W12Scan:一款简易的网络资产发现引擎
项目介绍
W12Scan 是一个专为网络安全领域设计的资产发现工具。它提供了一个Web界面,允许用户通过简单的任务下发机制,自动搜集并聚合网络中的资产信息,便于进一步的分析和管理。该项目分为两部分:WEB端负责任务管理和结果显示,而Client端专注于执行实际的扫描工作。其技术栈包括Python3, Django框架,Elasticsearch用于高效的数据检索,Redis作为去重及通信中介,并利用masscan进行端口扫描,nmap进行更详细的端口识别,以及结合wappalyzer和定制化的指纹识别技术进行Web应用的识别。
项目快速启动
步骤一:环境准备
确保你的开发环境已安装Git、Docker及其Compose。另外,推荐至少8GB RAM和4核CPU以维持良好的性能,特别是当使用Elasticsearch时。
步骤二:部署W12Scan
-
创建数据存放目录:
mkdir -p ~/w12scan-data/{db,data} -
克隆项目:
git clone https://github.com/w-digital-scanner/w12scan cd w12scan -
启动服务:
使用Docker Compose快速部署:
docker-compose up -d
完成上述步骤后,等待容器初始化完成,然后通过浏览器访问 http://127.0.0.1:8000,默认登录凭证是 boyhack:boyhack。
步骤三:添加扫描任务
登录后,用户可以添加扫描目标,利用W12Scan强大的搜索语法定制扫描条件,开始资产发现之旅。
应用案例和最佳实践
W12Scan适用于多种场景,如企业的网络安全审计、漏洞管理流程的初始资产摸底、或是互联网资产的监控。最佳实践中,建议先规划好扫描策略,定义清晰的资产分类和优先级,定期而非频繁地执行全网扫描,同时利用其多节点管理功能实现扫描资源的优化分布。
典型生态项目
与W12Scan配合使用的生态项目主要包括其客户端部分——w12scan-client,这是一个基于Python3的扫描执行端,依赖于nmap和masscan等工具。它与W12Scan的WEB端协同工作,负责具体扫描任务的执行,尤其是对指定URL或IP地址的深度扫描和数据收集。对于需要自定义扫描逻辑或深入集成自动化安全流程的团队而言,这部分提供了更多灵活性和扩展性。
以上就是W12Scan的基本介绍、快速启动指南以及一些应用场景。通过合理运用这一工具,您可以有效地管理与监控您的网络资产,并提升整体的安全态势。
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-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
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