推荐:ACE - 自动化收集与丰富数据平台
在网络安全领域,快速有效地收集和分析数据是至关重要的。这就是我们推荐ACE的原因,一个专为威胁猎手设计的自动化数据采集和丰富工具套件。ACE无需在目标主机上安装额外软件,即可从Windows,macOS和Linux系统中提取信息,为你的安全分析提供强大的支持。
项目介绍
ACE致力于简化跨环境远程收集数据的过程,它包括凭据管理、计划安排、集中式脚本管理和远程文件下载等功能。通过集成这些功能,ACE能够增强SIEM(如Splunk, ELK等)的能力,专注于数据收集和丰富,而将最终的分析任务留给这些专业工具。
(图:ACE架构)
为什么选择ACE?
ACE诞生于应对特定限制场景的需求:
- 不允许在目标主机上安装专用数据采集工具。
- 运行可执行文件(如Sysinternals工具)不可行。
- Windows远程管理(WinRM)未启用。
- 对macOS/Linux主机的可见性有限或不存在。
- 需要创建针对客户特定数据的新脚本/工具。
- 网络分区要求多凭证访问所有机器。
项目技术分析
ACE由四个组件构成:ACE Web服务、ACE Nginx web代理、ACE SQL数据库和ACE RabbitMQ消息队列。Web服务是一个RESTful API,用于处理客户端的扫描调度和管理请求。SQL数据库存储配置和扫描数据,RabbitMQ服务处理数据自动丰富。
部署涉及识别Linux Docker主机和Windows主机的IP地址,并使用Docker镜像构建组件。
应用场景
ACE非常适合需要在受限环境中进行安全评估的情况,例如企业内部网络、高度分段的网络,或是对操作系统有严格限制的地方。它可以迅速地提供大量主机的数据,帮助安全团队评估潜在的威胁。
项目特点
- 无代理: 在不增加目标主机负担的情况下收集数据。
- 多平台支持: 能够处理Windows、macOS和Linux上的数据。
- 中央管理: 凭证、脚本和扫描的统一管理。
- 自动化丰富: 利用RabbitMQ进行数据自动化处理,提高效率。
- 灵活扩展: 容易添加新的脚本或工具以适应特定数据需求。
如何使用ACE?
部署ACE服务器后,可以通过提供的PowerShell脚本进行用户管理、凭据输入、脚本上传和扫描计划。简单易用的命令如New-AceUser、Remove-AceUser、New-AceCredential、Start-AceDiscovery和Start-AceSweep让你轻松掌握操作。
更多资源
贡献代码
欢迎对ACE进行贡献,一起打造更强大的网络安全工具!
通过ACE,你可以提升威胁检测和响应的速度与准确性,节省宝贵的时间,聚焦在真正重要的数据分析上。现在就加入ACE的行列,提升你的网络安全保护级别吧!
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00