Skip to content
KitploitKITPLOIT
ToolsBlog
Einreichen
ToolsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

··Feeds·Kontakt·Datenschutz·© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
gha-lab-ba981941f0 — Sicherheitsforschungs-Labor zur Reproduktion von CVE-2025-54430 (GHSA-wrg3-xqw8-m85p): Exfiltration von Geheimnissen über den durch issue_comment ausgelösten Benchmark Bot in dedupeio/dedupe. Snapshot von dedupeio/dedupe@54ecfe77d41390da66899596834a2bde3712c966. | Kitploit
Tools/GitHubGitHub/pvharmo2/gha-lab-ba981941f0
SchwachstellenanalyseExploitationLernen & BildungKuratierte Ressourcen
GitHubpvharmo2/gha-lab-ba981941f0

gha-lab-ba981941f0

Sicherheitsforschungs-Labor zur Reproduktion von CVE-2025-54430 (GHSA-wrg3-xqw8-m85p): Exfiltration von Geheimnissen über den durch issue_comment ausgelösten Benchmark Bot in dedupeio/dedupe. Snapshot von dedupeio/dedupe@54ecfe77d41390da66899596834a2bde3712c966.

Repository anzeigen
1vor 8h 48mNoch nicht geprüft

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →
Teilen

Automatisiert erstelltes Forschungsobjekt – nicht das Upstream-Projekt.

Dieses Repository ist ein Wegwerf-Labor, das von einer automatisierten Testumgebung für eine Masterarbeit an der Université Laval zur Reproduktion veröffentlichter GitHub-Actions-Workflow-Schwachstellen erstellt wurde. Es ist eine wörtliche Momentaufnahme von dedupeio/dedupe beim Commit 54ecfe77d41390da66899596834a2bde3712c966 (2024-11-01), weiterverbreitet unter der eigenen Lizenz dieses Projekts, deren Datei unverändert in dieser Momentaufnahme enthalten ist.

Das Upstream-Projekt ist nicht beteiligt, wird niemals angegriffen, und die hier untersuchte Schwachstelle ist bereits öffentlich bekannt. Jedes Secret und jede Variable in diesem Repository ist ein zufällig generierter Dummy-Wert – es sind keine echten Anmeldedaten vorhanden. Aktionsreferenzen und Runner-Images sind auf den Stand vom 2024-11-01 fixiert; siehe pinning.md in der Testumgebungs-Ausgabe für jede an der Momentaufnahme vorgenommene Änderung.

Fragen oder Einwände: [email protected]

Dedupe Python-Bibliothek

Tests Passingcodecov

dedupe ist eine Python-Bibliothek, die maschinelles Lernen nutzt, um Fuzzy-Matching, Deduplizierung und Entity Resolution schnell auf strukturierten Daten durchzuführen.

dedupe hilft Ihnen dabei:

  • doppelte Einträge aus einer Tabelle mit Namen und Adressen zu entfernen
  • eine Liste mit Kundeninformationen mit einer anderen mit Bestellhistorie zu verknüpfen, selbst ohne eindeutige Kunden-IDs
  • eine Datenbank mit Kampagnenspenden zu nehmen und herauszufinden, welche davon von derselben Person stammen, selbst wenn die Namen bei jedem Datensatz leicht unterschiedlich eingegeben wurden

dedupe nimmt menschliche Trainingsdaten entgegen und entwickelt die besten Regeln für Ihren Datensatz, um ähnliche Datensätze schnell und automatisch zu finden – selbst bei sehr großen Datenbanken.

Wichtige Links

  • Dokumentation: https://docs.dedupe.io/
  • Repository: https://github.com/dedupeio/dedupe
  • Issues: https://github.com/dedupeio/dedupe/issues
  • Mailingliste: https://groups.google.com/forum/#!forum/open-source-deduplication
  • Beispiele: https://github.com/dedupeio/dedupe-examples

dedupe-Bibliothek – Beratung

Wenn Sie oder Ihre Organisation professionelle Unterstützung bei der Arbeit mit der dedupe-Bibliothek wünschen, bietet Dedupe.io LLC Beratungsdienste an. Erfahren Sie hier mehr über Preise und verfügbare Dienste.

