1. 项目概述与核心价值最近几年无论是企业安全建设还是个人学习Web安全扫描系统都是一个绕不开的话题。市面上的商业产品功能强大但往往价格不菲且内部机制不透明而开源工具虽然免费但要么功能单一要么部署复杂对于想深入理解其工作原理、或者需要一个轻量级、可定制化解决方案的人来说总感觉隔着一层纱。这正是我当初决定动手从零构建一个轻量级Web资产安全扫描系统的初衷——不是为了替代那些成熟的商业或开源方案而是为了“知其然更知其所以然”。这个毕业设计实战项目本质上是一个集成了资产发现、漏洞探测、报告生成于一体的自动化工具。它面向的不仅仅是安全专业的学生任何对网络安全、自动化运维、Python编程感兴趣并希望将理论知识转化为实际动手能力的开发者都能从中获益。通过这个项目你将亲手实现一个扫描器的核心骨架如何智能地发现一个域名下的所有子域名和隐藏资产如何模拟一个“有礼貌”的黑客对Web应用进行非破坏性的安全测试又如何将散乱的扫描结果整理成一份清晰、 actionable 的报告整个过程就像在组装一台精密的仪器每一个模块的选择和实现都充满了权衡与思考。2. 系统整体架构与设计思路一个完整的扫描系统远不止是发送几个HTTP请求那么简单。它需要像一个训练有素的侦察兵先摸清敌情资产发现再针对性地进行试探漏洞探测最后将情报整理上报报告生成。基于这个逻辑我将系统设计为三个核心层次调度层、引擎层和输出层。2.1 核心模块划分与职责调度层是系统的大脑负责整个扫描流程的编排。它接收用户输入的一个主域名例如example.com然后启动资产发现流程。资产发现完成后它会将获取到的所有目标URL可能是子域名、目录、参数化链接放入一个任务队列中。接着调度器会协调多个漏洞检测引擎从队列中取出目标进行并行扫描同时要负责控制扫描速率避免对目标服务器造成拒绝服务攻击。最后它收集所有引擎的结果传递给报告生成模块。引擎层是系统的肌肉负责具体的“脏活累活”。这里至少需要两个核心引擎资产发现引擎它的任务是将一个种子域名扩展成一个尽可能完整的URL列表。这通常结合了被动收集和主动爬取。被动收集可以调用公开的API如SecurityTrails, Censys的子域名查询接口或利用DNS记录查询主动爬取则需要一个自研的爬虫能够解析HTML、JavaScript提取链接并处理各种表单、AJAX请求同时要能规避反爬机制。漏洞检测引擎这是系统的核心。它基于一套预定义的“检测插件”工作。每个插件针对一种特定的漏洞类型例如SQL注入、XSS、敏感文件泄露、配置错误等。引擎的工作是加载这些插件按照一定策略如先进行信息收集类检测再进行攻击性检测对每个目标URL执行检测逻辑。输出层是系统的面孔负责将技术数据转化为人类可读的信息。它需要将引擎层返回的原始数据漏洞类型、URL、参数、Payload、风险等级进行结构化处理生成格式清晰的报告如HTML、PDF或Markdown格式并最好能给出简要的修复建议。设计心得在初期设计时最容易犯的错误是追求“大而全”试图一次性实现所有漏洞的检测。我的建议是采用“插件化”架构先实现一个稳定的调度框架和几个最经典的漏洞检测插件如一个简单的基于错误的SQL注入检测。这样能快速跑通整个流程建立信心后续再像搭积木一样增加新的检测能力。这种迭代方式远比一开始就设计一个庞杂的怪物要高效得多。2.2 技术栈选型与考量技术选型直接决定了开发效率和系统的能力上限。以下是经过实践验证的一套轻量级组合编程语言Python 3.8。这是毫无疑问的选择。Python在网络安全领域拥有最丰富的生态库Requests, BeautifulSoup, Scrapy, SQLAlchemy等其简洁的语法和强大的异步支持asyncio, aiohttp非常适合编写需要高并发的网络爬虫和扫描器。网络请求库aiohttp httpx。对于扫描器这种I/O密集型应用异步IO是提升性能的关键。aiohttp提供了强大的异步HTTP客户端/服务器功能。而httpx是一个现代、功能齐全的HTTP客户端同时支持同步和异步且API设计与requests高度相似降低了学习成本。我通常用aiohttp处理核心的高并发爬取和扫描用httpx处理一些需要更复杂会话管理或同步调用的场景。HTML解析BeautifulSoup4 lxml。BeautifulSoup提供了非常友好的API来解析和遍历HTML/XML文档提取链接、表单、脚本等元素。lxml作为其解析后端速度更快容错性更好。任务队列与并发控制asyncio 协程 信号量Semaphore。对于轻量级系统不需要引入Redis、RabbitMQ等重型消息队列。Python原生的asyncio配合asyncio.Semaphore可以非常优雅地控制最大并发连接数防止同时发起过多请求。数据存储SQLite JSON文件。SQLite非常适合作为单机版扫描器的数据存储无需安装额外服务。我们可以用它来存储扫描任务元数据、资产清单。而具体的漏洞详情、请求/响应原始数据可以按任务ID存储为结构化的JSON文件便于后续分析和报告生成。报告生成Jinja2模板引擎。用Jinja2来渲染HTML报告是最灵活的方式。你可以设计一个专业的模板将漏洞数据动态填充进去生成美观、可交互的HTML报告也方便导出为PDF。选择这些技术核心考量是“轻量”和“可控”。它们都是纯Python实现依赖清晰能让你聚焦于业务逻辑本身而不是陷入复杂的中间件部署和调试中。3. 核心模块实现细节与实操要点3.1 资产发现引擎从单一域名到全景地图资产发现是扫描的第一步也是决定扫描覆盖面的关键。一个健壮的发现引擎应该是“主动被动”的结合。被动信息收集 这部分主要依赖于外部数据源。我们可以集成一些免费的API注意调用频率限制或利用公开数据集。子域名枚举这是最核心的。除了暴力破解使用大型子域名字典更有效的方式是查询DNS记录。我们可以使用dnspython库进行A记录、CNAME记录查询。同时可以整合一些在线服务的接口例如通过向https://crt.sh/查询SSL证书透明度日志来发现关联的子域名。代码上可以设计一个SubdomainEnumerator类内部有多种枚举方法brute_force,dns_query,cert_transparency由调度器决定使用哪种或哪几种组合。import asyncio import aiodns from concurrent.futures import ThreadPoolExecutor class SubdomainEnumerator: def __init__(self, domain): self.domain domain self.resolver aiodns.DNSResolver() async def dns_query_async(self, subdomain): full_domain f{subdomain}.{self.domain} try: # 查询A记录 await self.resolver.query(full_domain, A) return full_domain except aiodns.error.DNSError: return None async def enumerate_via_dns(self, wordlist): 使用异步DNS查询进行枚举 semaphore asyncio.Semaphore(50) # 控制并发数 tasks [] discovered [] for word in wordlist: task asyncio.create_task(self._query_with_semaphore(semaphore, word)) tasks.append(task) results await asyncio.gather(*tasks) discovered [r for r in results if r] return discovered async def _query_with_semaphore(self, semaphore, sub): async with semaphore: return await self.dns_query_async(sub)端口扫描轻量级对于发现的IP资产可以进行常见Web端口的快速探测如80, 443, 8080, 8443。