Ingram 项目安装与使用教程
2026-01-16 10:09:09作者:郦嵘贵Just
1. 项目目录结构及介绍
Ingram 项目的目录结构如下:
Ingram/
├── .gitignore
├── LICENSE
├── README.en.md
├── README.md
├── requirements.txt
├── run_ingram.py
└── Ingram/
├── config.py
├── ...
目录结构说明
.gitignore: 用于指定 Git 版本控制系统忽略的文件和目录。LICENSE: 项目的开源许可证文件,本项目使用 GPL-3.0 许可证。README.en.md: 英文版本的 README 文件,介绍项目的概况和使用方法。README.md: 中文版本的 README 文件,介绍项目的概况和使用方法。requirements.txt: 项目依赖的 Python 包列表,使用pip安装。run_ingram.py: 项目的启动文件,用于执行漏洞扫描任务。Ingram/: 项目的主要代码目录,包含配置文件和其他功能模块。
2. 项目的启动文件介绍
run_ingram.py 是 Ingram 项目的启动文件,负责执行漏洞扫描任务。以下是该文件的主要功能和使用方法:
主要功能
- 目标文件读取: 从指定的目标文件中读取要扫描的 IP 地址和端口。
- 漏洞扫描: 根据配置文件中的规则,对目标进行漏洞扫描。
- 结果输出: 将扫描结果保存到指定的输出目录中。
使用方法
python3 run_ingram.py -i 目标文件 -o 输出文件夹
-i: 指定包含目标 IP 地址和端口的文件。-o: 指定扫描结果的输出目录。
可选参数
-p: 指定要扫描的端口。-t: 指定并发扫描的进程数。-T: 指定请求的超时时间。--debug: 开启调试模式。
3. 项目的配置文件介绍
Ingram/config.py 是 Ingram 项目的配置文件,包含了扫描任务的各种配置选项。以下是该文件的主要内容和配置项:
主要配置项
- 默认端口: 定义了默认扫描的端口列表。
- 并发数: 定义了默认的并发扫描进程数。
- 超时时间: 定义了默认的请求超时时间。
- 调试模式: 是否开启调试模式。
配置示例
# 默认扫描端口
DEFAULT_PORTS = [80, 443, 8080, 8443]
# 默认并发数
DEFAULT_THREADS = 300
# 默认超时时间
DEFAULT_TIMEOUT = 5
# 调试模式
DEBUG_MODE = False
配置文件使用
在 run_ingram.py 中,可以通过命令行参数覆盖这些默认配置,例如:
python3 run_ingram.py -i 目标文件 -o 输出文件夹 -p 80 81 8000 -t 500 -T 10 --debug
以上命令将使用指定的端口、并发数、超时时间和调试模式进行扫描。
登录后查看全文
热门项目推荐
相关项目推荐
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。C099
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
477
3.56 K
React Native鸿蒙化仓库
JavaScript
287
340
暂无简介
Dart
728
175
Ascend Extension for PyTorch
Python
287
320
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++
849
446
openEuler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。
C
235
98
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
10
1
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
450
180
🎉 (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
1.28 K
705