DeepInjectSQL - 基于 AI 生成对抗网络（GAN）的下一代 SQL 注入自动化漏洞猎手

news2025/5/13 18:48:58

概述

        SQLMap本身是一个成熟的自动化SQL注入工具，可以与GAN结合起来，让GAN生成的Payload替代传统的手工或规则生成的测试用例，从而提高检测的覆盖率和效率。

  • 分析可行性

        GAN通常用于生成类似真实数据分布的数据，例如图片、文本等。在SQL注入的场景下，使用GAN生成Payload的核心在于如何让生成器生成有效的攻击代码，再整合SQLMap进行测试，根据测试结果优化模型，最后形成闭环工具链，看起来是可行，但是其中也是存在一些挑战。

  • 可能的挑战
  1. GAN生成的Payload需要具备语法正确性，否则无法被目标系统正确解析从而触发漏洞；
  2. 如何定义判别器的反馈信号，因为传统GAN的判别器判断的是真实与否，但在SQL注入中需要判断是否成功利用漏洞，这可能难以直接建模；
  3. 此外，目标系统的反馈（如响应时间、错误信息、页面内容变化）是判断Payload是否成功的依据，如何将这些反馈转化为GAN训练的信号也是一个问题；
  4. 接下来要考虑如何整合SQLMap。SQLMap本身有自动检测漏洞的能力，可以将其作为判别器的一部分。例如，将GAN生成的Payload传递给SQLMap进行测试，根据测试结果调整生成器的参数。但这样的循环可能效率较低，因为SQLMap的检测过程本身比较耗时，而且GAN的训练需要大量的迭代；
  5. 技术实现方面，生成器可以使用RNN或Transformer结构来生成SQL语句，判别器则需要根据Payload的响应（如网页返回的内容）判断其有效性。由于GAN训练不稳定，可能需要采用一些改进的GAN变体，如Wasserstein GAN，或者结合预训练模型来提升生成质量；
  6. 还需要考虑数据集的问题。训练GAN需要大量的正负样本，即有效的SQL注入Payload和无效的Payload。可以使用现有的SQL注入数据集，或者通过SQLMap生成的部分结果作为训练数据。

详细的实现路径和技术方案

一、技术架构设计

整体架构分为 Payload 生成（GAN） 和 漏洞验证（SQLMap集成） 两个核心模块：

+---------------------+      +------------------------+
| GAN 模型（生成器）   | ---> | SQLMap 集成验证模块     |
| (生成 SQL 注入载荷)  | <--- | (检测漏洞并反馈结果)    |
+---------------------+      +------------------------+

二、GAN 模块实现

1. 生成器（Generator）设计

       2. SQLMap 接口调用

 使用 Python 调用 SQLMap 的 --batch 和 --results-file 参数实现自动化：

  • 目标: 生成潜在的 SQL 注入攻击载荷（Payload）。
  • 模型选择: 基于 Transformer 或 LSTM 的序列生成模型。
  • 输入/输出:
    • 输入: 随机噪声向量（如正态分布采样）。
    • 输出: SQL 注入字符串（如 ' OR 1=1; --）。
  • TensorFlow 实现示例： 
    from tensorflow.keras.layers import LSTM, Dense, Input
from tensorflow.keras.models import Model

def build_generator():
    input_layer = Input(shape=(100,))  # 噪声向量维度
    x = Dense(128)(input_layer)
    x = LSTM(64, return_sequences=True)(x)
    x = LSTM(32)(x)
    output_layer = Dense(1, activation='tanh')(x)  # 生成文本类数据需调整
    return Model(input_layer, output_layer)

    2. 判别器（Discriminator）设计

  • 目标: 判断一个 Payload 是否可能触发漏洞。
  • 输入: SQL 注入字符串。
  • 输出: 概率值（0~1），表示 Payload 的有效性。
  • 关键点: 需要对 SQL 语法和注入逻辑有先验知识（可结合预训练模型）。
  • TensorFlow 实现示例： 
    def build_discriminator():
    input_layer = Input(shape=(max_payload_length,))
    x = Embedding(vocab_size, 64)(input_layer)
    x = LSTM(32)(x)
    x = Dense(1, activation='sigmoid')(x)
    return Model(input_layer, x)