可以使用asyncio配合socket进行TCP连接尝试但要注意效率和超时设置。主动网络爬虫 这是发现网站内部链接、API端点、隐藏参数的主要手段。自己写爬虫需要注意以下几点链接提取使用BeautifulSoup从href,src,action等属性中提取链接并处理好相对路径转绝对路径。表单处理自动识别form标签提取input,select,textarea等字段为后续的漏洞检测如SQL注入、XSS准备测试点。动态内容处理简单的爬虫无法执行JavaScript。对于现代单页面应用SPA可以考虑集成一个无头浏览器如playwright或selenium的轻量级模块但这会显著增加资源消耗。一个折中方案是优先从静态资源如JS文件中正则匹配可能的路由或API端点。去重与边界控制必须有一个高效的去重机制如基于URL归一化后的MD5值防止循环爬取。同时要通过域名匹配只爬取目标域名下的链接和深度限制来控制爬取范围。礼貌性在robots.txt中设置合理的请求延迟Crawl-Delay并添加自定义的User-Agent标识。实操心得资产发现很容易“跑飞”消耗大量时间和带宽。务必在爬虫启动前通过命令行参数或配置文件设定清晰的边界目标域名、最大爬取深度、最大页面数、是否爬取外部链接等。同时将发现的所有资产URL、参数、表单持久化到SQLite数据库中这不仅是本次扫描的输入也可以作为历史资产库用于后续的增量扫描和资产变更监控。3.2 漏洞检测引擎插件化设计与经典漏洞实现引擎的核心是插件化。每个检测插件都是一个独立的Python类遵循统一的接口。插件接口设计class VulnPluginBase: 漏洞插件基类 name 插件名称 risk_level 高危/中危/低危 # 用于报告评级 description 插件描述 def __init__(self, target_url): self.target_url target_url self.session None # 共享的HTTP会话 async def check(self, session): 核心检测方法 :param session: aiohttp.ClientSession 对象用于发送请求 :return: 如果存在漏洞返回 VulnResult 对象否则返回 None self.session session # 插件具体的检测逻辑 pass class VulnResult: 漏洞结果类 def __init__(self, plugin_name, url, param, payload, risk, detail): self.plugin_name plugin_name self.url url self.param param # 存在漏洞的参数 self.payload payload # 触发的payload self.risk risk self.detail detail # 详细描述如响应片段、匹配规则等经典插件实现示例基于错误回显的SQL注入检测这是一个入门级但非常经典的漏洞检测逻辑。其原理是向参数中注入能引发数据库语法错误的Payload如单引号然后检查HTTP响应中是否包含数据库特有的错误信息如MySQL,SQL syntax,PostgreSQL等。class SQLiErrorBasedPlugin(VulnPluginBase): name SQL注入基于错误 risk_level 高危 description 检测通过数据库错误信息回显的SQL注入漏洞 # 常见的引发错误的Payload ERROR_PAYLOADS [, \, OR 11, \ OR \1\\1] # 数据库错误关键词 DB_ERROR_KEYWORDS [ SQL syntax, MySQL, PostgreSQL, ORA-, Microsoft OLE DB, Unclosed quotation mark, Warning: mysql ] async def check(self, session): self.session session # 假设self.target_url是一个带有查询参数的URL例如 http://test.com/page?id1 parsed_url urlparse(self.target_url) query_params parse_qs(parsed_url.query) for param_name, param_values in query_params.items(): original_value param_values[0] for payload in self.ERROR_PAYLOADS: # 替换参数值 test_params query_params.copy() test_params[param_name] [payload] # 构造新的测试URL test_query urlencode(test_params, doseqTrue) test_url urlunparse(parsed_url._replace(querytest_query)) try: async with session.get(test_url, timeout10, sslFalse) as resp: response_text await resp.text() # 检查响应中是否包含数据库错误关键词 for keyword in self.DB_ERROR_KEYWORDS: if keyword.lower() in response_text.lower(): return VulnResult( plugin_nameself.name, urlself.target_url, paramparam_name, payloadpayload, riskself.risk_level, detailf响应中包含数据库错误关键词: {keyword} ) except asyncio.TimeoutError: continue except Exception as e: # 记录日志但继续检测其他参数 logging.debug(f请求{test_url}失败: {e}) continue return None其他常见插件思路XSS检测向所有参数注入基本的XSS测试向量如scriptalert(1)/script并检查响应中该向量是否被原样输出且未被转义。更高级的可以检测DOM型XSS。敏感文件/目录泄露使用一个包含常见备份文件、配置文件、日志文件路径的字典如robots.txt,.git/,wp-config.php.bak对目标域名进行拼接并访问根据HTTP状态码200, 403和响应内容判断是否存在。HTTP安全头检测检查响应头中是否缺失关键安全头如Content-Security-Policy,X-Frame-Options,X-Content-Type-Options,Strict-Transport-Security等。基础信息泄露检查响应中是否包含服务器版本、框架版本、内部IP等敏感信息。注意事项漏洞检测是双刃剑。务必牢记以下几点1)合法性只扫描你拥有明确书面授权如漏洞众测平台授权、自己公司的资产的目标。未经授权的扫描是违法行为。2)非破坏性检测插件发送的Payload必须是“探针”性质的旨在触发异常行为或信息泄露而不是真正执行DROP TABLE或rm -rf这样的破坏性操作。3)速率限制在引擎调度层面必须严格控制请求频率添加随机延迟避免对目标服务器造成DoS攻击。3.3 调度器与并发控制让扫描器高效且“礼貌”调度器是串联一切的中枢。它的主要挑战在于如何管理数百甚至数千个异步任务同时保持系统稳定和对目标友好。核心实现逻辑任务队列使用asyncio.Queue来管理待扫描的URL。资产发现引擎作为生产者将发现的URL放入队列漏洞检测引擎作为消费者从队列中取出URL进行检测。并发控制这是关键。不能无限制地并发发送请求。