECT 淘宝认证,
	逾期数量,
	总数,
	CONCAT( ROUND(逾期数量\*100/总数,2),'%') as '逾期占比'
FROM (
	SELECT 淘宝认证,
	sum(CASE WHEN 标当前逾期天数 > 0 then 1 else 0 END) as '逾期数量',
	sum(CASE WHEN 标当前逾期天数 >= 0 then 1 else 0 END) as '总数'
	from lcisnew
	GROUP BY 淘宝认证) as a

6.1.2.2 征信认证

SELECT 征信认证,
	逾期数量,
	总数,
	CONCAT( ROUND(逾期数量\*100/总数,2),'%') as '逾期占比'
FROM (
	SELECT 征信认证,
	sum(CASE WHEN 标当前逾期天数 > 0 then 1 else 0 END) as '逾期数量',
	sum(CASE WHEN 标当前逾期天数 >= 0 then 1 else 0 END) as '总数'
	from lcisnew
	GROUP BY 征信认证) as a

从上图表可知，未进行征信认证的用户占大多数。

6.1.2.3 手机认证

SELECT 手机认证,
	逾期数量,
	总数,
	CONCAT( ROUND(逾期数量\*100/总数,2),'%') as '逾期占比'
FROM (
	SELECT 手机认证,
	sum(CASE WHEN 标当前逾期天数 > 0 then 1 else 0 END) as '逾期数量',
	sum(CASE WHEN 标当前逾期天数 >= 0 then 1 else 0 END) as '总数'
	from lcisnew
	GROUP BY 手机认证) as a

6.1.2.4 视频认证

SELECT 视频认证,
	逾期数量,
	总数,
	CONCAT( ROUND(逾期数量\*100/总数,2),'%') as '逾期占比'
FROM (
	SELECT 视频认证,
	sum(CASE WHEN 标当前逾期天数 > 0 then 1 else 0 END) as '逾期数量',
	sum(CASE WHEN 标当前逾期天数 >= 0 then 1 else 0 END) as '总数'
	from lcisnew
	GROUP BY 视频认证) as a

6.1.2.5 户口认证

SELECT 户口认证,
	逾期数量,
	总数,
	CONCAT( ROUND(逾期数量\*100/总数,2),'%') as '逾期占比'
FROM (
	SELECT 户口认证,
	sum(CASE WHEN 标当前逾期天数 > 0 then 1 else 0 END) as '逾期数量',
	sum(CASE WHEN 标当前逾期天数 >= 0 then 1 else 0 END) as '总数'
	from lcisnew
	GROUP BY 户口认证) as a

6.1.2.6 是否第一次借款

SELECT 是否首标,
	逾期数量,
	总数,
	CONCAT( ROUND(逾期数量\*100/总数,2),'%') as '逾期占比'
FROM (
	SELECT 是否首标,
	sum(CASE WHEN 标当前逾期天数 > 0 then 1 else 0 END) as '逾期数量',
	sum(CASE WHEN 标当前逾期天数 >= 0 then 1 else 0 END) as '总数'
	from lcisnew
	GROUP BY 是否首标) as a

对以上6个用户行为维度进行可视化：

通过对比以上用户行为的六个维度可知，

已完成淘宝验证的逾期率小于没有完成淘宝验证的，此结果符合正常猜想，如果开过淘宝网店的用户一般会更加重视其信用评价，此用户行为符合对应的较低逾期率。第一次借款的逾期率也低于不是第一次借款的，这也是符合常规猜想的。

但是征信、视频、户口完成认证的逾期率却高于没有完成认证的逾期率，其中完成征信认证的逾期率远大于未完成认证的，这几个用户行为的逾期率结果不符合常规猜想，所以尝试寻找产生该结果的原因。

重新查看不难发现，征信、视频、户口未认证的用户数量占比都在90%以上，逾期占比=逾期数/总数，由此可知未认证的用户数量基数大，逾期数对于基数大的反应不灵敏，导致未成功认证的逾期率小于成功认证的逾期率。

