Ghauri 开源项目安装与使用指南
1、项目介绍
Ghauri 是一个自动化安全审计工具,主要功能是识别和利用 SQL 注入问题以及其他常见的 Web 应用程序缺陷。该项目由 r0oth3x49 在 GitHub 上维护(项目链接)。Ghauri 的设计目标是提供一种高效且易于使用的解决方案来帮助安全研究人员在评估 Web 应用的安全性时节省时间。
主要特性包括:
- 自动SQL注入检测:能够扫描并发现网站上的 SQL 注入点。
- 数据库指纹识别:确定潜在被攻击数据库的类型和版本。
- 数据提取能力:从发现的 SQL 注入点中提取数据。
- 代理支持:可以配置 HTTP 或 HTTPS 代理进行扫描。
- 详细报告:生成详细的分析报告,便于分析结果。
2、项目快速启动
为了运行 Ghauri,你需要确保系统中已安装了 Python 和一些依赖库。以下是快速启动的步骤:
首先,在命令行或终端执行以下命令克隆 Ghauri 到本地:
git clone https://github.com/r0oth3x49/ghauri.git
然后切换到 Ghauri 目录:
cd ghauri
接下来,你可以通过以下命令检查依赖并安装它们(通常情况下,requirements.txt 文件已经包含了所有必要的 Python 包):
pip install -r requirements.txt
最后,使用以下命令启动 Ghauri 并指定目标 URL 进行扫描:
python ghauri.py -u http://example.com
此命令将启动对 http://example.com 的安全性检查,寻找可能存在的 SQL 注入问题。
3、应用案例和最佳实践
案例一:SQL 注入问题检测
假设我们有一台测试服务器,其中包含一个具有 SQL 注入问题的简单 PHP 网页。我们可以运行以下命令,使用 Ghauri 来检测这个页面是否存在 SQL 注入:
python ghauri.py -u http://testserver.com/vulnerable_page.php
最佳实践
- 定期更新 Ghauri:经常查看 GitHub 以获取最新版本的 Ghauri,确保其内置的问题列表是最新的。
- 谨慎设置扫描范围:避免在生产环境中未经授权的情况下扫描应用程序,以免造成不必要的风险。
- 细致解读扫描结果:虽然 Ghauri 自动化程度很高,但是其结果仍需人工审核,确认哪些是真正的问题,哪些可能是误报。
4、典型生态项目
OWASP ZAP
OWASP Zed Attack Proxy (ZAP) 是一款广泛使用的 Web 应用安全测试工具,可与 Ghauri 结合使用,进一步提高渗透测试的全面性和效率。
Burp Suite
Burp Suite 是另一款流行的 Web 渗透测试框架,它提供了丰富的功能集,与 Ghauri 配合使用时,可以帮助更深入地探索和理解 Web 应用中的安全隐患。
结合这些生态项目,Ghauri 可以为用户提供一套完整的 Web 安全审计方案,覆盖从问题扫描、验证到修复指导的全过程。
以上就是关于 Ghauri 的完整安装与使用指南,希望对你进行 Web 应用安全研究有所帮助。如果你在使用过程中遇到任何问题,欢迎访问项目的 GitHub 页面提交 issue 或查询相关文档。
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