我们通过asyncio.Semaphore来创建一个信号量限制同时运行的检测协程数量。例如设置信号量为20意味着最多只有20个检测任务在同时进行。优雅退出与状态保存扫描可能耗时很长需要支持暂停和恢复。可以为每个扫描任务生成一个唯一ID并将任务队列、已扫描URL列表、临时结果定期序列化保存到文件或数据库。当程序重启时可以加载状态继续执行。import asyncio from queue import PriorityQueue import logging class ScanScheduler: def __init__(self, target_domain, concurrency20, delay0.5): self.target_domain target_domain self.concurrency concurrency self.delay delay # 基础请求延迟秒 self.task_queue asyncio.Queue() self.scanned_urls set() # 用于去重 self.results [] self.plugins [] # 加载的漏洞插件列表 async def producer(self): 生产者运行资产发现将URL填入队列 discoverer AssetDiscoverer(self.target_domain) urls await discoverer.run() for url in urls: if url not in self.scanned_urls: await self.task_queue.put(url) self.scanned_urls.add(url) # 放入结束信号 for _ in range(self.concurrency): await self.task_queue.put(None) async def consumer(self, consumer_id): 消费者从队列取URL执行漏洞检测 semaphore asyncio.Semaphore(self.concurrency) while True: url await self.task_queue.get() if url is None: # 收到结束信号 self.task_queue.task_done() break async with semaphore: for plugin_cls in self.plugins: plugin plugin_cls(url) try: result await plugin.check(self.session) # 假设session已创建 if result: self.results.append(result) logging.info(f[Consumer-{consumer_id}] 发现漏洞: {result.plugin_name} {url}) except Exception as e: logging.error(f[Consumer-{consumer_id}] 插件{plugin_cls.name}检测{url}时出错: {e}) # 请求延迟体现“礼貌” await asyncio.sleep(self.delay) self.task_queue.task_done() async def run(self): 启动调度 import aiohttp connector aiohttp.TCPConnector(limitself.concurrency, sslFalse) timeout aiohttp.ClientTimeout(total30) async with aiohttp.ClientSession(connectorconnector, timeouttimeout) as session: self.session session # 启动生产者 producer_task asyncio.create_task(self.producer()) # 启动消费者组 consumer_tasks [] for i in range(self.concurrency): task asyncio.create_task(self.consumer(i)) consumer_tasks.append(task) await producer_task await self.task_queue.join() # 等待所有任务处理完毕 # 通知消费者退出 for task in consumer_tasks: task.cancel() await asyncio.gather(*consumer_tasks, return_exceptionsTrue) return self.results3.4 报告生成模块从数据到洞察扫描出漏洞只是第一步如何清晰、专业地呈现结果让开发或运维人员能快速理解并修复同样重要。报告结构设计 一份好的扫描报告应该包含概览扫描目标、开始/结束时间、耗时、扫描URL总数、漏洞统计按风险等级分类。漏洞详情列表这是核心。每个漏洞条目应包含漏洞名称与风险等级用颜色高亮如红色-高危受影响URL漏洞参数触发Payload漏洞描述与原理修复建议这是体现价值的关键请求与响应片段可折叠便于技术复核资产清单列出所有被发现的主机、域名、URL有助于全面了解攻击面。附录扫描配置、使用的插件版本等信息。使用Jinja2生成HTML报告创建一个HTML模板文件report_template.html在其中使用Jinja2语法{{ variable }},{% for ... %}来定义动态内容的位置。在Python中将扫描结果self.results和资产信息整理成一个字典context。使用Jinja2加载模板并渲染。from jinja2 import Environment, FileSystemLoader import json from datetime import datetime class ReportGenerator: def __init__(self, scan_id, target, results, assets): self.scan_id scan_id self.target target self.results results self.assets assets self.env Environment(loaderFileSystemLoader(templates/)) def generate_html(self): template self.env.get_template(vuln_report.html) # 统计数据 stats { high: len([r for r in self.results if r.risk 高危]), medium: len([r for r in self.results if r.risk 中危]), low: len([r for r in self.results if r.risk 低危]), total_urls: len(self.assets), } context { scan_id: self.scan_id, target: self.target, scan_time: datetime.now().strftime(%Y-%m-%d %H:%M:%S), stats: stats, vulnerabilities: self.results, assets: self.assets, } html_content template.render(context) filename freport_{self.scan_id}_{datetime.now().strftime(%Y%m%d_%H%M%S)}.html with open(filename, w, encodingutf-8) as f: f.write(html_content) return filename在模板中你可以利用Bootstrap等CSS框架快速搭建一个美观的界面用不同的标签span classbadge bg-danger高危/span来展示风险等级用折叠面板来展示详细的请求响应数据。