Mit dedupe erstellte Tools

Dedupe.io

Ein Cloud-Dienst, der von der dedupe-Bibliothek unterstützt wird, zum Deduplizieren und Finden von Übereinstimmungen in Ihren Daten. Er bietet einen Schritt-für-Schritt-Assistenten zum Hochladen Ihrer Daten, Einrichten eines Modells, Trainieren, Clustern und Überprüfen der Ergebnisse.

Dedupe.io unterstützt außerdem Record Linkage über Datenquellen hinweg sowie kontinuierliches Matching und Training über eine API.

Weitere Informationen finden Sie auf der Dedupe.io-Produktseite, in Tutorials zur Verwendung und zu den Unterschieden zwischen Dedupe.io und der dedupe-Bibliothek.

Dedupe ist in der Python-Community weit verbreitet. Schauen Sie sich diesen Blogbeitrag, ein YouTube-Video zur Verwendung von Dedupe mit Python und ein YouTube-Video zur Anwendung von Dedupe im großen Maßstab mit Spark an.

csvdedupe

Kommandozeilen-Tool zum Deduplizieren und Verknüpfen von CSV-Dateien. Lesen Sie darüber bei Source Knight-Mozilla OpenNews.

Installation

Verwendung von dedupe

Wenn Sie dedupe nur verwenden möchten, installieren Sie es folgendermaßen:

root@kitploit:~
pip install dedupe

Machen Sie sich mit der dedupe-API vertraut und starten Sie Ihr Projekt. Sie brauchen Inspiration? Werfen Sie einen Blick auf einige Beispiele.

Entwicklung von dedupe

Wir empfehlen die Verwendung von virtualenv und virtualenvwrapper für die Arbeit in einer virtualisierten Entwicklungsumgebung. Lesen Sie, wie Sie virtualenv einrichten.

Sobald Sie virtualenvwrapper eingerichtet haben,

root@kitploit:~
mkvirtualenv dedupe
git clone https://github.com/dedupeio/dedupe.git
cd dedupe
pip install -e . --config-settings editable_mode=compat
pip install -r requirements.txt

Wenn diese Tests bestehen, wurde alles korrekt installiert!

root@kitploit:~
pytest

Danach können Sie jedes Mal, wenn Sie an dedupe arbeiten möchten,

root@kitploit:~
workon dedupe

Testen

Unit-Tests der Kernfunktionen von dedupe

root@kitploit:~
pytest

Test mit kanonischem Datensatz aus Bilenkos Forschung

Verwendung der Deduplizierung

root@kitploit:~
python -m pip install -e ./benchmarks
python benchmarks/benchmarks/canonical.py

Verwendung des Record Linkage

root@kitploit:~
python -m pip install -e ./benchmarks
python benchmarks/benchmarks/canonical_matching.py

Team

  • Forest Gregg, DataMade
  • Derek Eder, DataMade

Danksagungen

Dedupe basiert auf der Doktorarbeit von Mikhail Yuryevich Bilenko: Learnable Similarity Functions and their Application to Record Linkage and Clustering.

Fehler / Bugs

Wenn sich etwas nicht intuitiv verhält, ist es ein Bug und sollte gemeldet werden. Melden Sie ihn hier

Hinweis zu Patches/Pull Requests

  • Forken Sie das Projekt.
  • Fügen Sie Ihr Feature hinzu oder beheben Sie den Bug.
  • Senden Sie uns einen Pull Request. Bonuspunkte für Themen-Branches.

Urheberrecht

Copyright (c) 2022 Forest Gregg und Derek Eder. Veröffentlicht unter der MIT-Lizenz.

Urheberrechte Dritter in dieser Distribution sind gegebenenfalls vermerkt.

Zitieren von Dedupe

Wenn Sie Dedupe in einer akademischen Arbeit verwenden, geben Sie bitte diese Zitation an:

Forest Gregg and Derek Eder. 2022. Dedupe. https://github.com/dedupeio/dedupe.

Tool herunterladen