6.2 业务维度

6.2.1 不良贷款率随记录时间变化趋势

SELECT 记录日期,
	逾期待还金额,
	待还总金额,
	CONCAT(round(逾期待还金额\*100/待还总金额,2),'%') as '不良率'
FROM (
	SELECT 记录日期,
	round(sum(case when 标当前逾期天数>0 then 待还本金 ELSE 0 END),2) as '逾期待还金额',
	round(sum(待还本金),2) as '待还总金额'
	from lcisnew 
	GROUP BY 记录日期) as a

由图表可知，本次数据记录的时间是从2016/9/1到2017/2/1的不良贷款率信息，不良率基本上是逐月递增，直到2017/2/1达到最高7.38%。该现象产生的原因刚好与2016年下半年p2p暴雷情况逐步发生，很多借款人都是多头借贷，出现暴雷后，很多多头借贷的借款人，没办法借新还旧，连环效应影响了更多平台。加上国家出台严格监管手段，放款速度放缓，不良率升高。

6.2.2 年龄与性别

6.2.2.1 不良贷款率与性别、年龄段的相关性

#不良贷款与性别的相关性
SELECT 性别,
	逾期待还本金,
	待还总金额,
	concat(round(逾期待还本金\*100/待还总金额,2),'%') as '不良率'
from(
	SELECT 性别,
	round(sum(case when 标当前逾期天数>0 then 待还本金 else 0 end),2) as '逾期待还本金',
	round(sum(待还本金),2) as '待还总金额'
	from lcisnew
	GROUP BY 性别) as a

#不良贷款与年龄段的相关性
SELECT 年龄段,逾期待还本金,待还总金额,
	CONCAT(round(逾期待还本金\*100/待还总金额,2),'%') as '不良率'
FROM (
	SELECT 
		(case when (年龄>=18 and 年龄<22) then '18-22'
		when 年龄<28 then '22-28'
		when 年龄<35 then '28-35'
		when 年龄<42 then '35-42'
		when 年龄<50 then '42-50'
		when 年龄>=50 then '>=50'
		else 年龄 END) as '年龄段',
		round(sum(case when 标当前逾期天数>0 then 待还本金 else 0 end),2) as '逾期待还本金',
		round(sum(待还本金),2) as '待还总金额'
	from lcisnew 
	GROUP BY 年龄段) as a

6.2.2.2 年龄段、性别的放贷比列

#性别放贷比例
select 性别,
	concat(round(sum(借款金额)\*100/(select sum(借款金额) from lcisnew),2),'%') as '放贷比例'
from lcisnew
GROUP BY 性别

SELECT 
	(case when (年龄>=18 and 年龄<22) then '18-22'
	when 年龄<28 then '22-28'
	when 年龄<35 then '28-35'
	when 年龄<42 then '35-42'
	when 年龄<50 then '42-50'
	when 年龄>=50 then '>=50'
	else 年龄 END) as '年龄段',
	concat(round(sum(借款金额)\*100/(select sum(借款金额) from lcisnew),2),'%') as '放贷比例'
FROM lcisnew 
GROUP BY 年龄段

图表可视化处理

由图可知，

• 42-50岁年龄段的用户贷款不良率高达6.88%，35-42岁年龄段的用户贷款不良率也同样高达6.36%，而且这两个年龄段其对应的的放贷比例为7.16%、17.01%;35-42岁年龄段的用户处于较高不良率的同时，其放贷比例还处于较高的水平，这对于公司来说是十分危险的，需要采用策略降低该年龄段的逾期率或者降低其放款比例，可以采取的策略有：提高该年龄段用户的申请门槛，尽量获得该用户的更多的认证信息，或者直接降低放待比例。
• 理想的不良率和放贷比例参数应该是负相关的。即随着不良率不断升高，对应的放贷比例应该越低，这样才能保证合理的风险控制。男性不良贷款率比女性高，放贷比例大小男性又处于绝对优势。建议平台可以在放贷比例上，多放给女性，以期均衡风险。

