Firepwn工具使用指南
项目介绍
Firepwn是一款专为测试Firebase应用程序安全规则而设计的工具。它利用客户端SDK,包括Firebase Auth、Firestore和Cloud Functions,来全面检验认证与授权的安全性。与多数依赖Firebase REST API仅检查读权限的脚本不同,Firepwn能够深入检测配置不当的Firebase Security Rules,确保未忽视如写入、删除和更新等关键操作的潜在风险。此工具由GPL-3.0许可协议授权。
项目快速启动
安装
首先,你需要在本地环境中安装Node.js和npm(Node包管理器)。之后,可以使用以下命令克隆项目并安装依赖:
git clone https://github.com/0xbigshaq/firepwn-tool.git
cd firepwn-tool
npm install
运行火速测试
运行Firepwn之前,确保你已设置好目标Firebase应用的相关测试环境信息。虽然具体命令可能依据最新版本有所变化,基本的执行流程如下:
node index.js --target YourFirebaseAppURL
这里YourFirebaseAppURL应替换为你想要测试的实际Firebase应用URL。
应用案例和最佳实践
案例一:验证未经授权访问
使用Firepwn模拟未经身份验证的用户尝试访问数据库。这通过无认证登录验证Security Rules是否正确阻止了非授权访问:
node index.js --anon
最佳实践:自定义规则测试
为了更细致地测试你的安全规则,考虑编写针对特定场景的JavaScript脚本利用Firebase服务进行复杂测试。例如,测试一个复杂的Firestore数据库规则。
// 假设这是你的自定义测试脚本内容
const db = window.firestoreService;
db.collection("protectedData").doc("testDoc").get()
.then(doc => {
console.log('Document data:', doc.data());
})
.catch(err => {
console.error('Error getting document:', err);
});
典型生态项目
虽然Firepwn本身是针对Firebase安全规则测试的工具,其在安全审计和渗透测试领域内可以与其他安全评估工具结合使用,例如ZAP(Zed Attack Proxy)用于Web应用程序安全扫描或Burp Suite进行更广泛的应用程序安全性分析。此外,对于深入理解和设计Firebase Security Rules的最佳实践,结合Firebase官方文档和社区提供的各种教程是不可或缺的。
此文档提供了一个快速入门的框架,但实际使用时,强烈建议详细阅读项目源码和官方说明,以掌握最新功能和最佳实践。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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