https://latnx.github.io/docs/notes/Recent content in 笔记 on Tequila's 学习笔记Hugo -- gohugo.iozh-cn© 2026 TequilaWed, 01 Apr 2026 13:53:00 +0000https://latnx.github.io/docs/notes/n-7e3ad9b50cf53c65/Mon, 01 Jan 0001 00:00:00 +0000https://latnx.github.io/docs/notes/n-7e3ad9b50cf53c65/换源 sudo vim /etc/docker/daemon.json { “registry-mirrors”: [ “https://mirror.ccs.tencentyun.com” ] } sudo systemctl daemon-reload sudo systemctl restart docker sudo docker info 授予权限 sudo groupadd docker sudo usermod -aG docker ubuntu newgrp dockerhttps://latnx.github.io/docs/notes/n-d423862140bd84cd/Mon, 01 Jan 0001 00:00:00 +0000https://latnx.github.io/docs/notes/n-d423862140bd84cd/git config user.email “shihaoyue36@gmail.com” git config user.name shihaoyuehttps://latnx.github.io/docs/notes/n-f66817731fdfc7d8/Mon, 01 Jan 0001 00:00:00 +0000https://latnx.github.io/docs/notes/n-f66817731fdfc7d8/go install github.com/swaggo/swag/cmd/swag@latest swag init --parseDependency --parseInternal --parseDepth 3https://latnx.github.io/docs/notes/n-2dccf8122d1b825a/Mon, 01 Jan 0001 00:00:00 +0000https://latnx.github.io/docs/notes/n-2dccf8122d1b825a/flowchart LR A1["IntelligenceAgent情报分析智能体"] A2["EnvironmentAgent环境构建智能体"] A3["PoCAgent攻击生成智能体"] A4["VerifyCaptureAgent验证采集智能体"] A1 -->|漏洞语义模型| A2 A2 -->|实验环境描述 EDL| A3 A3 -->|PoC 执行结果| A4 A4 -->|验证成功| OUT["攻击流量 / 标签 / 报告"] A4 -->|验证失败反馈| A2 flowchart LR SEM["VulnSemanticModel"] R["角色规划RolePlan"] N["网络规划NetworkPlan"] C["逐节点配置生成ConfigPlan"] E["EnvironmentPlan"] D["EnvironmentDescription / EDL"] SEM --> R --> N --> C --> E --> D 图 2：IntelligenceAgent 内部逻辑 flowchart TB I1["输入CVE 编号 / 漏洞描述 / PoC 片段"] I2["漏洞语义抽取LLM structured call"] I3["识别核心要素漏洞类型 / DNS角色 / 受影响版本"] I4["提取触发信息触发条件 / 关键记录 / 前置条件"https://latnx.github.io/docs/notes/n-05c1663a5270d32a/Mon, 01 Jan 0001 00:00:00 +0000https://latnx.github.io/docs/notes/n-05c1663a5270d32a/ 本地生成密钥 # ssh-keygen 上传公钥到服务器 # ssh-copy-id user@server_ip 没有 ssh-copy-id 就手动复制 ~/.ssh/id_ed25519.pub 到服务器的 ~/.ssh/authorized_keys VSCode 直接连接 # VSCode → Remote-SSH → Connect to Host → 输入： ssh user@server_iphttps://latnx.github.io/docs/notes/attachments/Mon, 01 Jan 0001 00:00:00 +0000https://latnx.github.io/docs/notes/attachments/Attachments/2653861778727515.jpg Attachments/image (1).png Attachments/image.png Attachments/Pasted image 20260317120846.png Attachments/Pasted image 20260317120849.png Attachments/Pasted image 20260317121017.png Attachments/Pasted image 20260319145618.png Attachments/Pasted image 20260319165855.png Attachments/Pasted image 20260319214937.png Attachments/Pasted image 20260319215303.png Attachments/Pasted image 20260319222754.png Attachments/Pasted image 20260402162520.png Attachments/Pasted image 20260422233851.png Attachments/Pasted image 20260422234337.png Attachments/Pasted image 20260422235346.png Attachments/Pasted image 20260423000837.png Attachments/Pasted image 20260423001444.png Attachments/Pasted image 20260423002231.png Attachments/Pasted image 20260423002236.png Attachments/Pasted image 20260423002541.png Attachments/Pasted image 20260423003317.png Attachments/Pasted image 20260423004258.png Attachments/Pasted image 20260504001819.png Attachments/Pasted image 20260504172720.png Attachments/Pasted image 20260512105313.https://latnx.github.io/docs/notes/n-7e2b2b70f879fc62/Mon, 01 Jan 0001 00:00:00 +0000https://latnx.github.io/docs/notes/n-7e2b2b70f879fc62/一、总体目标、问题与产出 # 1.1 研究背景 # 随着软件供应链规模持续扩大以及开源软件生态快速发展，漏洞发现与披露数量呈现快速增长趋势。美国国家漏洞数据库（NVD）在2025年收录漏洞超过4万个，较上一年增长约23%。与此同时，攻击者利用公开漏洞发起攻击的时间窗口不断缩短，平均利用时间已降至数天，而企业完成漏洞修复和补丁部署往往需要数周时间。在此背景下，如何快速理解漏洞机理、自动生成漏洞利用程序并评估其安全影响，已成为网络安全领域的重要研究方向。 自动化漏洞利用生成（Automatic Exploit Generation，AEG）旨在自动完成漏洞分析、利用构造和攻击验证等过程。