4. 常见问题、优化方向与避坑指南在实际构建和运行过程中你会遇到各种各样的问题。以下是一些典型问题及解决思路。4.1 扫描效率低下问题扫描一个中等规模的网站需要数小时。排查与解决检查并发数Semaphore的值是否设置过小可以适当提高如从20调到50或100但要观察目标服务器的响应和自身网络带宽。分析瓶颈使用cProfile或py-spy工具分析代码看时间是花在网络I/O上还是HTML解析或插件检测逻辑上。如果是后者优化算法或引入缓存。优化去重scanned_urls使用set()在内存中去重很快但如果URL量极大百万级考虑使用Bloom Filter或持久化到数据库并建立索引。减少不必要的请求在爬虫阶段可以通过文件扩展名如.jpg,.png,.css过滤掉明显不是动态脚本的静态资源链接。4.2 误报与漏报率高问题报告里一堆漏洞但实际验证大部分不存在误报或者明明有漏洞却没扫出来漏报。排查与解决误报这是自动化扫描器的通病。需要精细化检测逻辑。例如SQL注入检测不能只看错误关键词还要结合响应状态码、响应长度变化、响应时间等多个维度进行综合判断。可以为每个插件设置一个“置信度”评分只有超过阈值才报告。建立人工验证流程将常见的误报模式如某些CMS的固定错误页面加入白名单。漏报爬虫覆盖不全检查爬虫是否处理了JavaScript渲染的内容。对于重要目标可以启用无头浏览器模块。检测规则过时漏洞Payload和指纹库需要持续更新。可以定期从公开的漏洞库如PayloadsAllTheThings同步规则。WAF/IPS拦截扫描流量被目标的安全设备拦截。尝试添加更真实的HTTP头如User-Agent,Referer或降低扫描速率模拟正常用户行为。4.3 目标服务器被封禁或返回异常问题扫描一段时间后目标返回403/429状态码或被直接拉黑IP。解决严格遵守robots.txt在爬虫中解析并尊重robots.txt中的Crawl-Delay和Disallow规则。添加随机延迟不要在请求间使用固定延迟而是在一个基础值上增加随机抖动如delay random.uniform(0, 1)。使用代理池如果扫描频率要求高可以考虑集成代理IP池轮流使用不同IP发送请求。但务必使用合法合规的代理服务。设置超时与重试对每个请求设置合理的超时如10-30秒并对网络错误非4xx/5xx状态码实现指数退避的重试机制。4.4 系统稳定性与资源占用问题长时间运行后内存占用越来越高或突然崩溃。解决内存泄漏确保正确管理aiohttp.ClientSession和连接器。最好在一个主会话中完成所有请求并在程序结束时显式关闭。定期检查是否有大的对象如完整的HTML响应内容被意外长期持有。异常处理用try...except包裹每一个可能失败的子任务网络请求、文件IO、数据库操作并记录详细的错误日志确保一个任务的失败不会导致整个扫描进程崩溃。资源监控可以添加简单的日志定期输出任务队列长度、内存使用情况便于监控。4.5 项目扩展与进阶方向当你完成了基础版本后可以考虑以下方向进行深化这也能成为你简历上的亮点分布式扫描将调度器、爬虫、检测引擎拆分为独立的微服务使用消息队列如Redis Streams, RabbitMQ进行通信实现横向扩展应对海量资产扫描。漏洞验证集成简单的漏洞验证模块。例如对于发现的疑似SQL注入点尝试进行基于布尔或时间的盲注验证进一步降低误报。指纹识别在资产发现阶段集成更强大的指纹识别如Wappalyzer原理识别目标使用的Web框架、中间件、CMS及其版本从而调用更具针对性的漏洞检测插件。持续监控与告警将系统改造为定时任务对关键资产进行周期性扫描并与历史结果对比当发现新漏洞或资产变更时通过邮件、钉钉、Webhook等方式发送告警。可视化仪表盘使用Flask或FastAPI搭建一个简单的Web管理界面用于提交扫描任务、查看实时进度、浏览历史报告和漏洞趋势图。构建这样一个系统最大的收获不是最终的那个可执行文件而是在过程中对HTTP协议、Web应用架构、常见漏洞原理、异步编程、软件设计模式的深刻理解。每一个踩过的坑每一次对参数的调优都让你离一个真正的安全工程师更近一步。记住工具是思想的延伸先想清楚再动手写你会走得更稳更远。
从零构建轻量级Web资产安全扫描系统：Python实战与插件化架构
发布时间：2026/7/4 23:14:29
1. 项目概述与核心价值最近几年无论是企业安全建设还是个人学习Web安全扫描系统都是一个绕不开的话题。市面上的商业产品功能强大但往往价格不菲且内部机制不透明而开源工具虽然免费但要么功能单一要么部署复杂对于想深入理解其工作原理、或者需要一个轻量级、可定制化解决方案的人来说总感觉隔着一层纱。这正是我当初决定动手从零构建一个轻量级Web资产安全扫描系统的初衷——不是为了替代那些成熟的商业或开源方案而是为了“知其然更知其所以然”。这个毕业设计实战项目本质上是一个集成了资产发现、漏洞探测、报告生成于一体的自动化工具。它面向的不仅仅是安全专业的学生任何对网络安全、自动化运维、Python编程感兴趣并希望将理论知识转化为实际动手能力的开发者都能从中获益。通过这个项目你将亲手实现一个扫描器的核心骨架如何智能地发现一个域名下的所有子域名和隐藏资产如何模拟一个“有礼貌”的黑客对Web应用进行非破坏性的安全测试又如何将散乱的扫描结果整理成一份清晰、 actionable 的报告整个过程就像在组装一台精密的仪器每一个模块的选择和实现都充满了权衡与思考。2. 系统整体架构与设计思路一个完整的扫描系统远不止是发送几个HTTP请求那么简单。它需要像一个训练有素的侦察兵先摸清敌情资产发现再针对性地进行试探漏洞探测最后将情报整理上报报告生成。基于这个逻辑我将系统设计为三个核心层次调度层、引擎层和输出层。2.1 核心模块划分与职责调度层是系统的大脑负责整个扫描流程的编排。它接收用户输入的一个主域名例如example.com然后启动资产发现流程。资产发现完成后它会将获取到的所有目标URL可能是子域名、目录、参数化链接放入一个任务队列中。接着调度器会协调多个漏洞检测引擎从队列中取出目标进行并行扫描同时要负责控制扫描速率避免对目标服务器造成拒绝服务攻击。最后它收集所有引擎的结果传递给报告生成模块。引擎层是系统的肌肉负责具体的“脏活累活”。这里至少需要两个核心引擎资产发现引擎它的任务是将一个种子域名扩展成一个尽可能完整的URL列表。这通常结合了被动收集和主动爬取。被动收集可以调用公开的API如SecurityTrails, Censys的子域名查询接口或利用DNS记录查询主动爬取则需要一个自研的爬虫能够解析HTML、JavaScript提取链接并处理各种表单、AJAX请求同时要能规避反爬机制。漏洞检测引擎这是系统的核心。它基于一套预定义的“检测插件”工作。每个插件针对一种特定的漏洞类型例如SQL注入、XSS、敏感文件泄露、配置错误等。引擎的工作是加载这些插件按照一定策略如先进行信息收集类检测再进行攻击性检测对每个目标URL执行检测逻辑。输出层是系统的面孔负责将技术数据转化为人类可读的信息。它需要将引擎层返回的原始数据漏洞类型、URL、参数、Payload、风险等级进行结构化处理生成格式清晰的报告如HTML、PDF或Markdown格式并最好能给出简要的修复建议。设计心得在初期设计时最容易犯的错误是追求“大而全”试图一次性实现所有漏洞的检测。我的建议是采用“插件化”架构先实现一个稳定的调度框架和几个最经典的漏洞检测插件如一个简单的基于错误的SQL注入检测。这样能快速跑通整个流程建立信心后续再像搭积木一样增加新的检测能力。这种迭代方式远比一开始就设计一个庞杂的怪物要高效得多。2.2 技术栈选型与考量技术选型直接决定了开发效率和系统的能力上限。以下是经过实践验证的一套轻量级组合编程语言Python 3.8。这是毫无疑问的选择。Python在网络安全领域拥有最丰富的生态库Requests, BeautifulSoup, Scrapy, SQLAlchemy等其简洁的语法和强大的异步支持asyncio, aiohttp非常适合编写需要高并发的网络爬虫和扫描器。