SecLists项目2025.2版本更新:聚焦密码安全与子域名探测增强
项目简介
SecLists是安全测试领域最著名的开源项目之一,由Daniel Miessler维护。该项目收集整理了各类安全测试中常用的字典文件,包括但不限于密码参考、目录探测字典、子域名枚举字典等。这些资源被广泛应用于渗透测试、红队演练和安全研究工作中,是安全从业者的必备工具库。
2025.2版本核心更新
1. 密码安全增强
本次更新对密码参考进行了多项优化:
-
法语密码参考重构:将原有的法语密码参考进行了重新命名和组织,使其更符合项目规范。这些参考基于真实数据整理,对法语地区的系统安全测试尤为重要。
-
德语单词列表标准化:将"german_misc.txt"重命名为更具描述性的"German-words.txt",并移动到统一的单词目录下,方便用户查找使用。
-
密码组合优化:在ssh-betterdefaultpasslist.txt中添加了新的组合,增强了SSH安全测试的覆盖范围。
2. 子域名探测能力提升
子域名枚举是渗透测试中的重要环节,本次更新带来了重大改进:
-
新增千万级子域名字典:贡献者CYFARE提供了两个包含超过1000万条目的子域名字典,极大地扩展了子域名探测的覆盖范围。这些字典基于实际网络环境整理,包含了大量不常见的子域名模式。
-
DNS记录补充:在现有字典中添加了"take-survey"等实际观察到的子域名记录,使字典保持与时俱进。
3. 字典工具生态扩展
项目文档中新增了对两款字典生成工具的推荐:
-
CeWL:一款专业的网站内容爬取工具,能够从目标网站提取关键词生成定制化字典,特别适合针对特定目标的安全测试。
-
WL:多功能字典处理工具,支持字典的合并、去重、排序等操作,是安全研究人员处理大型字典文件的得力助手。
4. 项目结构调整
为提高可用性,本次更新对项目结构进行了优化:
-
单词类字典统一管理:将所有单词类字典集中到"Miscellaneous/Words/"目录下,包括英语、德语、荷兰语等多种语言的单词列表。
-
密码参考分类优化:将darkweb2017、probable-v2等系列密码参考移动到更合理的目录结构中,使项目组织更加清晰。
技术价值分析
-
密码安全研究:通过整合多语言密码参考,项目为研究不同地区的密码设置习惯提供了丰富素材,有助于开发更具针对性的密码策略。
-
自动化测试增强:新增的大型子域名字典可以显著提高自动化测试工具发现隐藏服务的能力,对企业的外部攻击面评估尤为重要。
-
字典生成方法论:推荐的字典工具展示了专业的安全测试方法——不是简单地使用现成字典,而是根据目标特征生成定制化测试载荷。
实践建议
对于安全从业人员,建议:
-
将新加入的千万级子域名字典整合到自动化扫描工具中,如ffuf、gobuster等,以增强子域名枚举能力。
-
针对多语言环境的目标系统,使用对应语言的密码参考进行测试,特别是更新后的法语和德语字典。
-
学习使用CeWL等工具,掌握根据目标特征生成定制字典的技能,这往往比使用通用字典更有效。
-
定期关注SecLists的更新,及时获取最新的安全测试资源。
总结
SecLists 2025.2版本通过字典内容的扩充和项目结构的优化,进一步巩固了其作为安全测试标准资源库的地位。特别是新增的千万级子域名字典和专业字典工具的推荐,为安全测试人员提供了更强大的工具库。这些更新反映了当前安全测试领域对精细化、定制化测试方法的追求,也体现了开源社区在安全资源共享方面的持续贡献。
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