6.2.3 初始评级

6.2.3.1 不良贷款与初始评级的相关性

SELECT 初始评级,
	逾期待还本金,
	待还总金额,
	concat(round(逾期待还本金\*100/待还总金额,2),'%') as '不良率'
from (
	SELECT 初始评级,
	round(sum(case when 标当前逾期天数>0 then 待还本金 else 0 end),2) as '逾期待还本金',
	round(sum(待还本金),2) as '待还总金额'
	from lcisnew
	GROUP BY 初始评级) as a

6.2.3.2 初始评级的放贷比例

select 初始评级,
	concat(round(sum(借款金额)\*100/(select sum(借款金额) from lcisnew),2),'%') as '放贷比例'
from lcisnew
GROUP BY 初始评级

以上两个表格可视化：

由图可知：

• 放贷比例主要集中在B、C评级，占比70%以上；评级最低的F，放贷量最小为0.09%,评级指标对应的放款比例较合理；
• 评级AAA，E分别不良率占比最高和最低，E的不良率太高符合低的放贷比例，AAA评级的放款比例太低，需要加大强度开发此类客户；
• 顺着评分梯度来看，除了AAA，AA级客户开发力度不足，其余评级的逾期率以及放贷比例在合理范围内；

6.2.4 不良贷款率与借款类型、利率、金额、期限之间的相关性分析，以及放贷比例

6.2.4.1 借款类型的不良贷款率和放贷比例

SELECT 借款类型,
	逾期待还本金,
	待还总金额,
	concat(round(逾期待还本金\*100/待还总金额,2),'%') as '贷款不良率'
from (
	SELECT 借款类型,
	round(sum(case when 标当前逾期天数>0 then 待还本金 else 0 end),2) as '逾期待还本金',
	round(sum(待还本金),2) as '待还总金额'
	from lcisnew
	GROUP BY 借款类型) as a

select 借款类型,
	concat(round(sum(借款金额)\*100/(select sum(借款金额) from lcisnew),2),'%') as '放贷比例'
from lcisnew
GROUP BY 借款类型

6.2.4.2 借款利率的不良率和放贷比例

利率分组：7-10，10-13，13-16，16-19，19-22，22-24。

SELECT 利率区间,逾期待还本金,待还总金额,
	CONCAT(round(逾期待还本金\*100/待还总金额,2),'%') as '不良率'
FROM (
	SELECT 
		(case when (借款利率>=7 and 借款利率<10) then '7-10'
		when 借款利率<13 then '10-13'
		when 借款利率<16 then '13-16'
		when 借款利率<19 then '16-19'
		when 借款利率<22 then '19-22'
		when 借款利率<=24 then '22-24'
		else 借款利率 END) as '利率区间',
		round(sum(case when 标当前逾期天数>0 then 待还本金 else 0 end),2) as '逾期待还本金',
		round(sum(待还本金),2) as '待还总金额'
	from lcisnew 
	GROUP BY 利率区间) as a

SELECT
	(case when (借款利率>=7 and 借款利率<10) then '7-10'
	when 借款利率<13 then '10-13'
	when 借款利率<16 then '13-16'
	when 借款利率<19 then '16-19'
	when 借款利率<22 then '19-22'
	when 借款利率<=24 then '22-24'
	else 借款利率 END) as '利率区间',
	concat(round(sum(借款金额)\*100/(select sum(借款金额) from lcisnew),2),'%') as '放贷比例'
FROM lcisnew 
GROUP BY 利率区间

6.2.4.3 借款金额的不良率和放贷比例

借款金额分组：<1200，1200-8000，8000-20000，20000-50000，50000-80000，,80000-120000，120000-200000，200000-300000，>=300000

