探索网络漏洞的利器:Inception
Inception 是一款高度可配置的工具,用于对任意数量的主机进行自定义检查。它的使用简单,但功能强大,只需几分钟,通过providerCreate.html,您就可以创建所需的漏洞或服务指纹。
这款工具对于从事Bug bounty活动的猎手来说非常实用,他们可以快速扫描大量主机上的特定端点,并报告如果该端点返回指定字符串、状态码或Content-Length时的情况。
Inception是Go语言版本的Snallygaster,内置了来自Snallygaster的大量测试案例,以及由我添加的更多案例。默认测试包括公共访问git配置文件、.env文件、Magento配置文件、PHP信息文件、服务器状态页面、Rails和Symfony数据库配置文件、CORS配置错误检测以及根目录的基本XSS检查等。
与其他工具不同的是,Inception允许用户在不编写一行代码的情况下创建并提供自己的测试案例。
利用goroutine,Inception运行速度极快,但它不会对单个域并发发送大量请求,以防止WAF阻塞,并确保每个测试案例在移动到下一个测试之前针对所有指定域执行一次。
关键特性
- 使用providerCreate.html创建签名非常简单。
- 利用Go语言的goroutine实现高速扫描。
- 避免过度冲击单个服务器,减少被WAF阻止的风险。
- 可高度配置,支持GET/POST/HEAD/PUT/DELETE请求,并自定义头部和正文。
- 最小化误报率,可根据具体字符串、状态码、Content-Length过滤响应。
安装与更新
确保已安装Go,然后运行以下命令进行安装:
go get github.com/proabiral/inception
要更新Inception,请运行:
go get -u github.com/proabiral/inception
使用方法
查看命令行选项以了解详细用法:
▶️ inception -h
基本用法示例:
▶️ inception -d /path/to/domainlist.txt
所有检测到的问题将在屏幕上显示。如果没有发现问题,将显示“已完成”消息。如果出现类似provider.json: no such file or directory的错误,可以通过-provider选项提供provider.json文件的路径。
输出保存
▶️ inception -d /path/to/domainlist.txt -o /tmp/output
结果将以JSON格式保存,可以使用如jq和gron这样的工具后期处理。
常见问题解答
-
如何设置域名列表? 提供一个每行包含一个域名的文本文件,无需协议前缀,例如:
facebook.com twitter.com gmail.com hackerone.com bugcrowd.com -
如何添加自定义测试案例? 使用providerCreate.html生成JSON,填写详细信息,然后生成的JSON如下所示:
[ ... ]将生成的JSON保存到文件中,并在运行工具时通过
-provider选项提供其路径。
指令占位符
在provider.json中,您可以使用预定义的指令占位符,它们会根据工具运行的目标URL自动替换:
$hostname:主域名$domain:域名(不带www)$fqdn:完全限定域名(包含www)
例如,如果目标是https://end8ej99anfko.x.pipedream.net,则:
$hostname变为 end8ej99anfko$domain变为 x.pipedream.net$fqdn变为 end8ej99anfko.x.pipedream.net
这在处理CORS或查找以域名开头的文件等情况时非常有用。
名字背后的意义
Inception这个名字灵感来源于电影《盗梦空间》,在这部电影中,主角迪卡普里奥从人的潜意识中窃取秘密。如同电影,这款工具也从Web服务器中挖掘出隐藏的信息。
最后,感谢Iceman为本项目命名,并且它借鉴了他Subover项目中的并发模块。
立即尝试Inception,让它成为您的网络安全侦探,发掘那些潜藏在网络深处的秘密吧!
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
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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
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