早期研究主要依赖符号执行、约束求解和程序分析等技术，通过分析程序状态空间生成满足漏洞触发条件的输入。然而，这类方法普遍面临路径爆炸、环境依赖强以及跨项目迁移能力有限等问题，难以适应快速增长的真实漏洞场景。 近年来，大语言模型（Large Language Model，LLM）在代码理解、程序推理和自动生成方面展现出显著能力，为自动化漏洞利用生成带来了新的发展机遇。研究范式逐渐由传统程序分析驱动转向“LLM Agent驱动”。相关研究表明，基于GPT-4等模型构建的智能体能够自主完成漏洞分析、环境配置、PoC生成以及利用验证等任务。进一步地，多智能体协作框架被引入漏洞利用生成过程，通过任务分解和角色协同提高复杂漏洞的处理能力。代表性工作如HPTSA、CVE-GENIE、FORGE、Patch-to-PoC、PoC-Adapt以及CVE-Factory等，已经实现从漏洞情报解析到PoC验证的端到端自动化流程，并在大规模CVE数据集上取得了较高的漏洞复现成功率。与此同时，FaultLine、PoCGen、SmartPoC和PoCo等工作进一步探索了跨语言程序、开源软件包以及智能合约场景下的自动化漏洞利用生成能力，推动了AEG技术向更多应用领域扩展。 尽管现有研究在通用软件漏洞自动复现方面取得了显著进展，但其研究对象主要集中于操作系统、应用程序和智能合约等场景，对于DNS等网络协议漏洞的关注仍然有限。与传统软件漏洞相比，DNS漏洞通常涉及缓存机制、委派逻辑、递归解析过程以及协议实现差异等复杂语义问题，其攻击效果更多体现为缓存污染、资源耗尽和异常解析行为，而非程序崩溃等显式结果。因此，现有依赖代码执行状态或source-to-sink数据流分析的PoC生成方法难以直接适用于DNS漏洞场景。此外，公开DNS攻击流量数据集规模有限，缺乏与具体CVE漏洞对应的高质量攻击样本，导致后续检测模型训练和安全评估受到限制。 因此，面向DNS漏洞场景，研究基于大语言模型与多智能体协同的漏洞自动复现技术，构建高质量DNS攻击流量数据集，并进一步开展攻击流量扩展与智能识别研究，对于提升DNS安全分析自动化水平和未知攻击检测能力具有重要的理论意义和实际价值。 1.2 研究问题 # 问题一:DNS 协议漏洞的自动化 PoC 复现几乎未被研究。 现有 PoC 生成工作的目标领域高度集中:CVE-Bench [arXiv 2025] 和 FORGE 聚焦 Web 应用漏洞，Patch-to-PoC 专注 Linux 内核，PoCGen 面向 NPM 包生态，SmartPoC 和 PoCo 针对智能合约。DNS 作为互联网基础设施的核心协议，其漏洞影响范围广、危害程度高——例如 RebirthDay Attack [HHXXSIQE， 2025] 利用生日悖论复活了 DNS 缓存投毒攻击，影响近十亿设备；CVE-2024-23017 中 nginx DNS 解析器的 off-by-one 错误可导致堆缓冲区溢出；CVE-2023-50387 (KeyTrap) 通过精心构造的 DNSSEC 记录可实现拒绝服务攻击。然而，DNS 漏洞的自动化复现面临独特挑战:首先，DNS 漏洞涉及协议层语义 (RFC 1035/6891/4035 合规性)，而非单纯的代码级缺陷，FaultLine 的 source→sink 代码追踪方法难以直接适用；其次，DNS 服务实现异构 (BIND、Unbound、dnsmasq、PowerDNS 等)，环境构建复杂度远高于 CVE-Factory 所处理的 Web 应用；再者，DNS 攻击的网络层行为 (UDP 源地址伪造、反射放大、缓存投毒) 需要网络级观测验证，而 PoC-Adapt 的 Semantic Oracle 仅对比代码执行前后的系统状态，无法捕获网络层面的攻击效果。因此，如何将现有 PoC 生成框架适配到 DNS 协议漏洞场景，是一个亟待解决的开放问题。https://latnx.github.io/docs/notes/n-e4170616af50ab22/Mon, 01 Jan 0001 00:00:00 +0000https://latnx.github.io/docs/notes/n-e4170616af50ab22/基于智能体的DNS漏洞攻击流量识别技术研究 # 一、总体目标、问题与产出 # 1.1 研究背景 # 随着软件系统规模的持续扩大以及开源软件生态的快速发展，软件漏洞数量呈现爆发式增长趋势。