SELECT 金额区间,逾期待还本金,待还总金额,
	CONCAT(round(逾期待还本金\*100/待还总金额,2),'%') as '不良率'
FROM (
	SELECT 
		(case when 借款金额<1200 then '<1200'
		when 借款金额<8000 then '1200-8000'
		when 借款金额<20000 then '8000-20000'
		when 借款金额<50000 then '20000-50000'
		when 借款金额<80000 then '50000-80000'
		when 借款金额<120000 then '80000-120000'
		when 借款金额<200000 then '120000-200000'
		when 借款金额<300000 then '200000-300000'
		when 借款金额>=300000 then '>=300000'
		else 借款金额 END) as '金额区间',
		round(sum(case when 标当前逾期天数>0 then 待还本金 else 0 end),2) as '逾期待还本金',
		round(sum(待还本金),2) as '待还总金额'
	from lcisnew 
	GROUP BY 金额区间) as a

SELECT
	(case when 借款金额<1200 then '<1200'
	when 借款金额<8000 then '1200-8000'
	when 借款金额<20000 then '8000-20000'
	when 借款金额<50000 then '20000-50000'
	when 借款金额<80000 then '50000-80000'
	when 借款金额<120000 then '80000-120000'
	when 借款金额<200000 then '120000-200000'
	when 借款金额<300000 then '200000-300000'
	when 借款金额>=300000 then '>=300000'
	else 借款金额 END) as '金额区间',
	concat(round(sum(借款金额)\*100/(select sum(借款金额) from lcisnew),2),'%') as '放贷比例'
FROM lcisnew 
GROUP BY 金额区间

6.2.4.4 借款期限的不良率和放贷比例

SELECT 借款期限,
	逾期待还本金,
	待还总金额,
	concat(round(逾期待还本金\*100/待还总金额,2),'%') as '不良率'
from (
	SELECT 借款期限,
	round(sum(case when 标当前逾期天数>0 then 待还本金 else 0 end),2) as '逾期待还本金',
	round(sum(待还本金),2) as '待还总金额'
	from lcisnew
	GROUP BY 借款期限) as a

select 借款期限,
	concat(round(sum(借款金额)\*100/(select sum(借款金额) from lcisnew),2),'%') as '放贷比例'
from lcisnew
GROUP BY 借款期限

对分析结果可视化：

由图可知:

• 借款类型是电商的不良率达到66.59%，如此高的不良率，但是其放贷比例却仍旧高达27.7%，这样的不良率对应这样的放贷比例是很危险的，需要降低一下此类借款的放款比例；应收安全标不良率几乎为0，因为该类型用户以自身应收账款作担保,满足"应收账款大于借款金额"的条件，所以此不良率也相对正常；
• 从图可以看出利率区间的高低基本和不良率成正比，这算是符合正常的风险定价，高风险对于高利率；整体放贷比例集中于13-19利率区间内，可以适当提高一下7-13利率区间内的放贷比例
• 金额区间不良率最高的金额区间是200000-300000，不良率高达40%，放贷比例为8.4%，此放款比例高于不良率在20%的金额区间，所以需要降低200000-300000金额区间的放款比例；从整体不良率与金额区间的相关性看，不良率与放款金额成正比；

再根据整体放贷比例看，主要放款区间是在1200-20000，个人信贷由于大环境不良率的提高，公司为了降低风险，逐渐降低每笔款的放款金额；

• 借款期限的不良率和放贷比例负相关性较差，可能无法有效降低风险，其中80%以上的放贷贡献是半年和一年短期贷款，一般都是周转资金，很快还款的，这可能是由平台的用户分类决定，这些短期借款的具体用途和用户特点，我们需要更多的数据支持。

7 总结和建议

7.1 逾期用户信息和行为

综合上述用户逾期的信息和行为特征，我们可以总结出如下内容。

从用户信息特征来看：

• 逾期率最高的是初始评级为E的用户群，此类客户是需要尽量减少的客户，逾期率最低的是评级为AAA的用户群，是优质客户群，但是开发难度大，需要尽量留着这些优质客户;用户群是B，C级用户逾期率处理较低水平，人群覆盖面广，开发成本较低，所以应将此类客户作为主力用户，但在开发的同时需要关注此类用户群随时间变化的逾期率，以便快速应对逾期率的变化。

