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。
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