SysReptor项目中自定义漏洞严重性等级的实现方法
2025-07-07 17:56:06作者:申梦珏Efrain
在安全测试和渗透测试报告中,漏洞严重性等级的划分是非常重要的一环。SysReptor作为一款优秀的报告生成工具,提供了灵活的漏洞严重性等级配置方式,让安全团队能够根据实际需求自定义展示形式。
内置严重性等级字段
SysReptor最新版本已经内置了一个预定义的severity字段,这是一个枚举类型(enum)字段,包含以下标准等级值:
- 严重(Critical)
- 高危(High)
- 中危(Medium)
- 低危(Low)
- 信息(Info)
这个内置字段相比自定义枚举字段有更好的系统集成度,例如在漏洞列表中会显示对应的颜色标识,便于快速识别不同严重等级的漏洞。
自定义严重性等级的实现
虽然系统提供了内置字段,但用户仍然可以根据需要创建自定义的严重性等级字段。实现步骤如下:
- 在项目设置中创建一个新的枚举类型字段
- 为该字段定义所需的严重性等级选项
- 在报告模板中引用该字段
数据可视化展示
SysReptor支持将严重性等级数据以图表形式展示。以下是创建一个饼图来展示各等级漏洞分布的示例代码:
<figure>
<chart :width="15" :height="10" :config="{
type: 'pie',
data: {
labels: ['严重', '高危', '中危', '低危', '信息'],
datasets: [{
data: [
findings.filter(f => f.severity === 'critical').length,
findings.filter(f => f.severity === 'high').length,
findings.filter(f => f.severity === 'medium').length,
findings.filter(f => f.severity === 'low').length,
findings.filter(f => f.severity === 'info').length
],
backgroundColor: [
cssvar('--color-risk-critical'),
cssvar('--color-risk-high'),
cssvar('--color-risk-medium'),
cssvar('--color-risk-low'),
cssvar('--color-risk-info')
]
}]
}
}" />
<figcaption>已识别漏洞的分布情况</figcaption>
</figure>
使用技巧与注意事项
-
字段命名一致性:使用自定义字段时,确保模板中引用的字段名称与实际创建的字段名称一致
-
颜色匹配:系统提供了标准的风险等级颜色变量(--color-risk-*),建议保持颜色与等级的一致性
-
图表类型选择:除了饼图,还可以使用柱状图、折线图等多种形式展示漏洞分布
-
数据统计:对于内置的severity字段,系统会自动计算各等级数量;自定义字段需要手动统计
-
模板兼容性:在设计报告模板时,要考虑不同项目可能使用不同严重性等级字段的情况
通过合理配置SysReptor的严重性等级展示方式,安全团队可以生成更符合内部规范、更具可读性的测试报告,有效提升报告的专业性和实用性。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147