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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00