shuffleDNS 使用教程
2024-08-11 09:26:31作者:丁柯新Fawn
项目介绍
shuffleDNS 是一个基于 Go 语言编写的工具,它是对 massdns 的一个封装,旨在通过主动探测和通配符处理来枚举有效的子域名。shuffleDNS 具有简单且模块化的代码库,使得贡献变得容易。它支持快速简单的主动子域名扫描,智能处理通配符子域名,并优化了易用性,支持标准输入输出,便于集成到工作流程中。
项目快速启动
安装
从二进制文件安装
- 下载适用于您操作系统的二进制文件。
- 解压并移动到您的
$PATH中:
tar -xzvf shuffledns-linux-amd64.tar.gz
mv shuffledns-linux-amd64 /usr/bin/shuffledns
shuffledns -h
从源码安装
shuffleDNS 需要 Go 1.13 或更高版本。运行以下命令获取仓库:
GO111MODULE=on go get -u -v github.com/projectdiscovery/shuffledns/cmd/shuffledns
运行
解析子域名
要解析子域名列表,可以通过 -list 选项传递子域名列表:
shuffledns -d example.com -list example.com-subdomains.txt -r resolvers.txt
探测子域名
使用 -w 选项指定字典文件,并通过 -mode bruteforce 指定探测模式:
shuffledns -d hackerone.com -w wordlist.txt -r resolvers.txt -mode bruteforce
应用案例和最佳实践
案例一:枚举有效子域名
假设您有一个目标域名 example.com,并且有一个包含潜在子域名的字典文件 wordlist.txt,您可以使用 shuffleDNS 来枚举有效的子域名:
shuffledns -d example.com -w wordlist.txt -r resolvers.txt -mode bruteforce
案例二:处理通配符子域名
shuffleDNS 的一个特殊功能是能够处理多级基于 DNS 的通配符,并且使用非常少的 DNS 请求。例如,当所有子域名都解析时,可能会导致大量无效结果。shuffleDNS 通过跟踪指向一个 IP 的子域名数量,并在超过某个小阈值时检查所有级别的通配符来处理这种情况。
典型生态项目
shuffleDNS 通常与其他项目如 massdns 和 projectdiscovery 系列工具一起使用,形成一个强大的子域名枚举和解析生态系统。这些工具包括:
- massdns: 一个高性能的 DNS 解析器,shuffleDNS 基于此项目构建。
- subfinder: 一个子域名发现工具,用于从各种来源发现子域名。
- httpx: 一个快速且多功能的 HTTP 工具包,用于对子域名进行 HTTP 探测。
通过这些工具的组合使用,可以构建一个全面的子域名枚举和解析工作流程。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
675
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
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++
947
886
openEuler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。
C
398
302
🎉 (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
1.56 K
909
暂无简介
Dart
921
228
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
1.07 K
559
昇腾LLM分布式训练框架
Python
142
169
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381