探索网络安全的利器:pentest_scripts
探索网络安全的利器:pentest_scripts
项目介绍
pentest_scripts 是一个集合了各种渗透测试脚本的开源项目,旨在帮助安全专家在进行网络攻防演练时提高效率。这些脚本涵盖了从电子邮件生成到操作系统密码哈希提取、数据库安全测试等多种功能,为你的渗透测试工作提供了强大的工具箱。
项目技术分析
该项目中的每个脚本都针对特定的安全测试任务进行了优化:
-
generate_emails.py:通过输入全名列表(如从TheHarvester或scrape_linkedin.py中获取),自动生成多种常见电子邮件地址格式,并对名字进行标准化处理。 -
注:
scrape_linkedin.py已经弃用,它曾用于利用Google搜索API获取LinkedIn上的员工姓名。 -
retrieve_osxhash.py:该脚本能将OSX.plist文件的内容转换为可分析的密码哈希,支持Hashcat模式7100并需要root或sudo权限。 -
postgresbrute.py:这是一个简洁的PostgreSQL安全测试工具,用于验证数据库访问安全性。 -
200buster.py:专为目录探测设计,当所有请求返回"200 OK"时,该工具能够排除一定范围的响应大小,仅显示其他可能的有效路径目录。 -
4to6.py:通过ARP协议获取IPv6主机的地址,但前提是要启用ICMP。
项目及技术应用场景
这些脚本在以下场景下尤为有用:
-
网络情报收集:
generate_emails.py和已弃用的scrape_linkedin.py可用于收集潜在目标的电子邮件信息,以进行安全测试。 -
系统安全评估:
retrieve_osxhash.py可以帮助你评估系统密码的安全性。 -
数据库安全性评估:
postgresbrute.py对于检查PostgreSQL数据库的安全配置非常有价值。 -
网站结构探测:
200buster.py能够帮助你在网站安全测试中发现隐藏的目录和资源。 -
网络环境侦察:
4to6.py在多协议环境中寻找IPv6设备的定位非常实用。
项目特点
-
简单易用:每个脚本都有明确的功能,无需复杂的配置即可快速上手。
-
灵活性高:这些脚本可以单独使用,也可以与其他渗透测试工具集成,为你的测试流程提供更多的可能性。
-
有针对性:针对特定任务而设计的脚本,使它们在某些场景下比通用工具更具优势。
-
持续更新:虽然项目中有些脚本已经过时,但作者可能会根据社区反馈和技术发展进行更新和维护。
总的来说,pentest_scripts 是每一个渗透测试者和网络安全专业人士必备的工具集,无论你是新手还是经验丰富的老手,都可以从中找到提升工作效率的方法。如果你热衷于网络安全,那么这个项目绝对值得你一试。
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