网络请求库aiohttp httpx。对于扫描器这种I/O密集型应用异步IO是提升性能的关键。aiohttp提供了强大的异步HTTP客户端/服务器功能。而httpx是一个现代、功能齐全的HTTP客户端同时支持同步和异步且API设计与requests高度相似降低了学习成本。我通常用aiohttp处理核心的高并发爬取和扫描用httpx处理一些需要更复杂会话管理或同步调用的场景。HTML解析BeautifulSoup4 lxml。BeautifulSoup提供了非常友好的API来解析和遍历HTML/XML文档提取链接、表单、脚本等元素。lxml作为其解析后端速度更快容错性更好。任务队列与并发控制asyncio 协程 信号量Semaphore。对于轻量级系统不需要引入Redis、RabbitMQ等重型消息队列。Python原生的asyncio配合asyncio.Semaphore可以非常优雅地控制最大并发连接数防止同时发起过多请求。数据存储SQLite JSON文件。SQLite非常适合作为单机版扫描器的数据存储无需安装额外服务。我们可以用它来存储扫描任务元数据、资产清单。而具体的漏洞详情、请求/响应原始数据可以按任务ID存储为结构化的JSON文件便于后续分析和报告生成。报告生成Jinja2模板引擎。用Jinja2来渲染HTML报告是最灵活的方式。你可以设计一个专业的模板将漏洞数据动态填充进去生成美观、可交互的HTML报告也方便导出为PDF。选择这些技术核心考量是“轻量”和“可控”。它们都是纯Python实现依赖清晰能让你聚焦于业务逻辑本身而不是陷入复杂的中间件部署和调试中。3. 核心模块实现细节与实操要点3.1 资产发现引擎从单一域名到全景地图资产发现是扫描的第一步也是决定扫描覆盖面的关键。一个健壮的发现引擎应该是“主动被动”的结合。被动信息收集 这部分主要依赖于外部数据源。我们可以集成一些免费的API注意调用频率限制或利用公开数据集。子域名枚举这是最核心的。除了暴力破解使用大型子域名字典更有效的方式是查询DNS记录。我们可以使用dnspython库进行A记录、CNAME记录查询。同时可以整合一些在线服务的接口例如通过向https://crt.sh/查询SSL证书透明度日志来发现关联的子域名。代码上可以设计一个SubdomainEnumerator类内部有多种枚举方法brute_force,dns_query,cert_transparency由调度器决定使用哪种或哪几种组合。import asyncio import aiodns from concurrent.futures import ThreadPoolExecutor class SubdomainEnumerator: def __init__(self, domain): self.domain domain self.resolver aiodns.DNSResolver() async def dns_query_async(self, subdomain): full_domain f{subdomain}.{self.domain} try: # 查询A记录 await self.resolver.query(full_domain, A) return full_domain except aiodns.error.DNSError: return None async def enumerate_via_dns(self, wordlist): 使用异步DNS查询进行枚举 semaphore asyncio.Semaphore(50) # 控制并发数 tasks [] discovered [] for word in wordlist: task asyncio.create_task(self._query_with_semaphore(semaphore, word)) tasks.append(task) results await asyncio.gather(*tasks) discovered [r for r in results if r] return discovered async def _query_with_semaphore(self, semaphore, sub): async with semaphore: return await self.dns_query_async(sub)端口扫描轻量级对于发现的IP资产可以进行常见Web端口的快速探测如80, 443, 8080, 8443。可以使用asyncio配合socket进行TCP连接尝试但要注意效率和超时设置。主动网络爬虫 这是发现网站内部链接、API端点、隐藏参数的主要手段。自己写爬虫需要注意以下几点链接提取使用BeautifulSoup从href,src,action等属性中提取链接并处理好相对路径转绝对路径。表单处理自动识别form标签提取input,select,textarea等字段为后续的漏洞检测如SQL注入、XSS准备测试点。动态内容处理简单的爬虫无法执行JavaScript。对于现代单页面应用SPA可以考虑集成一个无头浏览器如playwright或selenium的轻量级模块但这会显著增加资源消耗。一个折中方案是优先从静态资源如JS文件中正则匹配可能的路由或API端点。去重与边界控制必须有一个高效的去重机制如基于URL归一化后的MD5值防止循环爬取。同时要通过域名匹配只爬取目标域名下的链接和深度限制来控制爬取范围。礼貌性在robots.txt中设置合理的请求延迟Crawl-Delay并添加自定义的User-Agent标识。实操心得资产发现很容易“跑飞”消耗大量时间和带宽。务必在爬虫启动前通过命令行参数或配置文件设定清晰的边界目标域名、最大爬取深度、最大页面数、是否爬取外部链接等。同时将发现的所有资产URL、参数、表单持久化到SQLite数据库中这不仅是本次扫描的输入也可以作为历史资产库用于后续的增量扫描和资产变更监控。3.2 漏洞检测引擎插件化设计与经典漏洞实现引擎的核心是插件化。每个检测插件都是一个独立的Python类遵循统一的接口。插件接口设计class VulnPluginBase: 漏洞插件基类 name 插件名称 risk_level 高危/中危/低危 # 用于报告评级 description 插件描述 def __init__(self, target_url): self.target_url target_url self.session None # 共享的HTTP会话 async def check(self, session): 核心检测方法 :param session: aiohttp.ClientSession 对象用于发送请求 :return: 如果存在漏洞返回 VulnResult 对象否则返回 None self.session session # 插件具体的检测逻辑 pass class VulnResult: 漏洞结果类 def __init__(self, plugin_name, url, param, payload, risk, detail): self.plugin_name plugin_name self.url url self.param param # 存在漏洞的参数 self.payload payload # 触发的payload self.risk risk self.detail detail # 详细描述如响应片段、匹配规则等经典插件实现示例基于错误回显的SQL注入检测这是一个入门级但非常经典的漏洞检测逻辑。其原理是向参数中注入能引发数据库语法错误的Payload如单引号然后检查HTTP响应中是否包含数据库特有的错误信息如MySQL,SQL syntax,PostgreSQL等。