根据公开漏洞数据库统计，近年来全球每年新增漏洞数量持续攀升，漏洞利用方式也不断演化。面对海量漏洞，传统依赖人工分析、环境搭建和漏洞验证的方法已难以满足实际需求。漏洞复现作为漏洞研究、攻击机理分析、安全检测规则构建和防御能力评估的重要基础环节，能够帮助研究人员深入理解漏洞触发条件和攻击过程，是网络安全领域的重要研究方向。 近年来，大语言模型（Large Language Model，LLM）在代码生成、程序理解和安全分析领域展现出强大的推理能力，为漏洞自动化分析带来了新的技术路径。研究人员陆续提出了一系列基于大模型的漏洞复现框架，通过结合漏洞公告、源代码、补丁信息以及运行环境描述，实现漏洞利用代码（Proof of Concept，PoC）的自动生成与执行验证。例如，相关工作利用大模型理解CVE漏洞描述，自动生成攻击脚本和测试用例，从而降低漏洞分析门槛，提高漏洞验证效率。这类研究推动了漏洞复现从人工驱动向智能化、自动化方向发展，并逐渐成为当前网络安全领域的重要研究热点。 然而，现有基于大模型的漏洞复现研究大多聚焦于Web应用、系统软件、中间件以及单机服务程序等场景，其核心目标是自动生成漏洞利用代码并验证漏洞是否能够成功触发。这类方法通常假设目标环境相对简单，仅涉及单个应用程序或有限规模的网络拓扑结构。对于许多复杂网络协议漏洞而言，仅生成PoC并不足以完整复现漏洞行为，攻击效果往往依赖于协议运行过程中的多节点交互、状态转换以及环境配置。因此，现有方法在复杂网络协议场景中的适用性仍然存在较大局限。 DNS（Domain Name System）作为互联网最基础、最关键的核心服务之一，承担着域名解析的重要功能，其安全性直接影响互联网基础设施的稳定运行。与传统软件系统相比，DNS生态具有显著更高的复杂性。首先，DNS系统通常由递归解析器、权威服务器、转发服务器、根服务器以及缓存节点等多类实体共同组成，各节点之间通过委派、转发和缓存机制形成复杂的交互关系。其次，DNS解析过程本质上是一种跨服务器协同计算过程，单次解析请求可能涉及多个服务器之间的连续交互，其行为受到缓存状态、转发策略和委派链路等多种因素影响。最后，DNS资源记录本身具有严格的语义约束，例如A记录、AAAA记录、NS记录、CNAME记录、DNAME记录等资源记录之间存在复杂的引用关系和依赖关系，记录内容不能简单随机修改，否则将导致解析逻辑失效甚至无法完成解析过程。 近年来披露的多种典型DNS漏洞进一步体现了DNS生态环境的复杂特征。例如，NXNSAttack利用DNS委派机制缺陷，通过构造大量不存在的权威服务器实现递归解析器资源耗尽；KeyTrap则利用DNSSEC签名验证过程中的算法复杂度问题，通过精心设计的解析链路触发拒绝服务攻击。这类漏洞的触发往往并非依赖单一恶意报文，而是依赖多个DNS服务器之间特定的引用关系、资源记录配置以及解析路径。因此，仅依靠传统PoC生成方法难以准确重现真实攻击场景。 目前面向DNS漏洞的自动化复现研究仍存在以下几个方面的不足： （1）现有漏洞复现框架缺乏对复杂DNS拓扑环境的自动建模能力。多数工作关注漏洞利用代码生成，而缺少对多权威服务器、多解析器以及复杂委派关系的自动构建能力，难以复现真实DNS生态中的漏洞场景。 （2）现有流量生成方法缺乏DNS协议语义感知能力。许多方法采用模板填充或随机变异策略生成流量，但未充分考虑DNS资源记录之间的语义约束和依赖关系，生成结果容易违背协议逻辑，导致漏洞无法有效触发。现有工作通常以成功复现单个漏洞为目标，而缺少对漏洞流量进行持续扩展和变异的能力，难以形成大规模、多样化的攻击样本集合，不利于安全检测系统的全面评估。 （3）现有DNS检测系统大多基于公开漏洞样本或专家经验构建规则，其检测能力通常依赖于特定攻击实现形式。当攻击者对域名结构、资源记录组织方式以及解析路径进行调整后，虽然攻击语义保持不变，但原有规则往往难以有效识别，导致漏报问题。由于缺少系统化的攻击变异样本和规则优化机制，现有研究难以评估检测系统对未知攻击变种的鲁棒性，也难以构建具有普适性的检测规则。 