OpenBAS 1.11.0版本发布:增强终端安全测试与多代理支持
OpenBAS是一个开源的终端安全测试平台,旨在帮助安全团队进行模拟攻击和红队演练。该平台提供了丰富的功能模块,包括攻击模拟、安全测试、终端管理等,使安全专业人员能够全面评估和提升组织的安全防御能力。
最新发布的OpenBAS 1.11.0版本带来了多项重要更新和改进,主要集中在终端安全测试能力增强和多代理支持方面。本文将详细介绍这些新特性及其技术实现。
CrowdStrike执行器集成
1.11.0版本新增了对CrowdStrike Falcon代理的原生支持。这一集成使得用户可以直接通过OpenBAS平台与CrowdStrike安全解决方案进行交互,执行安全测试和模拟攻击。该功能的技术实现包括:
- 新增了专门的CrowdStrike执行器模块
- 实现了与CrowdStrike API的安全通信协议
- 提供了完整的配置指南和技术文档
这一集成使得安全团队能够更全面地测试终端防护系统的有效性,特别是在评估CrowdStrike防护能力时。
多代理支持基础架构
1.11.0版本为即将到来的多代理支持功能奠定了基础。虽然完整功能将在下个版本发布,但当前版本已经包含了必要的后端架构调整:
- 重构了资产注册和代理管理逻辑
- 更新了数据库模型以支持多代理关联
- 改进了代理安装流程和文档
这一改进将为用户提供更大的灵活性,允许在单个终端上部署多个安全代理,从而支持更复杂的测试场景。
混淆技术增强
新版本引入了多种混淆技术选项,帮助安全测试活动规避检测:
- 新增Base64编码支持
- 保留明文选项
- 改进了技术注入的底层实现
这些混淆技术可以应用于各种技术注入场景,使安全测试更加隐蔽,更接近真实攻击者的行为模式。
文档完善与用户体验改进
1.11.0版本对文档进行了全面更新,特别是针对Microsoft Sentinel和Defender的集成部分。此外还包括多项用户体验改进:
- 优化了注入表单的交互设计
- 改进了资产组管理界面
- 增强了数据表格的批量操作功能
技术架构优化
在技术架构方面,1.11.0版本进行了多项重要改进:
- 移除了过时的dryInject功能相关代码
- 重构了前端表单处理逻辑
- 升级了多个依赖组件版本
- 增加了单元测试覆盖率
这些改进不仅提升了系统稳定性,也为未来的功能扩展打下了坚实基础。
总结
OpenBAS 1.11.0版本通过引入CrowdStrike执行器支持、多代理架构基础和混淆技术增强,显著提升了平台的终端安全测试能力。这些改进使安全团队能够进行更全面、更隐蔽的安全评估,同时为未来的功能扩展做好了准备。
对于安全专业人员来说,1.11.0版本提供了更强大的工具来评估和改进组织的安全防御体系,特别是在终端安全防护方面。建议用户及时升级以利用这些新特性,并关注即将发布的多代理完整支持功能。
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