Greenbone Vulnerability Manager (gvmd) 安装与使用指南
1. 项目介绍
Greenbone Vulnerability Manager (gvmd) 是 Greenbone 社区版的核心组件之一,负责管理漏洞扫描器的配置和扫描结果。gvmd 是一个数据库后端服务,通过 Greenbone Management Protocol (GMP) 提供数据访问和控制命令,并通过 Open Scanner Protocol (OSP) 控制扫描器如 OpenVAS。
2. 项目快速启动
2.1 安装依赖
在开始安装之前,请确保系统已安装必要的依赖包。以下是基于 Debian/Ubuntu 系统的安装命令:
sudo apt update
sudo apt install -y build-essential cmake pkg-config libglib2.0-dev libgpgme-dev libgnutls28-dev libssh-gcrypt-dev libhiredis-dev libxml2-dev libpcap-dev libnet1-dev libpaho-mqtt-dev libldap2-dev libradcli-dev libpq-dev postgresql postgresql-server-dev-all
2.2 下载并编译 gvmd
从 GitHub 仓库下载 gvmd 源码并进行编译:
git clone https://github.com/greenbone/gvmd.git
cd gvmd
mkdir build
cd build
cmake ..
make
sudo make install
2.3 配置数据库
创建 gvmd 数据库并设置用户权限:
sudo -u postgres createuser -P gvm
sudo -u postgres createdb -O gvm gvmd
2.4 启动 gvmd
使用以下命令启动 gvmd 服务:
gvmd
查看所有可用的命令行选项:
gvmd --help
3. 应用案例和最佳实践
3.1 企业级漏洞管理
在企业环境中,gvmd 可以与 Greenbone Security Assistant (GSA) 结合使用,提供一个完整的漏洞管理解决方案。通过 GMP 和 OSP,企业可以集中管理多个扫描器,并生成详细的漏洞报告。
3.2 自动化漏洞扫描
结合自动化工具如 Ansible 或 Jenkins,可以定期触发 gvmd 进行漏洞扫描,并将结果自动推送到企业的漏洞管理系统中。
4. 典型生态项目
4.1 Greenbone Security Assistant (GSA)
GSA 是 Greenbone 的 Web 界面,用于与 gvmd 交互,提供用户友好的漏洞管理界面。
4.2 OpenVAS
OpenVAS 是一个开源的漏洞扫描器,通过 OSP 与 gvmd 集成,提供强大的漏洞扫描功能。
4.3 Greenbone Enterprise TRIAL
对于不熟悉源码编译的用户,Greenbone 提供了预配置的虚拟机,即 Greenbone Enterprise TRIAL,用户可以直接下载并使用,无需手动安装和配置。
通过以上步骤,您可以快速启动并使用 Greenbone Vulnerability Manager (gvmd),并结合其他生态项目,构建一个完整的漏洞管理解决方案。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00