MemShellParty v1.7.0 版本发布:Java 内存马生成工具的重大升级
MemShellParty 是一个专注于 Java 内存马(Memory Shell)生成与研究的开源工具,它能够帮助安全研究人员和渗透测试人员快速生成各种类型的测试 payload。内存马是一种驻留在内存中的代码,通常用于 Web 应用的测试场景,由于其不落地的特性,使得传统安全防护手段难以检测。
核心功能升级
MavenCentral 发布支持
v1.7.0 版本最重要的变化是支持将项目发布到 MavenCentral 仓库。这意味着开发者现在可以通过标准的 Maven 或 Gradle 依赖直接引入 MemShellParty 的功能,而无需手动下载和集成。这一改进极大地简化了工具的集成流程,使得在自动化安全测试框架中使用 MemShellParty 变得更加便捷。
CC3 和 CC4 反序列化 payload 支持
新版本增加了对 Commons Collections 3(CC3)和 Commons Collections 4(CC4)反序列化 payload 的打包方式支持。这两个库是 Java 生态中广泛使用的工具库,历史上曾多次出现高危反序列化漏洞。通过支持这两种 payload 生成方式,MemShellParty 现在能够覆盖更广泛的实际测试场景。
随机参数生成与默认选项
为了提高生成的 payload 的多样性和独特性,v1.7.0 引入了随机参数生成功能。这一特性可以自动为 payload 生成随机化的参数名称和值,使得每次生成的 payload 都具有一定程度的唯一性。同时,工具还提供了合理的默认选项,简化了初级用户的使用流程。
架构优化与改进
依赖项精简
为了减小最终打包的体积并提高安全性,开发团队做出了以下优化:
- 移除了代码混淆相关的代码,简化了构建流程
- 使用 Jackson 替代 Fastjson 作为 JSON 处理库,不仅减小了体积,还避免了 Fastjson 潜在的安全问题
- 移除了 commons-codec 依赖,进一步精简了打包体积
这些优化使得 boot-1.7.0.jar 的体积得到了有效控制,同时保持了全部核心功能。
模块重构
为了更好地在 MavenCentral 上展示和维护,项目对部分模块进行了重命名。这种重构不仅提高了项目的专业性,也为未来的功能扩展打下了更好的基础。
前端组件升级
项目的前端部分基于 shadcn/ui 构建,v1.7.0 版本中所有 UI 组件代码都得到了升级,这带来了更好的用户体验和界面一致性。
部署与使用
MemShellParty v1.7.0 提供了两种主要的部署方式:
-
Docker 部署:最简单快捷的方式,适合大多数使用场景。通过简单的 docker run 命令即可启动服务。
-
Jar 包直接运行:需要 JDK17 或更高版本,运行时需要添加特定的 JVM 参数以确保兼容性。这种方式适合需要深度定制或集成到现有 Java 环境中的场景。
安全研究价值
MemShellParty 的持续更新不仅为安全测试提供了便利工具,同时也为防御研究提供了重要参考。通过分析工具生成的 payload 特征,安全团队可以更好地理解相关技术的工作原理,进而开发出更有效的检测和防御方案。特别是新增的随机参数生成功能,模拟了高级测试场景,对防御方的检测能力提出了更高要求。
v1.7.0 版本的发布标志着 MemShellParty 工具在专业性、易用性和功能性方面都迈上了一个新台阶,为 Java 应用安全研究领域提供了更加强大的技术支持。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
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