Eyeballer

给你的那些截图快速瞄一眼。

Eyeballer 是为大规模网络渗透测试设计的，你需要从一大堆基于 Web 的主机中找出“有趣”的目标。像往常一样使用你喜欢的截图工具（EyeWitness 或 GoWitness），然后将它们通过 Eyeballer 处理，它会告诉你哪些可能包含漏洞，哪些不会。

在线试用：https://eyeballer.bishopfox.com

示例标签

老旧网站	登录页面

Web 应用	自定义 404 页面

停放域名

标签含义

老旧网站 框架布局生硬、CSS 混乱、有种“说不出的味道”——那种一看就像 21 世纪初设计的网站。你一眼就能认出来。老旧网站不仅难看，而且通常非常脆弱。当你想攻破某个目标时，这些网站就是金矿。

登录页面 登录页面在渗透测试中很有价值，它们表明存在你目前无法访问的额外功能。也意味着可以简单地进行后续的凭证枚举攻击。你可能会觉得可以设置简单的启发式规则来找出登录页面，但实际上很难。现代网站不会只用一个简单的 <input> 标签供我们 grep。

Web 应用 这表明这里有一组较大的页面和功能，可以作为攻击面。这与简单的登录页面（没有其他功能）或默认的 IIS 着陆页（没有其他功能）形成对比。这个标签应该告诉你，这里有一个需要攻击的 Web 应用程序。

自定义 404 页面 现代网站喜欢搞可爱的自定义 404 页面，里面放断掉的机器人图片或悲伤的狗。不幸的是，它们也喜欢在返回 HTTP 200 状态码的同时显示这些页面。更常见的情况是，“404”页面甚至不包含“404”这个文字。这些页面通常没什么意思，尽管视觉上内容丰富，但 Eyeballer 可以帮助你筛选掉它们。

停放域名 停放域名看起来是真实的网站，但并不是有效的攻击面。它们是占位页面，通常没有任何真实功能，几乎全是广告，而且通常不是我们的实际目标运行的。当指定的域名错误或过期时就会出现这种情况。随着时间推移，找出这些页面并将其排除在范围之外非常有价值。

设置

使用 pip 下载所需包：

sudo pip3 install -r requirements.txt

如果你需要 GPU 支持：

sudo pip3 install -r requirements-gpu.txt

注意：为 TensorFlow 设置 GPU 远超出了本 README 的范围。需要考虑硬件兼容性、安装驱动程序……有很多事情要做。所以如果你想要 GPU，这部分你得自己搞定。不过至少从 Python 包的角度来看，上面的 requirements 文件已经覆盖了。

预训练权重

最新的预训练权重，请查看 GitHub 上的发布（Releases）。

训练数据 你可以在以下位置找到我们的训练数据：

https://www.kaggle.com/altf42600/pentest-screensots

你需要从训练数据中获取两样东西：

1. images/ 文件夹，包含所有截图（已缩小到 224x224）
2. labels.csv，包含所有标签

将两者复制到 Eyeballer 代码树的根目录。

此外，你可以找到一个开箱即用的预训练权重文件，无需训练就能直接用。

1. bishop-fox-pretrained-vN.h5

它就在 GitHub 上，查看 releases 部分获取最新版本。

预测标签

注意：为获得最佳结果，请确保以原生 1.6x 宽高比截图你的网站。例如 1440x900。Eyeballer 会自动将图像缩放到合适大小，但如果宽高比不对，它会被挤压，从而影响预测性能。

要给一些截图“瞄一眼”，只需运行“predict”模式：

eyeballer.py --weights YOUR_WEIGHTS.h5 predict YOUR_FILE.png

或者对整个目录的文件：

eyeballer.py --weights YOUR_WEIGHTS.h5 predict PATH_TO/YOUR_FILES/

Eyeballer 会以人类可读格式（results.html 文件，方便浏览）和机器可读格式（results.csv 文件）输出结果。

性能

Eyeballer 的性能是在评估数据集上衡量的，该数据集是从全部截图中随机选取的 20%。由于这些截图从未用于训练，因此可以有效地评估模型的表现。以下是最新结果：

总体二进制准确率 很可能就是你理解的模型“准确率”。它指的是任意单个标签预测正确的概率。

全对或全错准确率 更为严格。对于这种方法，我们会考虑图像的所有标签，只要有任何标签预测错误就算失败。这个准确率是模型对任意给定图像正确预测所有标签的概率。

关于精确率与召回率的详细解释，请查看维基百科。

训练

要训练新模型，运行：

eyeballer.py train

要获得合理的训练时间，你需要一台带有好 GPU 的机器。设置 GPU 不在本文档范围内。

训练会输出一个新的模型文件（默认为 weights.h5）。

评估

你刚刚训练了一个新模型，不错！让我们看看它在各种指标上对从未见过的图像表现如何：

eyeballer.py --weights YOUR_WEIGHTS.h5 evaluate

输出会描述模型在程序各个标签上的召回率和精确率。（包括“以上都不是”的伪标签）