BBOT项目中实现Github用户枚举模块的技术探索
2025-05-27 17:30:02作者:田桥桑Industrious
背景介绍
在开源情报收集(OSINT)工具BBOT的开发过程中,开发者发现现有的github_org模块存在一个功能限制:它只能枚举组织成员设置为"公开"状态的用户。当组织成员将可见性设置为"私有"时,该模块就无法获取相关信息。这在实际应用中会造成数据收集的盲区。
技术挑战分析
传统通过GitHub组织API获取成员信息的方式确实会受到可见性设置的限制。然而,通过深入分析GitHub的API特性,我们发现可以通过以下两种技术途径绕过这一限制:
- GraphQL API查询:GitHub的GraphQL端点允许执行更灵活的查询,可以通过搜索功能查找包含特定域名信息的用户
- REST API搜索:传统的REST接口也提供了用户搜索功能,可以作为备选方案
技术实现方案
GraphQL方案
核心查询语句如下:
{
search(query: "{{DNS_NAME}}", type: USER, first: 10) {
userCount
pageInfo {
hasNextPage
endCursor
}
edges {
node {
... on User {
name
company
email
url
}
}
}
}
}
该查询会:
- 搜索包含指定域名({{DNS_NAME}})的用户
- 返回前10条结果及分页信息
- 获取用户名、公司信息、邮箱和GitHub URL
REST API方案
作为备选方案,可以使用以下curl命令进行搜索:
curl -L \
-H "Accept: application/vnd.github+json" \
-H "Authorization: Bearer <YOUR-TOKEN>" \
-H "X-GitHub-Api-Version: 2022-11-28" \
"https://api.github.com/search/users?q=Q"
技术难点解决
在实现过程中,主要需要解决以下技术难点:
- 分页处理:GraphQL响应中包含分页信息,需要正确处理分页以获取完整结果
- 结果过滤:需要对返回结果进行智能过滤,只保留与目标组织相关的用户
- 速率限制:需要考虑GitHub API的速率限制,实现合理的请求间隔
实现价值
该功能的实现将带来以下价值:
- 更全面的数据收集:能够发现使用公司邮箱或在公司信息中包含目标域名的私有用户
- 关联分析能力:通过收集到的用户信息,可以进一步分析其代码仓库等资源
- 增强SOCIAL事件检测:当发现用户信息中包含目标范围内的内容时,可以生成相应的事件
总结
通过利用GitHub的搜索API,BBOT项目可以增强其GitHub用户枚举能力,突破原有组织成员可见性设置的限制。这一改进将显著提升工具在开源情报收集方面的效能,为安全研究人员提供更全面的目标画像。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
184
197
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
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
624
140
React Native鸿蒙化仓库
JavaScript
242
315
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210