Evil Portals 项目使用教程
1. 项目介绍
Evil Portals 是一个开源项目,旨在为 Hak5 WiFi Pineapple Tetra 和 Nano 设备提供一系列的钓鱼门户(captive portals)。这些门户可以加载到 Evil Portal 模块中,用于对 WiFi 客户端进行钓鱼攻击,以获取凭证或通过恶意软件感染受害者。该项目需要安装 Evil Portal 模块,该模块由 frozenjava 创建。
2. 项目快速启动
2.1 安装 Evil Portal 模块
在 WiFi Pineapple 设备上,进入 Modules -> Manage Modules -> Get Modules from Hak5 Community Repositories,然后安装 Evil Portal 模块。
2.2 克隆 Evil Portals 项目
在本地终端中运行以下命令,克隆 Evil Portals 项目:
git clone https://github.com/kleo/evilportals.git
2.3 复制门户到设备
进入 evilportals/portals/ 目录,并选择你希望使用的门户。然后使用 scp 命令将门户复制到 WiFi Pineapple 设备上:
cd evilportals/portals/
scp -r portal-login root@172.16.42.1:/root/portals/
或者,你也可以使用 Filezilla 等 FTP 工具手动复制门户文件。
2.4 启动 Evil Portal 模块
在 WiFi Pineapple 的 Web 界面中,启动 Evil Portal 模块,并激活你希望使用的门户。捕获的凭证数据将显示在 WiFi Pineapple 的 Web 界面中。
3. 应用案例和最佳实践
3.1 捕获 WiFi 客户端凭证
通过加载钓鱼门户,可以捕获 WiFi 客户端的登录凭证。例如,使用 facebook-login 门户来模拟 Facebook 登录页面,诱导用户输入其 Facebook 凭证。
3.2 恶意软件分发
某些门户可以配置为在用户提交凭证后,自动下载并执行恶意软件。例如,使用 firmware-upgrade 门户来模拟固件升级页面,诱导用户下载并安装恶意固件。
3.3 日志记录和通知
捕获的凭证数据将显示在 WiFi Pineapple 的 Web 界面中,并且可以通过配置通知系统,在捕获到新凭证时立即收到通知。
4. 典型生态项目
4.1 Wifiphisher
Wifiphisher 是一个类似的钓鱼工具,专注于 WiFi 网络的钓鱼攻击。它提供了多种钓鱼页面模板,可以与 Evil Portals 项目结合使用,增强钓鱼攻击的效果。
4.2 WiFi Pineapple
WiFi Pineapple 是一个强大的 WiFi 安全测试工具,支持多种模块和插件。Evil Portals 项目是 WiFi Pineapple 生态系统中的一个重要组成部分,提供了丰富的钓鱼门户模板。
4.3 Evil Portal 模块
Evil Portal 模块是 Evil Portals 项目的基础,提供了加载和管理钓鱼门户的功能。通过安装 Evil Portal 模块,可以轻松地在 WiFi Pineapple 设备上使用 Evil Portals 项目提供的门户。
通过以上步骤,你可以快速上手并使用 Evil Portals 项目进行 WiFi 钓鱼攻击。请注意,使用此类工具进行未经授权的攻击是非法的,务必遵守当地法律法规。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C027
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