Advertisement

npm-dependency-confusion-poc: 一个简易的PoC软件包，用于检测依赖关系混淆问题

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
简介：npm-dependency-confusion-poc是一款简单的概念验证工具，旨在帮助开发者识别和解决由依赖关系混淆引发的安全漏洞与配置问题。 NPM依赖性混淆PoC是一个简单的概念验证软件包，用于测试依赖关系混淆漏洞。该PoC受到Alex Birsan研究的启发。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • npm-dependency-confusion-poc: 一个简易的PoC软件包，用于检测依赖关系混淆问题
    优质
    简介：npm-dependency-confusion-poc是一款简单的概念验证工具，旨在帮助开发者识别和解决由依赖关系混淆引发的安全漏洞与配置问题。 NPM依赖性混淆PoC是一个简单的概念验证软件包，用于测试依赖关系混淆漏洞。该PoC受到Alex Birsan研究的启发。
  • CVE-2021-21315-PoC: 关于CVE 2021-21315的PoC示例
    优质
    这段内容提供了一个针对CVE-2021-21315漏洞的实际攻击概念验证（Proof of Concept, PoC）示例，帮助安全研究人员和开发人员理解和测试该漏洞的影响及修复方法。 CVE-2021-21315影响了npm程序包“ systeminformation”。这是一个概念验证（PoC），表明该漏洞存在于系统信息库中。 “请务必检查或清理传递给si.inetLatency()、si.inetChecksite()、si.services()和si.processLoad()的服务参数。只允许使用字符串，拒绝任何数组。确保对字符串进行适当处理。” 由于原文未充分解释漏洞细节，我根据systeminformation的漏洞版本编写了一个小型应用程序来测试Node.js中易受攻击的应用程序。 PoC包括： - 使用明确存在的系统信息库创建一个简单的Node.js应用 - 简单的有效载荷可以在受影响的计算机上生成.txt文件 重现步骤如下： 1. 在Linux服务器环境中运行该应用。 2. 发出GET请求至`site.com/api/getServices?name=nginx` 3. 尝试发送这样的请求：`yoursite.co` 这里的“nginx”只是示例服务名，你可以用其他服务名称替换。
  • Xray POC 174个
    优质
    Xray POC 174个 简介：本项目包含174种基于Xray工具进行漏洞检测与利用的概念验证（POC）案例，旨在帮助安全研究者深入理解并测试Web应用的安全性。 最新Xray扩展POC共174个。
  • 红队版Goby-PoC 438个自定义PoC
    优质
    红队版Goby-PoC是一款专为渗透测试团队设计的安全工具，包含438个精心定制的漏洞检测脚本（Proof of Concept, PoC），助力安全专家高效评估系统脆弱性。 包含438个自定义goby-poc，可能存在重复，请自行判断。这些POC来源于网络收集的Goby&POC资源，并会实时更新。如果没有红队版，则可以直接通过poc管理处导入自定义poc。总计共有736个POC。
  • Goby：包含150个自定义POC
    优质
    Goby是一款强大的网络安全工具，内置超过150种可自定义的渗透测试代码（Proof of Concept, POC），助力安全专家快速定位和验证系统漏洞。 360_TianQing_ccid_SQL_injectable.json 360_Tianqing_database_information_disclosure.json ACTI_camera_images_File_read.go Active_UC_index.action_RCE.json Adslr_Enterprise_online_behavior_management_system_Information_leakage.json Alibaba_Nacos_Add_user_not_authorized.json Alibaba_Nacos_Default_password.json Alibaba Nacos 控制台默认弱口令.json Alibaba Nacos 未授权访问漏洞.json Apache ActiveMQ Console控制台弱口令.json Apache Cocoon Xml 注入 CVE-2020-11991.json Apache_Kylin_Console_Default_password.json
  • CVE-2021-26855-PoC: 关于CVE-2021-26855的PoC攻击示例代码