    三、集成 SQLMap 完成闭环验证

    1. 联动逻辑

  • GAN 生成一批候选 Payload。
  • 通过 SQLMap 的 API 或命令行对目标 URL 测试这些 Payload。
  • 根据 SQLMap 的检测结果（如漏洞存在性、响应时间、错误类型）生成反馈信号。
  • 用反馈信号调整 GAN 的损失函数（如强化学习的奖励机制）。

    2. SQLMap 接口调用

使用 Python 调用 SQLMap 的 --batch 和 --results-file 参数实现自动化：

import subprocess

def run_sqlmap(url, payload):
    cmd = f"sqlmap -u {url} --data='param={payload}' --batch --output-dir=results"
    result = subprocess.run(cmd, shell=True, capture_output=True)
    return parse_sqlmap_result("results/output.log")

def parse_sqlmap_result(file_path):
    # 解析 SQLMap 结果文件，提取漏洞类型、置信度等指标
    with open(file_path, 'r') as f:
        log = f.read()
    if "injection" in log:
        return 1.0  # 有效 Payload
    else:
        return 0.0  # 无效 Payload

     3. 反馈信号与 GAN 训练结合

将 SQLMap 的检测结果作为判别器的标签，优化生成器：

# 伪代码
for epoch in range(epochs):
    noise = np.random.normal(0, 1, (batch_size, noise_dim))
    gen_payloads = generator.predict(noise)
    
    # 测试 Payload，获取真实标签
    rewards = [run_sqlmap(target_url, p) for p in gen_payloads]
    
    # 训练判别器
    d_loss = discriminator.train_on_batch(gen_payloads, rewards)
    
    # 训练生成器（通过 GAN 组合模型）
    g_loss = combined_model.train_on_batch(noise, valid_labels)

四、关键优化策略

1. 数据增强

  • 种子数据集: 从公开的 SQL 注入数据集（如 payloadbox/sql-injection-payload-list）中提取样本。
  • 动态扩展: 将 SQLMap 验证成功的 Payload 加入训练数据集。

2. 对抗性提升

  • 白盒攻击: 使用生成器针对预定义的 WAF（Web应用防火墙）规则生成绕过 Payload。
  • Black-Box 优化: 结合强化学习（如 DQN）动态调整 GAN 的生成策略。

3. 多维度判别器输入

除了 Payload 本身，引入目标系统的 响应特征 作为判别器输入：

  • 响应状态码（如 500 错误）
  • 页面相似度（与正常响应的对比）
  • 响应时间（用于盲注检测）

五、实验与评估

1. 评估指标

  • 检出率 (True Positive Rate): 成功触发的漏洞数量 / 总测试用例。
  • 误报率 (False Positive Rate): 错误标记为漏洞的数量 / 总测试用例。
  • 多样性 (Payload 唯一性): 生成的 Payload 的熵值。

2. 对比实验

  • 基准方法: 传统 SQLMap 规则库、随机生成 Payload。
  • 实验目标: 验证 GAN 生成的 Payload 在绕过 WAF 和检测未知漏洞上的优势。

六、伦理与合规性

  • 授权测试: 仅限用于拥有合法授权的目标系统。
  • 数据脱敏: 训练和生成的 Payload 需去除敏感信息。
  • 防御对抗: 研究成果应用于提升 WAF 规则库的鲁棒性。

七、工具链部署

# 环境依赖
pip install tensorflow==2.10 sqlmap

# 代码结构
├── gan_sqli/
│   ├── generator.py       # GAN 生成器
│   ├── discriminator.py   # GAN 判别器
│   ├── sqlmap_api.py      # SQLMap 接口封装
│   └── train.py           # 训练循环

        通过此方案，可构建一个动态、自适应的 SQL 注入漏洞挖掘工具。最终目标是让 GAN 生成高隐蔽性、高成功率的 Payload，与 SQLMap 的漏洞验证能力形成闭环，从而提升检测效率。

完整demo和使用文档

代码结构

gan_sqli/
├── config.py            # 配置文件（超参、路径）
├── data_loader.py       # 数据集加载与预处理
├── generator.py         # GAN 生成器模型
├── discriminator.py     # GAN 判别器模型
├── sqlmap_client.py     # SQLMap API 接口封装
├── train.py             # GAN 训练逻辑
├── requirements.txt     # 依赖项
└── README.md            # 使用说明

