深入解析httpx工具中ja3_hash与jarm_hash参数在DSL表达式中的使用问题
在网络安全领域,指纹识别技术是识别目标服务特征的重要手段。projectdiscovery开发的httpx工具作为一款功能强大的HTTP探测工具,提供了ja3_hash和jarm_hash两种TLS指纹识别功能,但在实际使用中发现这些参数在DSL表达式中存在兼容性问题。
TLS指纹识别技术基础
ja3_hash和jarm_hash都是用于TLS协议指纹识别的技术。ja3_hash通过分析TLS握手过程中客户端发送的报文特征生成唯一标识,而jarm_hash则通过发送多种特殊构造的TLS握手包并分析服务器响应来生成指纹。这两种技术都能有效识别服务端或客户端的TLS实现特征。
httpx工具中的实现问题
最新版本的httpx(v1.6.5)虽然在命令行参数中支持ja3和jarm扫描功能,但在DSL表达式中却无法直接使用ja3_hash和jarm_hash这两个变量。工具文档显示这两个变量是存在的,但实际在DSL表达式中引用时会出现"参数未找到"的错误。
问题复现与分析
通过实际测试可以复现这个问题:当使用-jarm参数扫描目标(如google.com)时,工具能正确输出jarm指纹,但在DSL表达式中尝试使用jarm_hash变量进行匹配时却报错。这表明工具在内部实现上存在变量作用域不一致的问题——虽然计算了这些指纹值,但没有将它们暴露给DSL表达式引擎。
临时解决方案
目前有两种可行的临时解决方案:
- 直接调用jarm()函数并传入完整的目标地址和端口:
httpx -silent -u https://google.com -jarm -mdc 'jarm("google.com:443") == "指纹值"'
- 动态构造目标地址:
httpx -silent -u https://google.com -jarm -mdc 'jarm(replace(url, "https://", "") + ":" + port) == "指纹值"'
这两种方法都能绕过变量访问问题,通过显式调用jarm函数来获取指纹值。
技术影响与建议
这个问题影响了基于指纹的自动化检测流程。在修复之前,用户需要采用上述变通方案。从技术实现角度看,开发团队需要确保所有计算得到的元数据都能在DSL表达式中访问,保持接口的一致性。
对于安全研究人员,建议在使用指纹识别功能时:
- 先确认工具版本和功能支持情况
- 对于关键指纹匹配需求,采用显式函数调用方式
- 关注工具更新,及时获取修复版本
该问题的修复将显著提升httpx在TLS指纹识别场景下的易用性和一致性,使安全研究人员能更高效地开展服务工作识别和分类工作。
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