探索网络边界:hardCIDR 项目推荐
2024-09-17 21:17:48作者:明树来
项目介绍
在渗透测试的情报收集阶段,了解目标组织的网络边界是至关重要的。hardCIDR 是一个强大的 Linux Bash 脚本,专门用于发现目标组织所拥有的网络块(以 CIDR 表示法表示)。这些信息由五个区域互联网注册管理机构(RIRs)维护,包括 ARIN(北美)、RIPE(欧洲/亚洲/中东)、APNIC(亚太地区)、LACNIC(拉丁美洲)和 AfriNIC(非洲)。
除了网络块和 IP 地址,hardCIDR 还关注自治系统编号(ASNs)。ASNs 是互联网边界网关协议(BGP)的一部分,用于唯一标识互联网上的每个网络。目标组织可能拥有自己的 ASNs,这可能是由于其网络规模较大或与服务提供商的冗余服务路径有关。这些 ASNs 将揭示组织拥有的其他网络块。
项目技术分析
hardCIDR 脚本通过查询五个 RIRs 和随机选择的 BGP 路由服务器来收集信息。它使用 ipcalc 工具将非 CIDR 表示法的网络范围转换为 CIDR 格式。脚本还支持通过 Docker 容器运行,确保在不同环境中的一致性和便捷性。
对于 LACNIC 的查询,由于其限制性,脚本依赖于一个本地数据文件,并提供了一个更新选项(-r),用户可以根据需要定期更新该文件。此外,脚本在运行过程中会提示用户输入组织名称、电子邮件域名等信息,并生成 CSV 文件和 CIDR 格式的网络范围文件。
项目及技术应用场景
hardCIDR 适用于以下场景:
- 渗透测试:在渗透测试的情报收集阶段,帮助安全专家快速定位目标组织的网络边界,为后续的攻击路径规划提供数据支持。
- 网络安全监控:用于监控和分析组织网络的扩展情况,及时发现未经授权的网络块。
- 网络资产管理:帮助网络管理员全面了解组织拥有的网络资源,确保网络资产的完整性和安全性。
项目特点
- 多 RIR 支持:hardCIDR 支持查询五个主要的 RIRs,确保覆盖全球范围内的网络信息。
- 自动化处理:脚本自动处理网络范围的转换,并生成易于分析的 CSV 文件和 CIDR 文件。
- Docker 支持:通过 Docker 容器运行,简化了部署过程,确保在不同环境中的兼容性。
- 用户友好:脚本在运行过程中提供详细的提示和选项,用户可以根据需要灵活配置。
- 数据更新机制:针对 LACNIC 的特殊性,脚本提供了数据更新选项,用户可以定期更新本地数据文件,确保信息的准确性。
结语
hardCIDR 是一个功能强大且易于使用的工具,适用于网络安全领域的多种应用场景。无论你是渗透测试专家、网络安全分析师还是网络管理员,hardCIDR 都能帮助你快速、准确地获取目标组织的网络边界信息。立即尝试 hardCIDR,提升你的网络安全能力!
参考链接:
登录后查看全文
热门项目推荐
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
3.17 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++
685
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
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
343
146