完整代码

1. 配置文件 config.py

# -*- coding: utf-8 -*-
class Config:
    # 数据路径
    dataset_path = "data/sql_injection_samples.txt"
    vocab_path = "data/vocab.txt"
    
    # 模型参数
    noise_dim = 100          # 噪声向量维度
    max_payload_length = 50  # Payload 最大长度
    vocab_size = 128         # 字符表大小（ASCII 可打印字符）
    
    # 训练参数
    epochs = 1000
    batch_size = 64
    lr_generator = 0.0001
    lr_discriminator = 0.0001
    
    # SQLMap 配置
    target_url = "http://test.com/vuln_page.php?id=1"
    sqlmap_output_dir = "sqlmap_results"

2. 数据加载 data_loader.py

# -*- coding: utf-8 -*-
import numpy as np
from config import Config

def load_dataset():
    # 从 payloadbox 数据集加载样本
    with open(Config.dataset_path, 'r', encoding='utf-8', errors='ignore') as f:
        payloads = [line.strip() for line in f if line.strip()]
    
    # 构建字符表（ASCII 可打印字符）
    vocab = [chr(i) for i in range(32, 127)]
    char2idx = {c: i for i, c in enumerate(vocab)}
    
    # 将 Payload 编码为数字序列
    encoded_payloads = []
    for p in payloads:
        encoded = [char2idx.get(c, 0) for c in p[:Config.max_payload_length]]
        encoded += [0] * (Config.max_payload_length - len(encoded))
        encoded_payloads.append(encoded)
    
    return np.array(encoded_payloads), char2idx

3. 生成器模型 generator.py

# -*- coding: utf-8 -*-
import tensorflow as tf
from config import Config

def build_generator():
    model = tf.keras.Sequential([
        tf.keras.layers.Dense(256, input_dim=Config.noise_dim),
        tf.keras.layers.BatchNormalization(),
        tf.keras.layers.LeakyReLU(0.2),
        tf.keras.layers.Reshape((1, 256)),
        tf.keras.layers.LSTM(128, return_sequences=True),
        tf.keras.layers.LSTM(64),
        tf.keras.layers.Dense(Config.max_payload_length * Config.vocab_size, activation='softmax'),
        tf.keras.layers.Reshape((Config.max_payload_length, Config.vocab_size))
    ])
    return model

4. 判别器模型 discriminator.py

# -*- coding: utf-8 -*-
import tensorflow as tf
from config import Config

def build_discriminator():
    model = tf.keras.Sequential([
        tf.keras.layers.InputLayer(input_shape=(Config.max_payload_length,)),
        tf.keras.layers.Embedding(Config.vocab_size, 64),
        tf.keras.layers.LSTM(64),
        tf.keras.layers.Dense(1, activation='sigmoid')
    ])
    return model

5. SQLMap 接口 sqlmap_client.py

# -*- coding: utf-8 -*-
import subprocess
import os
from config import Config

def test_payload(payload):
    # 生成临时测试文件
    with open("tmp_payload.txt", 'w') as f:
        f.write(payload)
    
    # 调用 SQLMap 检测漏洞
    cmd = f"sqlmap -u {Config.target_url} --batch --output-dir={Config.sqlmap_output_dir} --answers='follow=N' --risk=3 --level=5 --file='tmp_payload.txt'"
    result = subprocess.run(cmd, shell=True, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
    
    # 解析结果：检查是否发现注入漏洞
    if b'injection' in result.stdout:
        return 1.0  # 有效载荷
    else:
        return 0.0  # 无效载荷

6. 训练逻辑 train.py

# -*- coding: utf-8 -*-
import numpy as np
import tensorflow as tf
from generator import build_generator
from discriminator import build_discriminator
from data_loader import load_dataset
from sqlmap_client import test_payload
from config import Config

def main():
    # 加载数据
    payloads, char2idx = load_dataset()
    
    # 构建模型
    generator = build_generator()
    discriminator = build_discriminator()
    
    # 优化器
    opt_generator = tf.keras.optimizers.Adam(Config.lr_generator)
    opt_discriminator = tf.keras.optimizers.Adam(Config.lr_discriminator)
    
