OpenBAS 1.12.0 版本发布:增强安全测试与自动化能力
OpenBAS 是一个开源的自动化安全测试平台,旨在帮助安全团队更高效地进行安全演练和测试。它提供了丰富的功能,包括场景模拟、注入测试、资产管理和团队协作等,使安全专业人员能够全面评估和改进组织的安全防御能力。最新发布的 1.12.0 版本带来了多项重要改进,特别是在 OpenCTI 集成、资产组自动分配、执行跟踪和手动注入等方面。
OpenCTI 集成增强:TTP 占位符功能
在安全测试中,了解测试覆盖范围至关重要。1.12.0 版本引入的 TTP(战术、技术和程序)占位符功能,使得从 OpenCTI 生成场景时,可以清晰地看到哪些 TTP 尚未被有效覆盖。这些未覆盖的 TTP 会以占位符形式出现在场景中,安全团队可以针对性地创建自定义有效载荷来完善测试场景。这一改进显著提升了安全测试的全面性和针对性。
自动化资产组分配
为了提高测试效率,1.12.0 版本新增了基于标签的资产组自动分配功能。通过为场景和模拟定义标签,系统可以自动应用预设的资产组配置。这不仅简化了 OpenBAS 场景的资产组设置流程,更重要的是实现了从 OpenCTI 创建场景时的资产自动分配,大大减少了手动配置的工作量。
执行跟踪优化:多终端多代理支持
在复杂的测试环境中,跟踪有效载荷的执行情况往往具有挑战性。新版本重新组织了执行跟踪的显示方式,按照资产和代理进行分组,使跟踪更加清晰直观。在技术注入的"执行详情"选项卡中,现在可以按代理查看跟踪信息,而代理又按终端分组。这种层次化的展示方式让安全团队能够轻松掌握执行进度。
每个代理的执行过程会生成多个跟踪记录,包括:
- 先决条件检查(执行前的验证)
- 先决条件获取(仅在检查失败时)
- 攻击命令
- 清理命令
系统还明确了三种不同的状态显示:
- 跟踪状态:每个执行步骤都会报告状态
- 代理状态计算:代理完成执行后,服务器检索所有跟踪并基于规则计算代理状态
- 注入状态:所有代理完成执行后,系统使用相同逻辑计算注入状态
手动注入功能增强
对于无法通过 OpenBAS 自动捕获的事件,1.12.0 版本改进了手动注入功能。现在可以为手动注入分配团队和期望,例如创建一个"危机小组已组建"的注入,并验证"使用了正确的协议"这一期望。这一改进扩展了 OpenBAS 的应用场景,使其能够记录和评估更多类型的安全事件。
技术栈更新与优化
在基础设施方面,1.12.0 版本将推荐的 PostgreSQL 版本更新至 17。虽然系统仍可在 PG16 上运行,但不再支持低于推荐版本的 PostgreSQL。这一更新确保了系统的稳定性和性能。
文档完善
开发团队投入了大量精力完善文档,确保用户能够清晰理解和使用各项功能。重点更新的文档包括:
- Microsoft Sentinel 与 Microsoft Defender 的配置说明
- RabbitMQ、MinIO 和 PostgreSQL 的安装指南
- 目标团队的创建方法
- 使用 SwaggerUI 的 OpenBAS REST API 说明
其他重要改进
1.12.0 版本还包含多项功能增强和错误修复,例如:
- 禁用从资产组中移除通过筛选器包含的资产的控制
- 为 CrowdStrike 和 Tanium 代理安装添加文档链接
- 修复了文档重复添加的问题
- 解决了团队玩家计数不更新的问题
- 修正了导入场景时的错误
- 修复了执行包含可执行文件的注入时的错误
这些改进共同提升了 OpenBAS 平台的稳定性、可用性和功能性,使其成为安全团队进行自动化测试和演练的更强大工具。
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