Chunked Coding Converter 使用教程
项目介绍
Chunked Coding Converter 是一个开源的 Burp Suite 插件,由开发者 c0ny1 创建。该项目旨在帮助开发者理解和处理 HTTP 协议中的分块编码(Chunked Transfer Encoding)。分块编码允许 HTTP 由 WEB 服务器发送给客户端应用的数据可以分成多个部分,这在绕过某些安全防护机制(如 WAF)时非常有用。
项目快速启动
安装步骤
-
下载 Chunked Coding Converter 插件:
git clone https://github.com/c0ny1/chunked-coding-converter.git -
打开 Burp Suite,导航到
Extender选项卡。 -
点击
Extensions,然后点击Add。 -
在
Extension Type中选择Python。 -
点击
Select file,选择下载的chunked-coding-converter.jar文件。 -
点击
Next直到完成安装。
使用方法
-
在 Burp Suite 中抓取一个请求。
-
右键点击请求,选择
Send to Repeater。 -
在 Repeater 中,右键点击请求,选择
Chunked coding converter。 -
选择
Encoding request body或Decoding request body。 -
点击
Go,查看分块编码后的请求。
应用案例和最佳实践
绕过 WAF
Chunked Coding Converter 主要用于绕过 Web 应用防火墙(WAF)。通过将请求分块传输,可以避免被 WAF 检测到恶意请求。以下是一个简单的示例:
-
抓取一个包含恶意代码的请求。
-
使用 Chunked Coding Converter 插件将请求体分块编码。
-
发送分块编码后的请求,观察是否成功绕过 WAF。
优化网络传输
在需要实时数据接收和大接口及时响应的场景中,使用分块编码可以优化网络传输。例如,在实时数据分析系统中,通过分块编码可以减少数据传输的延迟。
典型生态项目
Burp Suite 插件生态
Chunked Coding Converter 是 Burp Suite 插件生态中的一个重要组成部分。Burp Suite 是一个广泛使用的 Web 安全测试工具,其插件生态丰富,包括各种用于安全测试和漏洞挖掘的插件。
相关项目
- Burp Suite 官方插件库:包含多种官方和社区开发的插件,用于增强 Burp Suite 的功能。
- 其他绕过 WAF 的插件:如
SQLMap等,这些工具和插件可以与 Chunked Coding Converter 结合使用,提高绕过 WAF 的效率。
通过这些生态项目和插件,开发者可以构建一个强大的 Web 安全测试工具链,有效提升安全测试的效率和深度。
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