class SQLiErrorBasedPlugin(VulnPluginBase): name SQL注入基于错误 risk_level 高危 description 检测通过数据库错误信息回显的SQL注入漏洞 # 常见的引发错误的Payload ERROR_PAYLOADS [, \, OR 11, \ OR \1\\1] # 数据库错误关键词 DB_ERROR_KEYWORDS [ SQL syntax, MySQL, PostgreSQL, ORA-, Microsoft OLE DB, Unclosed quotation mark, Warning: mysql ] async def check(self, session): self.session session # 假设self.target_url是一个带有查询参数的URL例如 http://test.com/page?id1 parsed_url urlparse(self.target_url) query_params parse_qs(parsed_url.query) for param_name, param_values in query_params.items(): original_value param_values[0] for payload in self.ERROR_PAYLOADS: # 替换参数值 test_params query_params.copy() test_params[param_name] [payload] # 构造新的测试URL test_query urlencode(test_params, doseqTrue) test_url urlunparse(parsed_url._replace(querytest_query)) try: async with session.get(test_url, timeout10, sslFalse) as resp: response_text await resp.text() # 检查响应中是否包含数据库错误关键词 for keyword in self.DB_ERROR_KEYWORDS: if keyword.lower() in response_text.lower(): return VulnResult( plugin_nameself.name, urlself.target_url, paramparam_name, payloadpayload, riskself.risk_level, detailf响应中包含数据库错误关键词: {keyword} ) except asyncio.TimeoutError: continue except Exception as e: # 记录日志但继续检测其他参数 logging.debug(f请求{test_url}失败: {e}) continue return None其他常见插件思路XSS检测向所有参数注入基本的XSS测试向量如scriptalert(1)/script并检查响应中该向量是否被原样输出且未被转义。更高级的可以检测DOM型XSS。敏感文件/目录泄露使用一个包含常见备份文件、配置文件、日志文件路径的字典如robots.txt,.git/,wp-config.php.bak对目标域名进行拼接并访问根据HTTP状态码200, 403和响应内容判断是否存在。HTTP安全头检测检查响应头中是否缺失关键安全头如Content-Security-Policy,X-Frame-Options,X-Content-Type-Options,Strict-Transport-Security等。基础信息泄露检查响应中是否包含服务器版本、框架版本、内部IP等敏感信息。注意事项漏洞检测是双刃剑。务必牢记以下几点1)合法性只扫描你拥有明确书面授权如漏洞众测平台授权、自己公司的资产的目标。未经授权的扫描是违法行为。2)非破坏性检测插件发送的Payload必须是“探针”性质的旨在触发异常行为或信息泄露而不是真正执行DROP TABLE或rm -rf这样的破坏性操作。3)速率限制在引擎调度层面必须严格控制请求频率添加随机延迟避免对目标服务器造成DoS攻击。3.3 调度器与并发控制让扫描器高效且“礼貌”调度器是串联一切的中枢。它的主要挑战在于如何管理数百甚至数千个异步任务同时保持系统稳定和对目标友好。核心实现逻辑任务队列使用asyncio.Queue来管理待扫描的URL。资产发现引擎作为生产者将发现的URL放入队列漏洞检测引擎作为消费者从队列中取出URL进行检测。并发控制这是关键。不能无限制地并发发送请求。我们通过asyncio.Semaphore来创建一个信号量限制同时运行的检测协程数量。例如设置信号量为20意味着最多只有20个检测任务在同时进行。优雅退出与状态保存扫描可能耗时很长需要支持暂停和恢复。可以为每个扫描任务生成一个唯一ID并将任务队列、已扫描URL列表、临时结果定期序列化保存到文件或数据库。当程序重启时可以加载状态继续执行。import asyncio from queue import PriorityQueue import logging class ScanScheduler: def __init__(self, target_domain, concurrency20, delay0.5): self.target_domain target_domain self.concurrency concurrency self.delay delay # 基础请求延迟秒 self.task_queue asyncio.Queue() self.scanned_urls set() # 用于去重 self.results [] self.plugins [] # 加载的漏洞插件列表 async def producer(self): 生产者运行资产发现将URL填入队列 discoverer AssetDiscoverer(self.target_domain) urls await discoverer.run() for url in urls: if url not in self.scanned_urls: await self.task_queue.put(url) self.scanned_urls.add(url) # 放入结束信号 for _ in range(self.concurrency): await self.task_queue.put(None) async def consumer(self, consumer_id): 消费者从队列取URL执行漏洞检测 semaphore asyncio.Semaphore(self.concurrency) while True: url await self.task_queue.get() if url is None: # 收到结束信号 self.task_queue.task_done() break async with semaphore: for plugin_cls in self.plugins: plugin plugin_cls(url) try: result await plugin.check(self.session) # 假设session已创建 if result: self.results.append(result) logging.info(f[Consumer-{consumer_id}] 发现漏洞: {result.plugin_name} {url}) except Exception as e: logging.error(f[Consumer-{consumer_id}] 插件{plugin_cls.name}检测{url}时出错: {e}) # 请求延迟体现“礼貌” await asyncio.sleep(self.delay) self.task_queue.task_done() async def run(self): 启动调度 import aiohttp connector aiohttp.TCPConnector(limitself.concurrency, sslFalse) timeout