    # 训练循环
    for epoch in range(Config.epochs):
        # 生成噪声
        noise = np.random.normal(0, 1, (Config.batch_size, Config.noise_dim))
        
        # 生成 Payload
        gen_logits = generator(noise, training=True)
        gen_payloads = tf.random.categorical(gen_logits, 1)[:, :, 0]
        
        # 转换为字符串并测试
        rewards = []
        for payload in gen_payloads.numpy():
            payload_str = ''.join([chr(c) if c in char2idx.values() else '' for c in payload])
            reward = test_payload(payload_str)
            rewards.append(reward)
        
        # 训练判别器
        with tf.GradientTape() as tape:
            real_output = discriminator(payloads, training=True)
            fake_output = discriminator(gen_payloads, training=True)
            d_loss = tf.reduce_mean(fake_output) - tf.reduce_mean(real_output)
        grads = tape.gradient(d_loss, discriminator.trainable_variables)
        opt_discriminator.apply_gradients(zip(grads, discriminator.trainable_variables))
        
        # 训练生成器（Wasserstein GAN 损失）
        with tf.GradientTape() as tape:
            fake_output = discriminator(generator(noise, training=True), training=False)
            g_loss = -tf.reduce_mean(fake_output)
        grads = tape.gradient(g_loss, generator.trainable_variables)
        opt_generator.apply_gradients(zip(grads, generator.trainable_variables))
        
        # 打印训练状态
        print(f"Epoch {epoch}: D Loss={d_loss.numpy():.4f}, G Loss={g_loss.numpy():.4f}")

if __name__ == "__main__":
    main()

使用文档

1. 环境安装

# 安装依赖
pip install -r requirements.txt

# 下载 SQL 注入数据集
git clone https://github.com/payloadbox/sql-injection-payload-list
mkdir -p data
cp sql-injection-payload-list/*.txt data/sql_injection_samples.txt

2. 配置文件修改

在 config.py 中设置您的目标 URL 和超参数：

class Config:
    target_url = "http://your-target-site/vulnerable-page.php?id=1"  # 修改为您的目标
    # 其他参数根据需求调整

3. 运行训练

python train.py

# 输出示例
Epoch 0: D Loss=-0.1234, G Loss=0.4567
Epoch 1: D Loss=-0.2312, G Loss=0.3891

4. 生成高隐蔽性 Payload

训练完成后，生成器会保存在 generator.h5 中，通过以下代码生成新 Payload：

generator = tf.keras.models.load_model('generator.h5')
noise = np.random.normal(0, 1, (1, Config.noise_dim))
gen_payload = generator.predict(noise)
payload_str = decode_payload(gen_payload)  # 转换为字符串
print(f"Generated Payload: {payload_str}")

5. 伦理与合规性

  • 仅限授权测试：禁止用于非法渗透。
  • 数据脱敏：确保训练数据不含敏感信息。
  • 结果处置：及时删除测试产生的临时文件。

关键优化点

  1. 多样性控制：通过调节温度参数（temperature）在 tf.random.categorical 中生成不同随机性的 Payload。
  2. 多线程加速：使用 Python 的 concurrent.futures 加速 SQLMap 的并行测试。
  3. 动态学习率：根据判别器准确率动态调整生成器和判别器的学习率。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2374864.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

变量函数实战：高保真APP原型“发票页面”动态交互教程

变量函数实战：高保真APP原型“发票页面”动态交互教程

变量函数是高保真交互原型设计中常见的高级交互功能&#xff0c;能够避免重复复制与手动修改页面元素和逻辑标注&#xff0c;让演示更有真实体验感。本文分享一个高保真APP交互原型页面的实操案例&#xff0c;结合原型设计工具中的变量函数与逻辑判断功能&#xff0c;手把手教你…
阅读更多...
Spring Boot 3 + Undertow 服务器优化配置

Spring Boot 3 + Undertow 服务器优化配置

优化背景 当你的application需要支持瞬时高并发的时候&#xff0c;tomcat已经不在是最优的选择&#xff0c;我们可以改为Undertow&#xff0c;并对其进行优化。 Undertow 是一个轻量级的、高性能的Java Web 服务器&#xff0c;由JBoss 开发并开源。它是基于非阻塞&#xff08;…
阅读更多...
7系列 之 OSERDESE2

