利用Gmail插件Gmail Romote Command(GRC)远程控制电脑

简介:
什么是Gmail Romote Command(GRC)?GRC是一款Gmail的插件。功能:
1、定时检测Gmail邮箱,这里是1分钟一次
2、如果检测到特定邮件头的邮件则可在本地计算机执行某条命令
我们看看Gmail Romote Command(GRC)的用法:

输入你的Gmail用户名和密码,点Sign in,登陆。

设置界面,代码和HTML或者UBB有相似之处
Subject Tag Left - 标签的左侧,可以理解成开始标记
Subject Tag Right - 标签的右侧,相当于HTML或UBB的结束标记
Title - 代码的主体部分,可自定义。
Subject Shutdown - 关机主题,如果在下面的Title写入shutdown,则标记出现这个就关机
Windows XP的Path是设置Windows的系统路径
下面,我们举个例子,打开你的电子邮件系统,写一封邮件:

主题写入 [open]c:\windows\system32\calc.exe[/open] 就可以了,正文无所谓
发送了这个邮件之后,最多等1分钟,你的计算机就会弹出计算器了!
简单分析了下Gmail Romote Command(GRC),程序用VB写的
写一个事件,1分钟扫荡一次Gmail,如果邮件主题符合某个条件则触发本机事件
实际上和木马差不多,只是利用了Gmail做载体而已……

Gmail插件Gmail Romote Command(GRC)下载请到文末地址。

作者信息:网路游侠

原文地址:[url]http://www.youxia.org/2008/04/Gmail-Romote-Command-GRC-1.0.html[/url]


本文转自网路游侠 51CTO博客,原文链接:http://blog.51cto.com/youxia/71137

相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
307 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
318 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
873 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
260 113

热门文章

最新文章