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。
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-1.5暂无简介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
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