开源项目 `bounty-targets-data` 使用教程
1. 项目介绍
bounty-targets-data 是一个开源项目,旨在每小时更新一次来自多个漏洞赏金平台(如 Hackerone、Bugcrowd、Intigriti 等)的域名范围数据。这些数据是漏洞报告的合格范围,帮助安全研究人员和漏洞赏金猎人快速获取最新的目标信息。
项目的主要功能包括:
- 每小时自动抓取多个漏洞赏金平台的域名范围数据。
- 提供 JSON 格式的原始数据文件,方便用户进行进一步分析和处理。
- 支持的平台包括 Hackerone、Bugcrowd、Intigriti、Hackenproof、YesWeHack 等。
2. 项目快速启动
2.1 克隆项目
首先,你需要将项目克隆到本地:
git clone https://github.com/arkadiyt/bounty-targets-data.git
cd bounty-targets-data
2.2 安装依赖
项目依赖于 Ruby 环境,确保你已经安装了 Ruby。然后安装项目所需的依赖:
bundle install
2.3 配置环境变量
为了运行项目,你需要设置一些环境变量:
export SENTRY_DSN="your_sentry_api_key" # 可选,用于异常跟踪
export SSH_PRIV_KEY="your_ssh_private_key"
export SSH_PUB_KEY="your_ssh_public_key"
export GIT_HOST="git@github.com:your_username/your_repo.git"
2.4 运行项目
配置完成后,你可以运行项目来抓取最新的漏洞赏金平台数据:
bin/bounty-targets
3. 应用案例和最佳实践
3.1 自动化漏洞扫描
结合自动化漏洞扫描工具,如 Nuclei 或 ZAP,你可以定期从 bounty-targets-data 获取最新的域名范围数据,并自动对这些域名进行漏洞扫描。
3.2 数据分析
使用 bounty-targets-data 提供的 JSON 数据文件,你可以进行数据分析,找出哪些域名范围最常被报告漏洞,或者哪些平台提供的域名范围最多。
3.3 集成到 CI/CD 流程
将 bounty-targets-data 集成到你的 CI/CD 流程中,定期检查新添加的域名范围,并自动触发安全扫描任务。
4. 典型生态项目
4.1 bounty-targets
bounty-targets 是 bounty-targets-data 的上游项目,负责每小时抓取漏洞赏金平台的域名范围数据,并将其推送到 bounty-targets-data 仓库。
4.2 Nuclei
Nuclei 是一个强大的漏洞扫描工具,可以与 bounty-targets-data 结合使用,自动对最新的域名范围进行漏洞扫描。
4.3 ZAP
ZAP(Zed Attack Proxy)是一个开源的 Web 应用安全扫描工具,可以与 bounty-targets-data 结合,定期扫描新的域名范围,发现潜在的安全漏洞。
通过以上模块的介绍,你应该能够快速上手并使用 bounty-targets-data 项目,结合其他工具进行漏洞赏金活动。
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