7系列 之 OSERDESE2

背景 《ug471_7Series_SelectIO.pdf》介绍了Xilinx 7 系列 SelectIO 的输入/输出特性及逻辑资源的相关内容。 第 1 章《SelectIO Resources》介绍了输出驱动器和输入接收器的电气特性&#xff0c;并通过大量实例解析了各类标准接口的实现。 第 2 章《SelectIO Logic Resource…
阅读更多...
vue3+flask+sqlite前后端项目实战

vue3+flask+sqlite前后端项目实战

基础环境安装 pycharm 下载地址&#xff1a; https://www.jetbrains.com/zh-cn/pycharm/download/?sectionwindows vscode 下载地址 https://code.visualstudio.com/docs/?dvwin64user python 下载地址 https://www.python.org/downloads/windows/ Node.js&#xff08;含npm…
阅读更多...
Java 线程的堆栈跟踪信息

Java 线程的堆栈跟踪信息

Java 线程的堆栈跟踪信息&#xff0c;展示了线程的当前状态和执行位置。以下是详细解释&#xff1a; 线程基本信息 "Thread-0" #16 prio5 os_prio0 cpu0.00ms elapsed16.29s tid0x00000243105a4130 nid0x5384 waiting on condition [0x0000007687ffe000]线程名称…
阅读更多...
【计算机视觉】OpenCV实战项目：Long-Exposure：基于深度学习的长时间曝光合成技术

【计算机视觉】OpenCV实战项目：Long-Exposure：基于深度学习的长时间曝光合成技术

Long-Exposure&#xff1a;基于深度学习的长时间曝光合成技术 项目概述与技术背景项目核心功能技术原理 环境配置与安装硬件要求建议详细安装步骤可选组件安装 实战应用指南1. 基础使用&#xff1a;视频转长曝光2. 高级模式&#xff1a;自定义光轨合成3. 批量处理模式 技术实现…
阅读更多...
传输层协议UDP和TCP

传输层协议UDP和TCP

传输层协议UDP和TCP 1、UDP2、TCP2.1、TCP协议段格式2.2、确认应答(ACK)机制2.3、超时重传机制2.4、连接管理机制2.5、理解CLOSE_WAIT状态2.6、理解TIME_WAIT状态2.7、流量控制2.8、滑动窗口2.9、拥塞控制2.10、延迟应答2.11、捎带应答2.12、面向字节流2.13、粘包问题2.14、TCP…
阅读更多...
浅谈大语言模型原理

浅谈大语言模型原理

1.反向传播算法 背景 反向传播算法是当前深度学习的核心技术。 神经网络 x是输入&#xff0c;o是输出&#xff0c;w是需要训练的参数&#xff08;w有初始值&#xff09;三层全连接的神经网络&#xff1a;输入层、隐藏层、输出层 激活函数 f ( x ) 1 1 x − 1 f(x)\frac…
阅读更多...
Clickhouse 迁移到 Doris 的最佳实践

Clickhouse 迁移到 Doris 的最佳实践

一、引言 在将数据从 Clickhouse 迁移到 Apache Doris / SelectDB Cloud 的过程中&#xff0c;涉及表结构迁移、查询语句迁移以及数据迁移等多个关键环节。每个环节都有其复杂性和需要注意的细节&#xff0c;本文将详细介绍这些内容及对应的最佳实践方法。 二、表结构迁移 &…
阅读更多...
WebSocket的原理及QT示例

WebSocket的原理及QT示例

一.WebSocket 介绍 1.概述 WebSocket 是一种在单个 TCP 连接上进行全双工通讯的协议&#xff0c;它在 2011 年被 IETF 定为标准 RFC 6455&#xff0c;并由 RFC7936 补充规范。与传统的 HTTP 协议不同&#xff0c;WebSocket 允许服务器和客户端之间进行实时、双向的数据传输&a…
阅读更多...
vue3:十二、图形看板- echart图表-柱状图、饼图

vue3:十二、图形看板- echart图表-柱状图、饼图

一、效果 如图展示增加了饼图和柱状图，并且优化了浏览器窗口大小更改，图表随着改变 二、 饼图 1、新建组件文件 新增组件EchartsExaminePie.vue，用于存储审核饼图的图表 2、写入组件信息 (1)视图层 写入一个div，写入变量chart和图表宽高 <template><div ref…
阅读更多...
2025年best好用的3dsmax插件和脚本