aiohttp.ClientTimeout(total30) async with aiohttp.ClientSession(connectorconnector, timeouttimeout) as session: self.session session # 启动生产者 producer_task asyncio.create_task(self.producer()) # 启动消费者组 consumer_tasks [] for i in range(self.concurrency): task asyncio.create_task(self.consumer(i)) consumer_tasks.append(task) await producer_task await self.task_queue.join() # 等待所有任务处理完毕 # 通知消费者退出 for task in consumer_tasks: task.cancel() await asyncio.gather(*consumer_tasks, return_exceptionsTrue) return self.results3.4 报告生成模块从数据到洞察扫描出漏洞只是第一步如何清晰、专业地呈现结果让开发或运维人员能快速理解并修复同样重要。报告结构设计 一份好的扫描报告应该包含概览扫描目标、开始/结束时间、耗时、扫描URL总数、漏洞统计按风险等级分类。漏洞详情列表这是核心。每个漏洞条目应包含漏洞名称与风险等级用颜色高亮如红色-高危受影响URL漏洞参数触发Payload漏洞描述与原理修复建议这是体现价值的关键请求与响应片段可折叠便于技术复核资产清单列出所有被发现的主机、域名、URL有助于全面了解攻击面。附录扫描配置、使用的插件版本等信息。使用Jinja2生成HTML报告创建一个HTML模板文件report_template.html在其中使用Jinja2语法{{ variable }},{% for ... %}来定义动态内容的位置。在Python中将扫描结果self.results和资产信息整理成一个字典context。使用Jinja2加载模板并渲染。from jinja2 import Environment, FileSystemLoader import json from datetime import datetime class ReportGenerator: def __init__(self, scan_id, target, results, assets): self.scan_id scan_id self.target target self.results results self.assets assets self.env Environment(loaderFileSystemLoader(templates/)) def generate_html(self): template self.env.get_template(vuln_report.html) # 统计数据 stats { high: len([r for r in self.results if r.risk 高危]), medium: len([r for r in self.results if r.risk 中危]), low: len([r for r in self.results if r.risk 低危]), total_urls: len(self.assets), } context { scan_id: self.scan_id, target: self.target, scan_time: datetime.now().strftime(%Y-%m-%d %H:%M:%S), stats: stats, vulnerabilities: self.results, assets: self.assets, } html_content template.render(context) filename freport_{self.scan_id}_{datetime.now().strftime(%Y%m%d_%H%M%S)}.html with open(filename, w, encodingutf-8) as f: f.write(html_content) return filename在模板中你可以利用Bootstrap等CSS框架快速搭建一个美观的界面用不同的标签span classbadge bg-danger高危/span来展示风险等级用折叠面板来展示详细的请求响应数据。4. 常见问题、优化方向与避坑指南在实际构建和运行过程中你会遇到各种各样的问题。以下是一些典型问题及解决思路。4.1 扫描效率低下问题扫描一个中等规模的网站需要数小时。排查与解决检查并发数Semaphore的值是否设置过小可以适当提高如从20调到50或100但要观察目标服务器的响应和自身网络带宽。分析瓶颈使用cProfile或py-spy工具分析代码看时间是花在网络I/O上还是HTML解析或插件检测逻辑上。如果是后者优化算法或引入缓存。优化去重scanned_urls使用set()在内存中去重很快但如果URL量极大百万级考虑使用Bloom Filter或持久化到数据库并建立索引。减少不必要的请求在爬虫阶段可以通过文件扩展名如.jpg,.png,.css过滤掉明显不是动态脚本的静态资源链接。4.2 误报与漏报率高问题报告里一堆漏洞但实际验证大部分不存在误报或者明明有漏洞却没扫出来漏报。排查与解决误报这是自动化扫描器的通病。需要精细化检测逻辑。例如SQL注入检测不能只看错误关键词还要结合响应状态码、响应长度变化、响应时间等多个维度进行综合判断。可以为每个插件设置一个“置信度”评分只有超过阈值才报告。建立人工验证流程将常见的误报模式如某些CMS的固定错误页面加入白名单。漏报爬虫覆盖不全检查爬虫是否处理了JavaScript渲染的内容。对于重要目标可以启用无头浏览器模块。检测规则过时漏洞Payload和指纹库需要持续更新。可以定期从公开的漏洞库如PayloadsAllTheThings同步规则。WAF/IPS拦截扫描流量被目标的安全设备拦截。尝试添加更真实的HTTP头如User-Agent,Referer或降低扫描速率模拟正常用户行为。4.3 目标服务器被封禁或返回异常问题扫描一段时间后目标返回403/429状态码或被直接拉黑IP。解决严格遵守robots.txt在爬虫中解析并尊重robots.txt中的Crawl-Delay和Disallow规则。添加随机延迟不要在请求间使用固定延迟而是在一个基础值上增加随机抖动如delay random.uniform(0, 1)。使用代理池如果扫描频率要求高可以考虑集成代理IP池轮流使用不同IP发送请求。但务必使用合法合规的代理服务。设置超时与重试对每个请求设置合理的超时如10-30秒并对网络错误非4xx/5xx状态码实现指数退避的重试机制。4.4 系统稳定性与资源占用问题长时间运行后内存占用越来越高或突然崩溃。解决内存泄漏确保正确管理aiohttp.ClientSession和连接器。最好在一个主会话中完成所有请求并在程序结束时显式关闭。定期检查是否有大的对象如完整的HTML响应内容被意外长期持有。异常处理用try...except包裹每一个可能失败的子任务网络请求、文件IO、数据库操作并记录详细的错误日志确保一个任务的失败不会导致整个扫描进程崩溃。资源监控可以添加简单的日志定期输出任务队列长度、内存使用情况便于监控。4.5 项目扩展与进阶方向当你完成了基础版本后可以考虑以下方向进行深化这也能成为你简历上的亮点分布式扫描将调度器、爬虫、检测引擎拆分为独立的微服务使用消息队列如Redis Streams, RabbitMQ进行通信实现横向扩展应对海量资产扫描。漏洞验证集成简单的漏洞验证模块。例如对于发现的疑似SQL注入点尝试进行基于布尔或时间的盲注验证进一步降低误报。指纹识别在资产发现阶段集成更强大的指纹识别如Wappalyzer原理识别目标使用的Web框架、中间件、CMS及其版本从而调用更具针对性的漏洞检测插件。持续监控与告警将系统改造为定时任务对关键资产进行周期性扫描并与历史结果对比当发现新漏洞或资产变更时通过邮件、钉钉、Webhook等方式发送告警。可视化仪表盘使用Flask或FastAPI搭建一个简单的Web管理界面用于提交扫描任务、查看实时进度、浏览历史报告和漏洞趋势图。构建这样一个系统最大的收获不是最终的那个可执行文件而是在过程中对HTTP协议、Web应用架构、常见漏洞原理、异步编程、软件设计模式的深刻理解。每一个踩过的坑每一次对参数的调优都让你离一个真正的安全工程师更近一步。记住工具是思想的延伸先想清楚再动手写你会走得更稳更远。
