信息收集

前言

作为渗透测试的第一步,此过程中有许多方法都是共用的。同时随着时间,不同的方法还会逐渐增加,因此本文也是有时间就更新的。
虽然列举了许多的方法,但并不意味着所有都要使用,只需要采取自己认为需要收集的信息即可。

本文章在写的过程中会参考很多其他人的文章,因此参考链接我会附带在最后的图片前面。

1.whois查询

whois是用来查询域名相关的传输协议。在站长之家等许多网站都有。
关于域名的相关知识,强烈建议此链接
在这里插入图片描述

2.子域名查询

在渗透测试的时候,往往主站的防御会很强,常常无从下手,那么子站就是一个重要的突破口,比如在下面说查询真实ip时可用。此处可使用google hacking的语法进行查询,也可用相关软件进行查询,不过最简单的方法应该还是站长之家一类的在线查询。
在这里插入图片描述

3.目标真实ip

现在大部分网站都加了CDN,CDN的虚假IP干扰了我们的渗透测试,如何绕过CDN查找到目标的真实IP,对我们来说非常重要。

检测cdn

  1. 在不同地区进行ping检测。不同地区ping同一个网址,得到不同的IP地址,那么该网站很可能开启了CDN加速,相反如果得到的是同一个IP地址,那么极大可能不存在cdn,但是不绝对。
  2. 在线网站检测。https://www.cdnplanet.com/tools/cdnfinder/

绕过cdn检测真实ip

  1. 目标可能不会将所有子域名都放在cdn下(烧钱)。因此可以通过检测子域名的ip是否经过cdn来查询主站的ip。
  2. 查询曾经与域名绑定的ip。在各种网站上面可以查询dns记录来查找曾经绑定目标域名的ip。此ip可能是在未挂cdn的时候的记录。如果在挂cdn之后目标域名变更ip的话,那此方法是没用的。不过在网上找相关dns历史解析的方法总感觉只是dns查询。所以这个方法我也只在shodan等能够查询旧网址ip地方直接查看。
  3. **国外访问。**国内的CDN往往只会针对国内用户访问加速。或者通过国外的DNS解析,可能就能得到真实的IP。操作方法的话就是用nslookup查看国外的dns解析,使用命令方法,或者直接在国外的网站进行查询,比如netcraft

虽然方法说了这么多,不过都不是百分百保证是真实的ip,只能说很大概率。如果有什么验证的方法就好了。(欢迎各位交流)

4.指纹识别

指纹识别主要是判断目标使用的操作系统以及cms。
识别操作系统可用 nmap -O [ip或域名] 的方法。
CMS的话,有许多在线网站和软件都能够使用。比如http://whatweb.bugscaner.com/look/
http://www.yunsee.cn/
或者是御剑的cms识别等。

5.端口和服务扫描

端口非nmap莫属。
nmap直接扫描就有显示目标主机所开放的端口。
直接的nmap搜索后门跟着的只是通常的服务。比如80端口就推测是http。只有在使用-sV参数后才会进行识别,同时获得更多的服务信息。

6.网站目录探测

主要是分为使用爬虫探测和猜测探测。使用爬虫自然就是从目标的一个网页开始逐步的爬取可以进入的链接,一直重复直到结束或者到达深度要求。其实这只要使用wget将网站下载就能做到。

wget -m  [链接]

猜测探测的话就能够获得一些意想不到的网页,比如只是留给管理员的登陆页面等。这里我所使用的是webPathBrute御剑的web目录扫描。其实作用都一样,不过多个一起用总感觉安心点。

7.漏洞扫描

漏洞扫描主要是应用到各种厂家的扫描软件。在此的话我只介绍我用过的两个。
专注于web扫描的AWVS和整体综合扫描的Nessus。不过Nessus我用的是免费版,功能较为有限。会在其他文章中介绍使用方法。总之就是用来扫描是否存在现有的漏洞的工具。

8.企业信息搜索

这里我直接引用他人文章的段落

  1. 企业基本信息。
  2. 员工信息(手机号码、邮箱、姓名等),组织框架、企业法人、企业综合信息等。
  3. 其中员工信息收集是信息收集中的一项重要工作,员工信息包括:员工姓名、员工工号、员工家庭及交际信息、上网习惯等。(社会工程学)
  4. 员工身份信息:员工简历,员工身份证,手机号,生日,家乡,住址等个人信息。5、员工社交账号信息:QQ号,QQ群,微博,微信,支付宝,员工邮箱账号等。

企业信息查询网站:
https://www.tianyancha.com 天眼查
https://www.qichacha.com/ 企查查
http://www.beian.gov.cn/portal/recordQuery 公安部备案查询

不断更新,待续

参考链接

https://www.freebuf.com/articles/web/179043.html
https://4hou.win/wordpress/?p=31548
https://www.freebuf.com/articles/web/142767.html
在这里插入图片描述

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值