JNDI 注入攻击利用工具指南
项目介绍
JNDI(Java Naming and Directory Interface)注入攻击利用工具是一个专为安全研究者设计的高级框架,旨在生成有效的JNDI链接,并通过启动RMI(远程方法调用)、LDAP(轻量级目录访问协议)服务器以及HTTP服务器提供必要的背景服务。它适用于多种环境下的JNDI注入漏洞测试,包括但不限于Jackson和Fastjson等流行库中的漏洞。此工具集成了超过80种攻击向量,远超同类工具如ysoserial,使得研究人员能够更高效地验证目标系统是否存在相关脆弱性。
项目快速启动
安装与准备
首先,确保你的开发环境中已经配置了Java,并设置好了JAVA_HOME环境变量。接下来,克隆项目仓库到本地:
git clone https://github.com/sayers522/JNDI-Injection-Exploit.git
cd JNDI-Injection-Exploit
为了避免构建过程中的测试步骤,你可以跳过测试打包项目:
mvn clean package -DskipTests
这将会生成一个包含所有依赖的可执行jar文件。
启动示例
使用以下命令启动工具,你可以自定义命令和服务器地址。默认情况下,它会在远端类文件中执行打开Mac计算器的命令,并且使用第一个网络接口的地址作为服务器地址。
java -jar target/JNDI-Injection-Exploit-1.0-SNAPSHOT-all.jar -C "你要执行的命令" -A "你的服务器地址"
请注意,确保所需的端口(比如1099、1389、8180)未被其他进程占用,或相应调整配置。
应用案例和最佳实践
模拟漏洞检测
假设你在测试一个应用的反序列化过程中是否易受JNDI注入影响,可以构造含有特定JNDI链接的数据包,然后利用本工具提供的服务地址替换其中的远程对象URL。这样做可以触发潜在的漏洞,进而让服务器尝试连接到由你控制的RMI或LDAP服务器,从而证明存在安全风险。
安全教育和培训
在安全意识提升和团队培训中,本工具可用于模拟攻击场景,帮助开发者理解JNDI注入的原理及防护措施,增强实战技能。
典型生态项目
在安全评估和防御领域,JNDI-Injection-Exploit与其他工具协同工作,共同构成安全研究人员的工具箱。例如,结合使用OWASP ZAP进行自动化漏洞扫描,或是与Burp Suite一起定制复杂的请求,可以对应用程序进行全面的安全审计。此外,了解和对比ysoserial等其他序列化利用工具,可以帮助深入理解不同技术栈下的攻击手法和防御策略。
以上就是关于JNDI注入利用工具的简要指南,通过此工具的使用,安全专业人士能够有效地识别和分析JNDI相关的安全风险,同时也是学习和防御此类攻击的重要实践资源。务必只在合法授权的情况下进行此类测试,以符合法律和道德规范。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00