解决Caldera在Ubuntu安装后插件列表不显示的问题
问题背景
Caldera是一款由MITRE开发的红队自动化平台,在安全测试领域广泛应用。近期有用户在Ubuntu 20.04系统上安装Caldera时遇到了插件列表不显示的问题,虽然安装过程看似成功完成,但登录后界面无法正常展示插件列表。
问题分析
从日志信息可以看出,安装过程中出现了多个模块依赖问题,包括:
- websockets模块版本不兼容
- rich模块缺失
- 其他多个Python依赖包的版本冲突
这些问题导致前端构建虽然完成,但后端服务无法正常加载插件列表。特别值得注意的是,日志中显示"go does not meet the minimum version of 1.19"的警告,虽然这不是导致插件列表不显示的直接原因,但也表明环境存在其他潜在问题。
解决方案
经过技术分析,确定根本原因是Python版本不兼容。Caldera需要Python 3.9或更高版本才能正常运行,而Ubuntu 20.04默认安装的Python 3.8无法满足要求。
以下是完整的解决方案步骤:
-
升级Python版本: 首先确保系统安装了Python 3.9或更高版本。可以使用以下命令安装Python 3.9:
sudo apt update sudo apt install python3.9 python3.9-venv -
创建虚拟环境: 使用正确的Python版本创建虚拟环境:
python3.9 -m venv .venv source .venv/bin/activate -
安装依赖: 在虚拟环境中安装必要的依赖:
pip install setuptools wheel pip install pyminizip donut-shellcode pip install -r requirements.txt -
构建并运行: 最后构建并运行Caldera:
python3 server.py --build --insecure
技术细节
-
Python版本要求: Caldera的某些依赖包需要Python 3.9+的特性,特别是异步IO相关的功能。Python 3.8中的异步实现与新版websockets等库存在兼容性问题。
-
虚拟环境的重要性: 使用虚拟环境可以隔离项目依赖,避免与系统Python环境冲突。这也是Python项目开发的最佳实践。
-
依赖管理: 当遇到类似"Could not find a version that satisfies the requirement"错误时,不要随意降低依赖版本,而应该先检查Python版本是否满足要求。
预防措施
- 在安装前仔细阅读官方文档的系统要求部分
- 使用pyenv等工具管理多个Python版本
- 定期更新依赖包以获取最新的安全补丁和功能改进
- 在Docker容器中运行Caldera可以避免环境配置问题
总结
通过升级Python版本并正确配置虚拟环境,成功解决了Caldera插件列表不显示的问题。这个案例提醒我们,在部署复杂Python项目时,环境配置的每个细节都至关重要,特别是Python版本和依赖管理。遵循官方文档的建议和使用虚拟环境是避免此类问题的有效方法。
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