    优质
    本页面提供关于CVE-2021-26855漏洞的Proof of Concept（PoC）攻击示例代码，旨在帮助安全研究人员了解该漏洞的技术细节与潜在危害。 CVE-2021-26855-PoC 是针对 CVE-2021-26855 漏洞的漏洞利用代码示例。该漏洞影响特定版本的 Exchange Server：Exchange Server 2013 小于 CU23，Exchange Server 2016 小于 CU18，以及 Exchange Server 2019 小于 CU7。 此漏洞与之前的交换服务器漏洞不同之处在于，它不需要用户登录权限即可触发。攻击者可以未经授权获取内部资源，并且能够结合 CVE-2021-27065 实现远程命令执行功能。 要利用该漏洞，目标服务器必须满足以下条件：受影响的 Exchange 服务器需要处于负载均衡配置下。
  • Pocsuite-Poc-Exp：分享几个我自己编写的POC脚本
    优质
    这段简介可以描述为：“Pocsuite-Poc-Exp”专注于分享作者自己撰写的POC（Proof of Concept）脚本，旨在帮助安全研究者和开发者测试并验证软件漏洞。这些脚本是基于Pocsuite框架开发的，对于提高网络安全性具有重要参考价值。 分享一些自己写的poc/exp。
  • Maven Dependency Check：针对基于Maven项目的自动依赖检测脚本
    优质
    Maven Dependency Check是一款专为Maven项目设计的自动化工具，用于定期扫描和检查项目的依赖项，确保软件开发的安全性和高效性。 MavenDependencyCheck 是一个在基于 Maven 的项目上运行的自动化脚本。该脚本会克隆给定的存储库，并使用 Maven 构建它们。构建成功后，它会对这些项目进行依赖性检查并生成报告。 要运行此脚本，需要安装 Python 和 Maven 模块。可以在相应的说明文档中找到具体的安装步骤和指南。 示例命令： ``` git clone https://github.com/elderstudios/uni-dvwa-spring.git ``` 使用方法： ```shell python depcheck.py ``` 此脚本经过测试，并在 Python 2.7.5 和 CentOS Linux 版本 7.6.1810 上成功运行。
  • Matlab中的混淆矩阵代码（Confusion Matrix）
    优质
    简介：本资源提供在MATLAB环境下实现混淆矩阵计算与可视化的方法和完整代码。适用于分类模型性能评估时使用。 混淆矩阵是评估分类模型性能的关键工具，在二分类及多类别问题上尤为有用。它提供了一种直观的方式来理解预测结果与实际标签之间的关系，并且在机器学习领域中，用于衡量如准确率、精确度、召回率以及F1分数等关键指标的表现。 使用MATLAB实现混淆矩阵的步骤如下： 1. **数据准备**：需要两个向量或矩阵形式的数据集——一个是模型输出的预测结果；另一个是实际正确的标签。 2. **构建混淆矩阵**：通过调用`confusionmat`函数，传入上述两组数据作为输入参数，可以得到一个描述分类错误情况的二维数组。对于二元分类问题，这个矩阵通常如下所示： ``` | 真阳性 | 假阳性 | |----------|----------| | 假阴性 | 真阴性 | ``` 3. **解释混淆矩阵**： - **真阳性 (TP)**：模型预测为正类且实际也是该类别的数量。 - **假阳性 (FP)**：尽管实际类别应被归类为负，但模型将其错误地分类为正的实例数。 - **假阴性 (FN)**：实际属于正类别而模型却判断其不属于这一类的情况的数量。 - **真阴性 (TN)**：正确识别出非目标类别的样本数量。 4. **计算性能指标**： - **准确率**（Accuracy）：所有预测正确的案例占总测试集的比例。 - **精确度**（Precision）：在被分类为正的实例中，真正是该类别成员的数量占比。 - **召回率**（Recall）：实际属于目标类别的样本当中有多少比例被正确地检测出来。 - **F1分数**（F1 Score）：综合考量精确度和召回率的一种指标。 5. **使用`confusionmat`函数创建混淆矩阵的示例代码如下： ```MATLAB predicted = [0; 1; 0; 1; 0]; % 预测结果 actual = [1; 1; 0; 0; 1]; % 真实标签 cm = confusionmat(actual, predicted); % 创建混淆矩阵 ``` 6. **ROC曲线**：用于描绘不同阈值下分类器性能的另一种方法。结合使用ROC曲线和混淆矩阵能够更全面地理解模型的表现，尤其是在处理不平衡的数据集或者特别关注某一类别的错误率时。 在实际应用中，通过这些工具可以有效地评估并改进机器学习模型的效果。