因此，亟需构建一套面向复杂DNS生态环境的自动化漏洞流量生成与变异框架，实现DNS漏洞场景的自动搭建、漏洞流量的自动复现以及基于语义约束的流量变异。在此基础上，可以生成大量具有真实攻击特征的DNS流量样本，用于漏洞分析、攻击机理研究以及安全设备评测。同时，该框架还能够为网络入侵检测系统和安全监测平台提供高质量测试数据，支持检测规则验证、误报分析和防御能力评估，从而提升DNS基础设施的整体安全防护水平。 1.2 研究问题 # 问题1：缺乏面向复杂DNS生态的标准化环境构建方法 # 现有基于大模型的漏洞复现框架主要面向单机程序、Web服务或简单Client-Server架构，其核心关注点在于PoC生成与漏洞触发验证。然而DNS漏洞的触发过程往往依赖多个异构组件之间的协同交互，包括递归解析器、权威服务器、转发器以及缓存节点等，不同组件之间存在复杂的委派、转发和引用关系。同时，DNS资源记录之间具有严格的语义约束，解析路径受到记录类型、服务器角色以及运行版本等多种因素共同影响。 因此，DNS漏洞复现不仅需要生成攻击流量，更需要自动构建满足漏洞触发条件的复杂运行环境。现有方法缺乏对多协议、多组件版本、多服务器角色以及多层网络关系的统一描述能力，难以自动完成复杂DNS实验环境的构建与复现。 进一步地，由于大模型推理过程具有不确定性，不同Agent生成的环境配置往往存在较大差异，导致实验结果缺乏一致性和可重复性。因此，需要建立一套面向DNS场景的标准化环境描述规范与构建原语，对大模型的推理过程进行约束，形成可复现、可验证、可扩展的DNS漏洞环境自动构建框架，为后续漏洞流量生成与攻击复现提供基础支撑。 问题2：缺乏面向未知攻击的漏洞流量变异机制 # 现有漏洞复现工作大多以成功复现已知漏洞为目标，其生成结果通常对应于CVE描述中的原始攻击路径。然而在真实攻击场景中，攻击者往往会在保持漏洞触发逻辑不变的前提下，对攻击流量、资源记录配置以及解析路径进行变异，从而绕过已有检测规则。 对于DNS协议而言，由于攻击行为往往体现在解析链路和协议语义层面，而非单一报文字段，因此攻击变异空间远大于传统网络攻击。例如，同一漏洞可以通过不同的域名层级结构、不同的NS委派关系、不同的记录组合方式甚至不同的服务器部署方式进行实现。现有检测系统通常针对公开PoC或已知攻击样本构建规则，对于经过语义保持变异后的攻击流量检测能力有限。 因此，仅实现漏洞复现并不足以满足安全评估需求，更重要的是建立一种能够保持漏洞语义不变、同时实现攻击流量多样化扩展的自动变异机制。通过生成大量变异样本，可以系统评估检测系统对未知变种攻击的鲁棒性，从而提高安全防御体系对未来攻击演化的适应能力。 问题3：缺乏面向变种攻击的规则优化方法 # 现有DNS安全检测系统主要依赖人工编写的特征规则或基于已知攻击样本构建检测模型，其规则设计通常围绕公开漏洞描述或已有PoC展开。当攻击流量发生结构调整、解析路径变化或资源记录组合变异时，虽然攻击语义和漏洞触发逻辑保持不变，但现有检测规则往往难以有效识别，从而产生漏报问题。 与此同时，目前安全检测规则的构建过程高度依赖专家经验，缺乏系统化的评估机制来发现规则覆盖范围中的薄弱环节。由于缺少大量具有语义保持特征的变异攻击样本，现有研究难以全面衡量检测系统对未知变种攻击的识别能力，也难以指导规则的持续优化与更新。 因此，需要构建一种基于语义保持变异样本的检测能力评估与规则优化方法，通过自动生成的大规模变异攻击流量，识别检测规则的覆盖盲区，挖掘稳定的攻击语义特征，并形成具有更强泛化能力的检测规则，从而提升检测系统对未知DNS攻击变种的识别能力和鲁棒性。 研究点 # 研究点 1：基于 CVE 漏洞自动化复现的 DNS 攻击流量构建方法研究 # 难点 # 现有漏洞复现框架主要面向Web应用、系统软件等单机或简单Client-Server场景，其核心任务通常是根据漏洞描述生成PoC并完成漏洞验证。然而DNS漏洞的触发往往依赖复杂的网络环境，仅生成PoC并不足以完成真实漏洞复现。一个完整的DNS攻击场景可能同时涉及攻击者、递归解析器、权威服务器、转发器以及多个辅助服务器，不同组件之间通过委派、转发、缓存和资源记录引用关系形成复杂的交互链路。漏洞是否能够成功触发，不仅取决于攻击流量本身，还受到网络拓扑结构、服务器角色分布、软件版本以及配置状态等多种因素影响。 