建议：尽量减少的E级客户，开发AAA级客户，BC级作为主力客户。

• 18-22 岁年龄段的用户逾期率最高；此类用户群刚成年不久，信用意识不强，还款能力弱；22-35 年龄段的用户使用贷款的人数占总人数75%左右，逾期率也处于比较低的水平，此类用户正处于事业期阶段，还款能力强，信用意识也比较高。

建议：对18-22岁年龄段用户也不应该一刀切，毕竟此类客户维护得好的话有可能成为未来的主力客户，不过需要对此类用户做更多详细分类，比如是否有上大学，搜集更多详细信息；将22-35 年龄段的用户作为主力客户。

• 男女比例的逾期率偏差不大，所以该类指标作为逾期的参考性不大。

从用户行为特征来看：

• 用户的行为主要从其是否有完成各种认证来区分，通过上述数据表明，淘宝成功认证的逾期率小于未成功认证；但是征信认证、手机认证、视频认证、户口认证这几项都是成功认证的逾期率都比未成功认证的逾期率高，不符合常理，经过对其验证，这几项未认证的用户数量占比都在90%以上，用户数量基数大，逾期数对于基数大的反应不灵敏，导致结果存在随机性。

解决办法：采取下采样的方法平衡正负样本后再求逾期率占比，再通过采样的方法求得逾期率，结果发现成功认证的用户逾期率低于未成功认证的用户，与猜想结果符合。

建议：成功认证有助于降低逾期率，可以适当提高成功认证用户的放贷比例，降低未成功认证用户的放贷比例。

7.2 不同维度下的不良率以及放贷比例

综合上述不同维度下的不良率以及放贷比例，我们可以总结：

• 随着时间的推移，贷款率逐渐上升，往往是因为用户还款能力不稳定再加上还款意愿随时间下降，所以导致时间与不良率成正相关；还有影响时间维度的还有外部大环境，互联网金融由于缺少完善的监管机制，行业波动大，连环影响效应明显。

建议：放款策略要紧跟大环境的趋势，了解政策变化，尽量避免放过于长期的款，采取组合时间段的放款方式放款。

• 35-42,42-50岁年龄段的用户贷款不良率都高于6%，放贷比例高达24%，此类偏高龄用户由于年龄逐渐上升，事业上升期早已结束，即将从稳定阶段逐步下降，其还款能力也逐渐下降，男女放贷比例失衡，比例为3：1，男的占绝大数，但男的不良率比女的高1.8%。

建议：降低35-42,42-50岁年龄段的用户的放款比例，提高女的放款比例，平衡不良率。

• 借款属性方面，借款类型是电商的不良率达到66.59%，放贷比例却仍旧高达27.7%，如此高的不良率，对于电商平台的此类借款类型的用户的逾期原因十分可疑；借款金额不良率主要集中在20W-30W阶段，由于放款金额大，只要发生逾期，不良率就会大幅度提高；而借款期限方面，平台主要用户借贷以半年、一年的短期为主，其中24、12、6、7的借款期限不良率较高，发生违约可能性较大。

建议：先暂停接收电商类型的放款，并调查此类型的用户，查看是否存在欺诈骗贷行为，再决定下一步策略；整个平台的平均放款金额应该控制在1200-20000区间，分散风险，降低整体风险；放款期间建议尽量在一年以内，过长的放款期限会增大风险。

8 构建逾期用户画像以及策略

逾期占比分布最高用户普遍的标签为：

1.年龄段为35-42 岁；

如何自学黑客&网络安全

黑客零基础入门学习路线&规划

初级黑客
1、网络安全理论知识（2天）
①了解行业相关背景，前景，确定发展方向。
②学习网络安全相关法律法规。
③网络安全运营的概念。
④等保简介、等保规定、流程和规范。（非常重要）

