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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00