现有研究缺乏统一的DNS漏洞环境描述方法。面对同一漏洞，不同研究人员甚至不同大模型生成的环境配置方案往往存在较大差异，涉及的网络角色、部署位置、软件版本和配置细节均可能不同。这种不一致性导致环境构建过程缺乏可重复性和可验证性，也难以判断生成结果是否真正满足漏洞触发条件。与此同时，大模型虽然具备环境生成能力，但缺乏DNS领域知识约束，难以准确识别漏洞涉及的关键角色及其依赖关系。因此，如何利用DNS领域先验知识指导大模型完成环境推理，建立统一、规范且可验证的环境描述机制，是实现自动化DNS漏洞复现面临的关键挑战。 方法 # 本研究面向DNS漏洞场景构建标准化环境描述与自动生成框架，将DNS漏洞复现所需的网络环境从非结构化描述转化为统一、可执行、可验证的环境模型。漏洞报告、PoC以及协议文档中的环境信息被抽取并映射为网络角色、服务组件、版本依赖、资源记录关系以及网络连接关系等基础要素，通过构建DNS漏洞知识图谱建立漏洞类型与运行环境之间的关联规则。 环境构建过程以角色识别为核心，根据漏洞特征自动分析其涉及的递归解析器、权威服务器、转发器以及攻击节点等关键实体，并推导各角色之间的拓扑关系和部署要求。环境描述语言用于统一表达网络结构、组件版本、配置文件以及资源记录依赖关系，将原本依赖人工经验构建的实验环境转换为标准化环境模板。 在标准描述规范约束下，引入大模型驱动的环境生成Agent完成配置文件生成、部署脚本生成以及实验环境自动搭建。生成结果通过角色完整性检查、依赖关系验证、配置一致性验证以及漏洞触发验证等机制进行自动评估，从而保证构建环境的正确性和可复现性。最终形成一套面向复杂DNS生态的标准化漏洞环境构建方法，为后续漏洞流量生成、攻击变异以及检测规则优化提供统一的实验基础。 研究点 2：基于攻击语义保持的DNS攻击流量变异方法研究 # 难点 # 现有DNS漏洞复现工作通常以生成公开PoC对应的攻击流量为目标，能够验证漏洞是否存在，但难以覆盖真实环境中的攻击演化过程。实际攻击过程中，攻击者往往会在保持漏洞利用逻辑不变的前提下，对域名结构、资源记录组织方式、委派关系以及服务器部署方式进行调整，以绕过已有检测规则。因此，仅依赖原始漏洞流量难以全面评估检测系统的安全能力。 DNS攻击流量的变异并非简单的字段修改问题，而是受到协议语义约束。攻击行为往往依赖于资源记录之间的引用关系、解析路径中的交互逻辑以及多服务器协同形成的触发条件。部分字段和配置可以变化，而部分关键关系必须保持不变，否则变异后的流量将失去原有攻击能力，甚至不再属于同一类型攻击。如何准确识别决定漏洞触发的核心攻击语义，如何区分可变异部分与不可变异部分，如何保证变异后的流量仍然能够触发目标漏洞并保持原有攻击属性，是实现自动化攻击流量变异面临的核心挑战。 方法 # 本研究拟构建面向DNS漏洞的攻击语义表示模型，将漏洞触发过程中涉及的关键角色、资源记录依赖关系、解析路径以及服务器交互行为抽象为统一的攻击语义表示。攻击语义不再局限于单个报文特征，而是描述漏洞从触发到生效的完整因果链路，从而刻画攻击行为的本质特征。https://latnx.github.io/docs/notes/n-6256274a7b601bdc/Mon, 01 Jan 0001 00:00:00 +0000https://latnx.github.io/docs/notes/n-6256274a7b601bdc/面板 NB：抑噪，切除高于平均信号的大幅度突发脉冲噪声 SQL：静噪，信噪比达不到一定水平自动关闭音频输出 ATT：收信机输入衰减器 AGC：收信机自动增益控制 PRE：收信机前置放大器 ALC：发信机自动电平控制 PROC：发信语音压缩 AT/TUNE：自动天线调谐 频率 专用：7、14、21、28MHz、47GHz 主要：1.8、3.5、14.25、18.068、24.89、50、144MHz 次要：135.7、5351.5KHz、10.1、430MHz 短语 QTH 所在地 QRO 高功率 QRP　低功率 QRQ　快发 QRS　慢发 QRT　停止发射 QRU　无事 QRV　准备好 QRZ　谁在呼叫？ QSO　通联 QSA　信号强度 QSB　信号起伏 QSD　发送失真 QSK　可边听边发 QSL　确认（卡片/确认收信） QSP　转信、代转 QSX　监听某频 QSY　换频