psad 入侵检测系统技术文档
1. 安装指南
1.1 系统要求
psad 是一个轻量级的系统守护进程,设计用于与 Linux 的 iptables、ip6tables 和 firewalld 防火墙代码配合工作,检测可疑流量,如端口扫描、后门、僵尸网络命令和控制通信等。psad 支持 IPv4 和 IPv6,并且需要一些 Perl 模块来正常运行。
1.2 安装步骤
1.2.1 使用包管理器安装
在 Debian 或 Ubuntu 系统上,可以通过以下命令安装 psad:
apt-get install psad
1.2.2 手动安装
如果 psad 不在包管理器的仓库中,可以通过 install.pl 脚本进行安装。首先,下载 psad 的源代码,然后运行以下命令:
perl install.pl
install.pl 脚本会自动安装所需的 Perl 模块,这些模块包括:
- Bit::Vector
- Date::Calc
- IPTables::ChainMgr
- IPTables::Parse
- NetAddr::IP
- Storable
- Unix::Syslog
1.3 防火墙配置
为了使 psad 正常工作,iptables 必须配置为记录数据包。通常可以通过在 INPUT 和 FORWARD 链中添加以下规则来实现:
iptables -A INPUT -j LOG
iptables -A FORWARD -j LOG
这些规则应添加在 INPUT 和 FORWARD 链的末尾,确保在所有合法流量规则之后,但在丢弃规则之前。
2. 项目使用说明
2.1 启动与停止
安装完成后,psad 会自动启动。可以使用以下命令手动启动、停止或重启 psad:
service psad start
service psad stop
service psad restart
2.2 配置文件
psad 的主要配置文件位于 /etc/psad/psad.conf。可以通过编辑此文件来调整 psad 的行为,例如设置警报阈值、邮件通知等。
2.3 日志文件
psad 默认从 /var/log/messages 文件中读取新的 iptables 日志消息,并可以选择将这些消息写入 /var/log/psad/fwdata 文件。可以通过配置文件调整日志文件的位置。
3. 项目API使用文档
3.1 日志分析
psad 通过分析 iptables 日志消息来检测可疑流量。它支持多种扫描类型的检测,包括 TCP SYN、FIN、NULL 和 XMAS 扫描,以及 UDP 扫描。
3.2 警报机制
psad 可以通过电子邮件发送警报,警报内容包括扫描特征、反向 DNS 和 Whois 信息、Snort 规则匹配、远程操作系统猜测信息等。可以通过配置文件调整警报的详细程度和发送频率。
3.3 自动阻止
psad 可以根据扫描的危险级别自动阻止扫描的 IP 地址。此功能默认关闭,可以通过配置文件启用。
4. 项目安装方式
4.1 包管理器安装
如前所述,可以通过包管理器(如 apt-get)安装 psad。
4.2 手动安装
通过下载源代码并运行 install.pl 脚本进行手动安装。
4.3 升级
如果 psad 已经安装,可以通过运行 install.pl 脚本进行升级。
通过以上文档,您应该能够顺利安装、配置和使用 psad 入侵检测系统。如有任何问题,请参考项目的 GitHub 页面或联系开发者。
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