2025年best好用的3dsmax插件和脚本

copitor 可以从一个3dsmax场景里将物体直接复制到另一个场景中 Move to surface 这个插件可以将一些物体放到一个平面上 instancer 实体器&#xff0c;举例&#xff1a;场景中有若干独立的光源&#xff0c;不是实体对象&#xff0c;我们可以使用instancer将他变成实体。 paste …
阅读更多...
HAProxy + Keepalived + Nginx 高可用负载均衡系统

HAProxy + Keepalived + Nginx 高可用负载均衡系统

1. 项目背景 在现代Web应用中&#xff0c;高可用性和负载均衡是两个至关重要的需求。本项目旨在通过HAProxy实现流量分发&#xff0c;通过Keepalived实现高可用性&#xff0c;通过Nginx提供后端服务。该架构能够确保在单点故障的情况下&#xff0c;系统仍然能够正常运行&#…
阅读更多...
5.12 note

5.12 note

Leetcode 图 邻接矩阵的dfs遍历 class Solution { private: vector<vector<int>> paths; vector<int> path; void dfs(vector<vector<int>>& graph, int node) { // 到n - 1结点了保存 if (node graph.size() - 1)…
阅读更多...
跨时钟域（CDC，clock domain crossing）信号处理

跨时钟域（CDC，clock domain crossing）信号处理

参考视频&#xff1a; 数字IC&#xff0c;FPGA秋招【单bit信号的CDC跨时钟域处理手撕代码合集】_哔哩哔哩_bilibili 一、亚稳态 原因是&#xff1a;建立时间和保持时间没有保持住。然后在下图的红框里面&#xff0c;产生亚稳态。因为电路反馈机制&#xff0c;最后大概率会恢复…
阅读更多...
OBS studio 减少音频中的杂音（噪音）

OBS studio 减少音频中的杂音（噪音）

1. 在混音器中关闭除 麦克风 之外的所有的音频输入设备 2.在滤镜中增加“噪声抑制”和“噪声门限”
阅读更多...
智能手表 MCU 任务调度图

智能手表 MCU 任务调度图

智能手表 MCU 任务调度图 处理器平台&#xff1a;ARM Cortex-M33 系统架构&#xff1a;事件驱动 多任务 RTOS RTOS&#xff1a;FreeRTOS&#xff08;或同类实时内核&#xff09; 一、任务调度概览 任务名称优先级周期性功能描述App_MainTask中否主循环调度器&#xff0c;系统…
阅读更多...
S7-1500——零基础入门2、PLC的硬件架构

S7-1500——零基础入门2、PLC的硬件架构

PLC的硬件架构 一，西门子PLC概述二，CPU介绍三，数字量模块介绍四，模拟量模块介绍五，其他模块介绍一，西门子PLC概述 本节主要内容 西门子PLC硬件架构，主要内容包括PLC概述、组成、功能及S7-1500 demo的组成与安装演示。 介绍了PLC的定义、功能、应用场合，以及与继电器控…
阅读更多...
【PmHub后端篇】Skywalking：性能监控与分布式追踪的利器

【PmHub后端篇】Skywalking：性能监控与分布式追踪的利器

在微服务架构日益普及的当下&#xff0c;对系统的性能监控和分布式追踪显得尤为重要。本文将详细介绍在 PmHub 项目中&#xff0c;如何使用 Skywalking 实现对系统的性能监控和分布式追踪&#xff0c;以及在这过程中的一些关键技术点和实践经验。 1 分布式链路追踪概述 在微服…
阅读更多...
利用“Flower”实现联邦机器学习的实战指南

利用“Flower”实现联邦机器学习的实战指南

一个很尴尬的现状就是我们用于训练 AI 模型的数据快要用完了。所以我们在大量的使用合成数据&#xff01; 据估计&#xff0c;目前公开可用的高质量训练标记大约有 40 万亿到 90 万亿个&#xff0c;其中流行的 FineWeb 数据集包含 15 万亿个标记&#xff0c;仅限于英语。 作为…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023