Hyperfox 技术文档
Hyperfox 是一款安全审计工具,用于代理并记录两个点之间的 HTTP 和 HTTPS 流量。以下为详细的安装指南、使用说明以及项目 API 使用文档。
安装指南
自动安装
你可以通过以下命令将 Hyperfox 的最新版本安装到 /usr/local/bin(需要管理员权限):
curl -sL 'https://raw.githubusercontent.com/malfunkt/hyperfox/master/install.sh' | sh
如果你不希望通过这种方式安装,你也可以从我们的 发布页面 下载一个发布版本并手动安装。
从源代码构建
要从源代码构建 hyperfox,你需要安装 Go 语言和 C 编译器:
使用 go install 命令来构建和安装 hyperfox:
go install github.com/malfunkt/hyperfox
使用说明
Hyperfox 创建一个透明的 HTTP 代理服务器并绑定到本地的 1080/TCP 端口(-addr 127.0.0.1 -http 1080)。代理服务器读取明文 HTTP 请求并将其重定向到目标目的地(使用 Host 头部来确定目标),当目标目的地响应时,Hyperfox 截获响应并将其转发给原始客户端。
所有在源和目的地之间的 HTTP 通信都会被 Hyperfox 截获并记录到一个自动创建的 SQLite 数据库中。每次 Hyperfox 启动时,都会创建一个新的数据库(例如:hyperfox-00123.db)。你可以通过显式提供数据库名称来改变这个行为(例如:-db traffic-log.db)。
基本使用
启动 Hyperfox 并使用默认配置:
hyperfox
使用 cURL 请求任何 HTTP 页面,-x 参数告诉 cURL 使用 Hyperfox 作为代理:
curl -x http://127.0.0.1:1080 example.com
你应该能在 Hyperfox 的输出中看到请求页面的日志:
...
127.0.0.1:44254 - - [11/Apr/2020:19:19:48 -0500] "GET http://example.com/ HTTP/1.1" 200 -1
用户界面 (-ui)
Hyperfox 提供了一个用户界面,可以通过 -ui 参数启用。这将在新的浏览器窗口中打开 UI:
hyperfox -db records.db -ui
上述命令创建了一个绑定到 127.0.0.1:1984 的 Web 服务器。如果你想更改绑定地址或端口,可以使用 -ui-addr 选项:
hyperfox -db records.db -ui -ui-addr 127.0.0.1:3000
更改 UI 服务器地址在 Hyperfox 运行在远程或无头主机时特别有用,这样可以从另一个主机访问 UI。
启用 UI 同时也启用了最小 REST API(位于 127.0.0.1:4891),供前端应用程序使用。
请注意,Hyperfox 的 REST API 仅通过一个每次 Hyperfox 启动时都会更改的随机密钥进行保护,根据你的使用场景,这可能不够安全。
在移动设备上运行 Hyperfox UI
当 -ui-addr 参数不同于 127.0.0.1 时,Hyperfox 会输出一个 QR 码,以便更容易地从移动设备连接:
hyperfox -db records.db -ui -ui-addr 192.168.1.23:1984
项目 API 使用文档
Hyperfox 启动 UI 之后,会提供一个基本的 REST API 供前端应用程序使用。API 的具体路径和功能如下:
/api/records:获取当前会话的所有记录。/api/record/:id:获取指定记录的详细信息。
这些 API 仅在启用 UI 时可用,并且默认情况下不开放给外部访问。
项目安装方式
Hyperfox 提供了多种安装方式:
- 自动安装脚本。
- 手动下载发布版本。
- 从源代码构建。
请根据你的需求和环境选择合适的安装方式。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00