亲测免费!ShiroAttack2:2024终极Shiro漏洞利用工具,零基础也能轻松上手
ShiroAttack2是一款针对Shiro550反序列化漏洞的强大综合利用工具,能够帮助安全测试人员快速检测和验证目标系统中的安全隐患。该工具修复了原版中NoCC的问题,集成了命令执行回显、内存马注入等核心功能,是网络安全从业者必备的渗透测试利器。
✨为什么选择ShiroAttack2?核心优势解析
1️⃣ 零基础友好的可视化界面
工具采用JavaFX构建直观图形界面,无需复杂命令行操作,新手也能快速掌握。只需简单配置目标URL和参数,即可启动漏洞检测流程,大大降低了Shiro漏洞利用的技术门槛。
2️⃣ 全面的漏洞利用能力
- 多版本CommonsBeanutils支持:覆盖主流依赖版本的Gadget链,应对不同目标环境
- 创新DFS算法回显:通过AllECHO功能实现更稳定的命令执行结果返回
- 内存马注入模块:支持多种内存马类型,包括小马模式,适应不同场景需求
- 密钥爆破功能:内置高效密钥字典,可自动检测目标系统使用的Shiro密钥
3️⃣ 灵活的定制化选项
支持自定义请求头(格式:abc:123&&&test:123)、修改rememberMe关键词、配置代理等高级功能,满足复杂测试环境需求。特别添加修改ShiroKey功能(通过内存马方式),虽然可能导致业务异常,但为特殊场景提供了解决方案。
🚀快速开始:3步上手ShiroAttack2
1️⃣ 环境准备
确保系统已安装Java运行环境,通过以下命令克隆项目仓库:
git clone https://gitcode.com/gh_mirrors/sh/ShiroAttack2
2️⃣ 目录配置
在工具JAR文件同级目录创建data文件夹,并在其中创建shiro_keys.txt文件,填入可能的Shiro密钥列表。工具会自动读取该文件进行密钥检测。
3️⃣ 启动工具
直接运行最新版JAR文件:
java -jar shiro_attack-{version}-SNAPSHOT-all.jar
📚进阶使用指南
内存马功能详解
内存马模块提供多种注入方式,具体使用方法可参考项目文档:docs/FAQ.md。使用时需注意,部分功能可能影响目标系统稳定性,请在授权测试环境中谨慎操作。
常见问题解决
- 工具运行卡顿:4.5版本引入的ALLEcho功能使用DFS算法,可能存在延迟,建议手动选择利用链而非爆破
- 环境依赖问题:项目
lib目录已包含CommonsBeanutils各版本依赖,无需额外配置 - 回显异常:尝试切换不同的回显模式(如TomcatEcho、SpringEcho)适配目标环境
⚠️安全责任与免责声明
该工具仅用于合法授权的安全自查检测。由于传播、利用此工具所提供的信息而造成的任何直接或者间接的后果及损失,均由使用者本人负责,作者不为此承担任何责任。未经授权,严禁用于任何非法攻击活动。
🛠️技术架构与扩展
工具核心代码位于src/main/java/com/summersec/attack/目录,主要包含:
- 加密模块:Encrypt/
- 反序列化Payload:deser/payloads/
- 内存马插件:deser/plugins/
开发者可基于此架构扩展新的利用链或功能模块,贡献代码到项目社区。
无论是安全初学者还是专业渗透测试人员,ShiroAttack2都能提供高效、稳定的Shiro漏洞检测能力。通过持续更新和社区支持,该工具已成为Shiro漏洞利用领域的标杆产品,助力安全从业者更好地保护网络系统安全。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00