相关文章
基于MediaPipe与Three.js的实时人体动作粒子特效开发
1. 项目背景与核心价值最近在做一个特别有意思的视觉项目 - 通过摄像头实时捕捉人体动作，并用粒子效果进行艺术化呈现。这个技术结合了Three.js的3D渲染能力和MediaPipe的人体姿态识别，最终实现的效果就像科幻电影里的动作捕捉场景一样酷炫。核心原理其实…
红日靶场4实战复盘：三层内网渗透与ATTCK攻击链详解
1. 项目概述与核心价值最近在复盘内网渗透的实战技能，发现很多朋友在理论学习后，面对一个完整、多层的靶场环境时，依然会感到无从下手，或者流程混乱。这正是“红日靶场”系列，特别是Vulnstack/ATT&CK红队评估靶场4…
MiniGPT-4商用合规指南：许可证、数据与部署风险全解析
1. 这不是“能不能跑起来”的问题，而是“商用红线在哪里”的实战勘界 MiniGPT-4这个词最近在技术圈和创业群里被反复提起，很多人第一反应是：这不就是个开源的、能看图说话的模型吗？我搭个服务器，拉个模型，…
基于51单片机wifi烟雾温湿度检测 无线物联网 火灾报警系统211(设计源文件+万字报告+讲解)（支持资料、图片参考_相关定制）_
基于51单片机wifi烟雾温湿度检测 无线物联网 火灾报警系统211(设计源文件万字报告讲解)（支持资料、图片参考_相关定制）_ 功能说明： LCD1602液晶显示当前烟雾温湿度DHT11采集当前环境温湿度烟雾传感器通过MQ-2进行模数转换按键设置烟雾温湿度上…
如何在Windows上实现AirPlay 2投屏：完整的开源解决方案指南
如何在Windows上实现AirPlay 2投屏：完整的开源解决方案指南 【免费下载链接】airplay2-win Airplay2 for windows 项目地址: https://gitcode.com/gh_mirrors/ai/airplay2-win Airplay2-win是一个开源的Windows AirPlay 2协议实现项目，它让Window…
Midscene.js多语言自动化实践指南：跨平台AI驱动的界面交互技术实现
Midscene.js多语言自动化实践指南：跨平台AI驱动的界面交互技术实现 【免费下载链接】midscene AI-powered, vision-driven UI automation for every platform. 项目地址: https://gitcode.com/GitHub_Trending/mid/midscene Midscene.js是一个基于视觉语言模…
工业级传感器控制系统硬件选型与配置实战
1. 工业级传感器控制系统的硬件选型逻辑在工业自动化领域，构建一个稳定可靠的传感器/执行器控制系统需要精心设计的硬件架构。AD74115H、ADP1034和PIC18F86K90这三款芯片的组合，恰好覆盖了信号采集、电源管理和主控计算这三个关键环节。AD74115H作为ADI公…
微信小程序逆向工程全流程：从抓包到源码反编译实战指南
1. 项目概述：从抓包到反编译的微信小程序逆向全景最近几年，微信小程序生态越来越庞大，很多开发者、安全研究员甚至产品经理，都对“小程序里面到底是怎么实现的”产生了浓厚兴趣。无论是想学习优秀小程序的交互设计，分析…
如何在Windows家庭版上启用专业级远程桌面：RDP Wrapper Library终极指南（2024版）
如何在Windows家庭版上启用专业级远程桌面：RDP Wrapper Library终极指南（2024版） 【免费下载链接】rdpwrap RDP Wrapper Library 项目地址: https://gitcode.com/gh_mirrors/rd/rdpwrap 你是否曾经因为Windows家庭版无法使用远程桌面功…
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略 【免费下载链接】ContextMenuManager 🖱️ 纯粹的Windows右键菜单管理程序 项目地址: https://gitcode.com/gh_mirrors/co/ContextMenuManager 你是否曾为Windows右键菜单中那些…
从GitHub安全案例解析常见漏洞与防护实践
1. 项目概述：从GitHub Trending看安全实战 最近在GitHub Trending上看到一个项目，叫 skills4/skills ，它因为一些安全漏洞案例被大家讨论。这其实是一个挺典型的场景：一个旨在展示或教授某种技能的仓库，本身却成了安…
MLT 2026启示：因果推理与概率建模驱动下一代LLM应用
# MLT 2026启示：因果推理与概率建模驱动下一代LLM应用## 一、背景与挑战：从“黑箱预测”到“可信推理”2026年6月，第7届机器学习与趋势国际会议（MLT 2026）将在悉尼召开。会议议程中，“因果与可解释机器学习…
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略 【免费下载链接】ContextMenuManager 🖱️ 纯粹的Windows右键菜单管理程序 项目地址: https://gitcode.com/gh_mirrors/co/ContextMenuManager 你是否曾为Windows右键菜单中那些…
从GitHub安全案例解析常见漏洞与防护实践
1. 项目概述：从GitHub Trending看安全实战 最近在GitHub Trending上看到一个项目，叫 skills4/skills ，它因为一些安全漏洞案例被大家讨论。这其实是一个挺典型的场景：一个旨在展示或教授某种技能的仓库，本身却成了安…
MLT 2026启示：因果推理与概率建模驱动下一代LLM应用
# MLT 2026启示：因果推理与概率建模驱动下一代LLM应用## 一、背景与挑战：从“黑箱预测”到“可信推理”2026年6月，第7届机器学习与趋势国际会议（MLT 2026）将在悉尼召开。会议议程中，“因果与可解释机器学习…
FAE放射组学分析工具：医学影像特征探索的完整解决方案
FAE放射组学分析工具：医学影像特征探索的完整解决方案 【免费下载链接】FAE FeAture Explorer 项目地址: https://gitcode.com/gh_mirrors/fae/FAE 你是否曾经面对海量医学影像数据感到无从下手？想要从CT、MRI等影像中提取有价值的定量特征&#…
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南 【免费下载链接】happy-llm 📚 从零开始构建大模型 项目地址: https://gitcode.com/GitHub_Trending/ha/happy-llm 还在为大型多模态模型动辄数十亿参数、显存占用高而烦恼&…
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南 【免费下载链接】SMUDebugTool A dedicated tool to help write/read various parameters of Ryzen-based systems, such as manual overclock, SMU, PCI, CPUID, MSR and Power Table. 项目地址…