2、渗透测试基础（一周）
①渗透测试的流程、分类、标准
②信息收集技术：主动/被动信息搜集、Nmap工具、Google Hacking
③漏洞扫描、漏洞利用、原理，利用方法、工具（MSF）、绕过IDS和反病毒侦察
④主机攻防演练：MS17-010、MS08-067、MS10-046、MS12-20等

3、操作系统基础（一周）
①Windows系统常见功能和命令
②Kali Linux系统常见功能和命令
③操作系统安全（系统入侵排查/系统加固基础）

4、计算机网络基础（一周）
①计算机网络基础、协议和架构
②网络通信原理、OSI模型、数据转发流程
③常见协议解析（HTTP、TCP/IP、ARP等）
④网络攻击技术与网络安全防御技术
⑤Web漏洞原理与防御：主动/被动攻击、DDOS攻击、CVE漏洞复现

5、数据库基础操作（2天）
①数据库基础
②SQL语言基础
③数据库安全加固

6、Web渗透（1周）
①HTML、CSS和JavaScript简介
②OWASP Top10
③Web漏洞扫描工具
④Web渗透工具：Nmap、BurpSuite、SQLMap、其他（菜刀、漏扫等）
恭喜你，如果学到这里，你基本可以从事一份网络安全相关的工作，比如渗透测试、Web 渗透、安全服务、安全分析等岗位；如果等保模块学的好，还可以从事等保工程师。薪资区间6k-15k

到此为止，大概1个月的时间。你已经成为了一名“脚本小子”。那么你还想往下探索吗？

如果你想要入坑黑客&网络安全，笔者给大家准备了一份：282G全网最全的网络安全资料包评论区留言即可领取！

7、脚本编程（初级/中级/高级）
在网络安全领域。是否具备编程能力是“脚本小子”和真正黑客的本质区别。在实际的渗透测试过程中，面对复杂多变的网络环境，当常用工具不能满足实际需求的时候，往往需要对现有工具进行扩展，或者编写符合我们要求的工具、自动化脚本，这个时候就需要具备一定的编程能力。在分秒必争的CTF竞赛中，想要高效地使用自制的脚本工具来实现各种目的，更是需要拥有编程能力.

如果你零基础入门，笔者建议选择脚本语言Python/PHP/Go/Java中的一种，对常用库进行编程学习；搭建开发环境和选择IDE,PHP环境推荐Wamp和XAMPP， IDE强烈推荐Sublime；·Python编程学习，学习内容包含：语法、正则、文件、 网络、多线程等常用库，推荐《Python核心编程》，不要看完；·用Python编写漏洞的exp,然后写一个简单的网络爬虫；·PHP基本语法学习并书写一个简单的博客系统；熟悉MVC架构，并试着学习一个PHP框架或者Python框架 (可选)；·了解Bootstrap的布局或者CSS。

8、超级黑客
这部分内容对零基础的同学来说还比较遥远，就不展开细说了，附上学习路线。

网络安全工程师企业级学习路线

如图片过大被平台压缩导致看不清的话，评论区点赞和评论区留言获取吧。我都会回复的

视频配套资料&国内外网安书籍、文档&工具

当然除了有配套的视频，同时也为大家整理了各种文档和书籍资料&工具，并且已经帮大家分好类了。

一些笔者自己买的、其他平台白嫖不到的视频教程。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注网络安全）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

ac21a22d230645ccf767358997.webp?x-oss-process=image/format,png)
如图片过大被平台压缩导致看不清的话，评论区点赞和评论区留言获取吧。我都会回复的

视频配套资料&国内外网安书籍、文档&工具

当然除了有配套的视频，同时也为大家整理了各种文档和书籍资料&工具，并且已经帮大家分好类了。

一些笔者自己买的、其他平台白嫖不到的视频教程。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注网络安全）
[外链图片转存中…(img-sswwmB9K-1713382023212)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！