Ligolo-ng v0.8发布:跨平台内网穿透工具的重大升级
Ligolo-ng是一款专为渗透测试和安全研究人员设计的轻量级内网穿透工具,它通过建立加密隧道帮助安全人员在复杂的网络环境中进行横向移动和数据传输。最新发布的v0.8版本带来了多项重要改进,特别是新增的Web界面和跨平台支持,使其功能更加强大且易于使用。
核心功能升级
1. 全新的Web管理界面
v0.8版本最引人注目的变化是引入了基于Web的管理界面。这个界面不仅美观直观,还支持多人协作功能,允许多个安全研究人员同时管理和操作同一个Ligolo-ng实例。这种设计特别适合团队协作的渗透测试场景,团队成员可以实时查看网络拓扑、共享会话信息,提高工作效率。
2. 跨平台全面支持
新版本实现了对主流操作系统的全面支持,包括:
- Windows全系列(amd64/arm64/armv6/armv7)
- Linux全架构
- macOS(Intel和Apple Silicon)
- BSD系统(FreeBSD和OpenBSD)
这种广泛的平台兼容性意味着安全人员可以在几乎任何目标环境中部署Ligolo-ng客户端,大大扩展了工具的适用场景。
3. 自动化路由管理
v0.8版本引入了智能路由管理功能,能够自动处理以下任务:
- 在Windows系统上自动添加路由条目
- 在Linux/macOS/BSD上自动配置网络接口
- 支持"autoroute"功能,自动发现和配置最佳路由路径
这些自动化特性显著简化了复杂网络环境中的配置工作,让安全人员可以更专注于渗透测试本身。
其他重要改进
配置简化
新版本采用了基于文件的配置方式,所有隧道和客户端设置都可以保存在配置文件中。这不仅提高了工具的易用性,也便于在不同测试场景间快速切换配置。
服务化运行模式
新增的daemon模式允许Ligolo-ng以后台服务形式运行,特别适合长期渗透测试任务。服务化运行确保了工具的稳定性和可靠性,即使终端会话断开也不会影响正在进行的渗透测试。
增强的安全控制
v0.8版本增加了远程终止客户端的功能,当客户端被发现或不再需要时,可以立即从控制端终止其运行,减少被发现的风险。
技术实现亮点
Ligolo-ng v0.8在技术实现上有几个值得注意的特点:
-
轻量级设计:客户端程序体积小巧(约2-3MB),便于在受限环境中部署。
-
多架构支持:不仅支持常见的x86架构,还全面覆盖ARM平台,包括较旧的armv6/armv7架构。
-
模块化设计:客户端(agent)和服务器(proxy)分离,可以根据实际需求灵活部署。
-
资源占用低:即使在性能较弱的设备上也能流畅运行,适合IoT设备等资源受限环境。
应用场景分析
Ligolo-ng v0.8特别适用于以下安全测试场景:
-
红队演练:在模拟攻击中快速建立内网通道,实现横向移动。
-
渗透测试:绕过网络隔离,访问内部系统和服务。
-
安全评估:评估网络分段策略的有效性。
-
应急响应:在安全事件中快速建立诊断通道。
-
CTF比赛:在网络安全竞赛中解决内网挑战。
总结
Ligolo-ng v0.8通过引入Web界面、增强跨平台支持和自动化功能,显著提升了工具的易用性和功能性。这些改进使其成为安全专业人员工具箱中更加强大和灵活的选择。特别是对需要在内网环境中进行安全评估的团队来说,新版本的多用户协作功能将大大提高工作效率。随着持续的功能增强,Ligolo-ng有望成为内网穿透领域的标杆工具之一。
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