Naabu项目中的IP输出异常问题分析与解决方案
问题背景
在网络安全扫描工具Naabu的使用过程中,用户报告了一个值得关注的异常现象:当Naabu与Nuclei同时运行时,Naabu会输出与扫描目标无关的IP地址。具体表现为,当用户使用Nuclei扫描公司A的子域名列表时,同时在同一个机器上运行Naabu扫描公司B的子域名列表,Naabu的输出结果中会混杂来自公司A的IP地址。
问题现象
这种异常行为会导致扫描结果不准确,因为输出的IP地址实际上属于另一个完全不同的扫描目标。从技术角度看,这显然不符合端口扫描工具的基本预期——扫描工具应当只报告与指定目标相关的网络信息。
技术分析
经过项目维护者的调查,这个问题可能源于以下几个方面:
-
网络数据包过滤机制:在早期版本中,Naabu可能没有完全正确地过滤来自其他并发扫描任务的数据包,导致交叉污染。
-
IP地址管理:IP地址范围管理(ipranger)在添加目标时可能没有完全隔离不同扫描任务的地址空间。
-
扫描模式差异:不同的扫描模式(如SYN扫描和connect扫描)在实现上可能有不同的数据包处理逻辑。
解决方案
项目维护者确认在开发分支(dev)中已经修复了这个问题,主要通过以下技术改进:
-
EBPF过滤增强:在端口级别实施了更严格的EBPF过滤器,确保只处理与当前扫描目标相关的网络数据包。
-
IP地址管理优化:在添加扫描目标时,ipranger会正确隔离和管理不同目标的IP地址范围。
-
源IP过滤:实现了基于源IP的过滤机制,防止不同扫描任务间的干扰。
临时解决方案
对于仍在使用旧版本的用户,可以采用以下临时解决方案:
-
使用connect扫描模式替代默认扫描模式,因为connect模式受此问题影响较小。
-
避免同时运行多个网络扫描工具,或者确保它们扫描完全不重叠的网络范围。
结论
这个案例展示了网络安全工具开发中常见的一个挑战:在多任务并发环境下确保扫描结果的准确性和隔离性。Naabu项目团队通过增强数据包过滤和优化IP地址管理,有效地解决了这个问题。对于安全研究人员来说,及时更新工具版本和了解不同扫描模式的特点,是保证扫描结果可靠性的重要实践。
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