ServerScan使用手册
2024-08-11 03:10:32作者:邵娇湘
1. 项目目录结构及介绍
ServerScan是一款基于Golang编写的高并发网络扫描与服务探测工具,其项目结构精心设计以支持跨平台操作与隐私保护功能。以下是主要的目录结构和各部分的简介:
├── ServerScanForLinux # Linux平台相关文件夹
│ ├── CrossC2Kit # Cross C2相关CNA脚本
│ │ ├── serverscan linux elf cna # 内存加载ELF的CNA脚本
│ │ └── serverscan linux so cna # 动态链接库SO调用的CNA脚本
│ ├── ELF # ELF可执行文件
│ │ ├── portscan # 端口扫描工具
│ │ ├── serverscan # 主扫描程序
│ │ └── ... # 其他相关ELF文件
│ └── SO # 动态链接库文件
│ ├── crossc2_portscan so
│ └── crossc2_serverscan so
├── ServerScanForWindows # Windows平台相关文件夹
│ ├── serverScan win cna # Windows环境下Cobalt Strike使用的CNA脚本
│ ├── PE # Windows可执行文件夹
│ │ ├── x64 # 适用于64位系统
│ │ │ └── serverscan_amd64.exe
│ │ └── x86 # 适用于32位系统
│ │ └── serverscan_386.exe
├── README.md # 项目说明文件
└── ...
2. 项目的启动文件介绍
Linux环境启动
对于Linux,启动主要依赖于两个途径:直接执行ELF文件或通过Cobalt Strike加载CNA脚本。直接方式,如执行./serverscan命令,适用于常规场景;而集成到Cobalt Strike的使用,则需加载serverscan linux elf cna或serverscan linux so cna脚本来通过beacon执行扫描。
Windows环境启动
在Windows,特别是与Cobalt Strike结合使用时,需在Script Manager中加载serverScan win cna脚本。这将允许通过Cobalt Strike交互命令,如Serverscan86、Serverscan64,间接执行扫描任务,初始执行可能涉及将对应版本的程序临时放置到服务器的指定路径。
3. 项目的配置文件介绍
ServerScan的配置更多体现在其脚本参数与环境设置中,而非传统的独立配置文件。例如,在Linux或Windows直接执行时,参数通过命令行传递控制扫描行为(如端口范围、超时设置等)。当通过Cobalt Strike使用时,配置逻辑嵌入到CNA脚本内部,可通过脚本修改或使用时通过Cobalt Strike的交互界面指定目标和选项。因此,虽然没有明确列出配置文件,用户应关注脚本参数和Cobalt Strike的交互命令以定制化其扫描需求。
以上内容构建了一个关于如何理解和操作ServerScan的基础框架,包括其目录结构的清晰概览、不同操作系统下的启动机制以及其独特的"配置"方式,旨在帮助用户快速上手并有效利用该工具。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
412
3.17 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146