Autowasp安装与配置指南
1. 项目基础介绍
Autowasp是一个Burp Suite的扩展工具,它将OWASP Web Security Testing Guide (WSTG)与Burp Scanner的问题记录集成在一起,提供了一个现代化的网络安全测试流程。这个工具旨在帮助新的渗透测试人员了解网络安全最佳实践,并自动化OWASP WSTG的检查。
主要编程语言:Java
2. 项目使用的关键技术和框架
- Burp Suite Extender APIs:用于扩展Burp Suite功能的应用程序编程接口。
- Apache Commons Collections/Compress:用于集合操作和压缩功能。
- GSON:用于JSON解析。
- Jsoup:用于解析HTML文档。
- Apache POI:用于处理Microsoft Office文档。
- XMLBeans:用于处理XML文档。
3. 项目安装和配置的准备工作
在开始安装Autowasp之前,您需要做一些准备工作:
- 确保您的计算机上已经安装了Java Development Kit (JDK)。
- 下载并安装Burp Suite Professional版本。
- 安装Git版本控制系统(如果使用命令行安装方式)。
安装步骤
使用IntelliJ IDEA安装
-
克隆仓库到您选择的目录:
git clone https://github.com/govtech-csg/Autowasp.git -
打开IntelliJ IDEA,可以选择导入项目或者打开项目。
-
进入“文件” -> “项目结构”。
-
在“主类”下,选择
BurpExtender (burp)。 -
在“项目设置”下选择“构件”,点击“+”号,添加“JAR”,并选择“从模块及其依赖项...”。
-
在“主类”下,再次选择
BurpExtender (burp)。点击“确定”。 -
在“项目设置”下,选择“模块”,将
/src/main/resources添加为项目资源。 -
点击右下角的“应用”并关闭“项目设置”。
-
点击“构建项目” -> “构建项目”。
-
autowasp.jar文件将会被构建在/Autowasp/out/artifacts/autowasp_jar/autowasp.jar。
使用命令行安装
-
克隆仓库到您选择的目录:
git clone https://github.com/govtech-csg/Autowasp.git -
运行以下命令:
cd Autowasp mvn clean compile assembly:single -
autowasp.jar文件将会被构建在/Autowasp/target/autowasp-1.0-SNAPSHOT-jar-with-dependencies.jar。
安装到Burp Suite
-
下载发布构建的JAR文件。
-
打开Burp Suite。
-
点击顶部的“Extender”。
-
在“扩展”标签下点击“添加”。
-
在“扩展详情”中点击“选择文件”,选择Autowasp JAR文件,然后点击“下一步”。
-
如果没有输出或错误,您应该在顶部看到一个名为“Autowasp”的新标签。
按照以上步骤操作,您就可以成功安装并配置Autowasp项目了。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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