OpenBAS平台1.13.0版本发布:注入管理与安全测试新特性解析
OpenBAS作为一款开源的网络安全评估与培训平台,其1.13.0版本带来了一系列重要的功能增强和优化,特别是在注入管理、目标筛选和漏洞扫描方面有了显著提升。本文将深入解析这些新特性及其技术实现。
注入管理功能增强
1.13.0版本最核心的改进之一是注入了导入导出功能的全面升级。现在用户不仅可以导入导出完整的场景或模拟,还可以选择性地导出特定类型的注入内容,并将其灵活地应用到其他场景或模拟中。这一功能通过后端新增的专用端点实现,支持JSON格式的数据交换。
在技术实现上,平台重构了注入表单的字段处理逻辑,从基于键(key)的模式转变为基于类型(type)的模式,这使得注入内容的处理更加规范和一致。同时,前端界面也进行了优化,包括注入上传按钮的间距调整、标题表单的样式修正等细节改进。
目标筛选与权限控制
新版本引入了基于目标的注入筛选功能,用户现在可以根据团队、资产或资产组来过滤注入内容。这一功能帮助用户更清晰地理解每个注入将影响的具体目标范围。
在权限控制方面,平台修复了RBAC(基于角色的访问控制)系统中关于注入输出的访问权限问题,现在规划者(planner)角色可以正确查看注入结果。后端通过调整API权限设置实现了这一改进。
安全测试能力扩展
1.13.0版本新增了Nmap扫描注入器,这是平台安全测试能力的重要扩展。Nmap作为知名的网络探测和安全审核工具,其集成使得用户能够直接通过OpenBAS平台获取资产的开放端口信息,这些结果会显示在专门的"发现"区域。
在技术架构上,平台引入了"输出契约"(Output contract)和"发现"(findings)的新逻辑,为标准化的结果收集和处理提供了框架。这一改进特别针对不同类型的执行器(executors)如何收集端点信息的问题,实现了更一致的端点收集方式。
其他重要改进
在用户体验方面,平台修复了仪表板页面在MITRE矩阵较大时的显示问题,调整了时间轴中注入图标的间距,并优化了原子测试概览中代理结果预期的展示。
在技术架构层面,平台改进了代理注册端点ID的机制,增加了迁移跟踪状态,并引入了特性标志(feature flag)来管理UI代理预期功能。此外,还添加了Pyroscope支持以方便调试。
对于多语言支持,平台修复了Caldera执行器无响应的翻译问题,并确保注入器类型名称在表单中正确翻译显示。
总结
OpenBAS 1.13.0版本通过注入管理的灵活性提升、目标筛选的精确化以及安全测试能力的扩展,进一步强化了其作为网络安全评估平台的核心价值。这些改进不仅提升了用户体验,也为企业安全团队提供了更强大的测试和分析工具。特别是Nmap扫描注入器的加入,使得平台在漏洞发现和资产暴露面评估方面的能力得到了显著增强。
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