waymore项目v6.1版本更新解析:URLScan归档响应与日期验证增强
waymore是一款专注于网络资产发现与历史数据收集的开源工具,它能够通过多种数据源(如Wayback Machine和URLScan)获取目标网站的历史快照和响应数据。该工具在安全测试和历史数据分析领域具有重要价值,能够帮助研究人员发现被删除的页面、隐藏的端点以及历史问题痕迹。
核心更新内容
URLScan归档响应增强
本次v6.1版本最重要的改进之一是增强了从URLScan获取归档响应的能力。在此之前,waymore主要依赖Wayback Machine获取历史数据,现在新增了对URLScan存档的支持,使数据收集渠道更加多元化。
技术实现上,工具现在会执行以下操作:
- 从URLScan获取历史响应记录,处理方式与Wayback Machine类似
- 存储每个响应的唯一标识符
_id - 后续可以通过
https://urlscan.io/dom/{UUID}获取完整的DOM内容 - 智能跳过API未保存DOM的记录,确保流程稳定性
这一改进显著提升了历史数据收集的全面性,因为URLScan和Wayback Machine的存档内容可能存在互补关系,合并使用可以获取更完整的历史记录。
日期验证机制完善
v6.1版本修复了一个重要的日期验证问题。此前,工具接受YYYYMMDDhhmmss格式(或其部分)的日期参数,但缺乏严格的验证机制,可能导致无效日期被接受。
新版增加了以下验证逻辑:
- 严格检查输入的日期时间格式有效性
- 确保日期值在合理范围内
- 防止因无效日期导致的查询异常
这一改进提升了工具的健壮性,避免了因日期格式错误导致的意外行为。
URLScan查询优化
本次更新还修复了URLScan查询中的两个重要问题:
-
日期范围过滤失效:之前版本中,
-from和-to参数未正确应用于URLScan查询,现在已修复,确保日期筛选条件被正确传递到URLScan API。 -
URL匹配精确度提升:当输入是具体URL而非域名时,现在会精确匹配该URL的历史记录,而非仅匹配域名。这一改进大幅提升了查询的精准度,特别是在针对特定页面进行历史分析时。
其他改进
-
User-Agent标识:现在向URLScan发起请求时会包含waymore版本信息,这有助于服务端统计和问题排查。
-
文件命名规范化:将输出目录中的
index.txt更名为waymore_index.txt,这一改动主要是为了与其他工具更好地集成,使其能够更准确地识别waymore生成的响应目录。
技术意义与应用价值
waymore v6.1版本的这些改进从多个维度提升了工具的实用性和可靠性:
-
数据源多元化:增加URLScan作为补充数据源,使历史数据收集更加全面,降低了单一数据源可能存在的盲区风险。
-
查询精确度提升:URL精确匹配和日期范围过滤的修复,使研究人员能够更精准地定位目标数据,提高工作效率。
-
系统健壮性增强:日期验证等基础功能的完善,减少了因输入错误导致的异常情况,提升了工具的稳定性。
-
生态兼容性优化:文件命名和User-Agent的调整,改善了工具与其他安全工具的协同工作能力。
这些改进使得waymore在网站资产发现、历史问题分析和安全评估等场景中能够发挥更大价值,特别是对于那些需要深入分析目标系统历史状态的研究任务。
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