xCyclopedia 开源项目教程
1. 项目介绍
xCyclopedia 是一个开源项目,旨在记录操作系统中所有可执行二进制文件(以及最终的脚本)。该项目提供了一个网页来查看数据,以及机器可读的格式(如 JSON 和 CSV),这些格式可以直接用于其他系统,如 SIEM(安全信息和事件管理),以丰富观察到的执行上下文数据。
xCyclopedia 的主要目标是提供一个全面的可执行文件数据库,包括运行时数据、文件元数据、数字签名有效性和相关元数据、文件哈希、模糊文件哈希、相似文件、外部引用以及已知的滥用示例。
2. 项目快速启动
2.1 环境准备
在开始之前,请确保您的系统上已安装以下工具:
- PowerShell
- ssdeep(用于获取模糊哈希)
- Sysinternals Handle(用于获取进程的打开句柄)
- Sysinternals Sigcheck(用于获取额外的文件哈希、VirusTotal 检测和 PE 机器类型)
2.2 克隆项目
首先,克隆 xCyclopedia 项目到本地:
git clone https://github.com/strontic/xcyclopedia.git
cd xcyclopedia
2.3 运行收集脚本
使用 PowerShell 运行收集脚本 Get-Xcyclopedia,该脚本会递归遍历指定目录中的所有可执行文件,并收集多种数据:
.\Get-Xcyclopedia.ps1 -save_path "c:\xCyclopedia\out\" -target_path "$env:windir\system32" -target_file_extension "exe"
2.4 合并 JSON 文件
收集完成后,可以使用 Coalesce-Json 脚本将多个 JSON 文件合并为一个文件:
.\Coalesce-Json.ps1 -save_path "c:\xCyclopedia\out\" -target_files "c:\temp\A.json", "c:\temp\B.json"
3. 应用案例和最佳实践
3.1 安全信息和事件管理(SIEM)
xCyclopedia 的数据可以直接导入到 SIEM 系统中,以丰富观察到的执行上下文数据。例如,可以使用 xCyclopedia 的 JSON 输出文件来增强 SIEM 中的事件日志,提供更详细的可执行文件信息。
3.2 恶意软件分析
安全研究人员可以使用 xCyclopedia 的数据来分析恶意软件的行为。通过比较已知恶意软件的哈希值和 xCyclopedia 中的数据,可以快速识别出潜在的恶意行为。
3.3 合规性检查
企业可以使用 xCyclopedia 来检查其系统中安装的可执行文件是否符合合规性要求。通过与 xCyclopedia 中的数据进行比较,可以确保所有安装的软件都是经过验证的。
4. 典型生态项目
4.1 Sysinternals 工具集
Sysinternals 工具集是 xCyclopedia 的重要依赖之一。特别是 Sigcheck 工具,用于获取额外的文件哈希、VirusTotal 检测和 PE 机器类型。
4.2 VirusTotal
VirusTotal 是一个在线服务,用于分析可疑文件和 URL,以检测恶意软件。xCyclopedia 可以使用 VirusTotal 的 API 来获取文件的检测比率,从而增强其数据集。
4.3 Atomic Red Team
Atomic Red Team 是一个开源项目,提供了用于测试安全控制的小型、可移植的测试用例。xCyclopedia 可以与 Atomic Red Team 结合使用,以识别和分析已知的恶意行为。
通过这些模块的介绍和实践指南,您可以更好地理解和使用 xCyclopedia 项目,从而在安全分析和系统管理中获得更大的价值。
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