AUTO-EARN

关于

Author：DeadEye-Echocipher

Mail：echocipher#163.com

Github：https://github.com/Echocipher/AUTO-EARN

团队公众号：

闲言碎语

在平时的漏洞挖掘过程中经常会有些Fuzz的需要，而自动化工具一直是各大SRC榜首师傅的利器，会凭借的经验与工具集合形成一套自己行之有效的漏洞探测方法，也看到了各位师傅类似于Watchdog的自动化工具，其中有很多**碰撞的地方，自己也试着写了一版基于Django的分布式节点的工具，但是还是感觉差强人意，其中有很多问题，例如写出来东西耦合度太高，每个人的信息收集方式方法不同，利用的工具框架也有差别，而且当自己框架中的组件发生更新或者替换时感觉有些繁琐，因此就简单的构建了这么一个算是流程框架的工具，提供标准的接口与流程，大家可以自行按照个人喜好进行工具的更新与替换，可以结合自己的需求对代码进行相应的变更，编写过程中更多的是以某个工具为例，因为优秀的工具实在是太多了，比如就被动扫描器来说，Xray与w13scan分别具有自身的优点与长处，个人就是站在巨人的肩膀上窥探了一下各位师傅对于相关内容的见解，开发文档之后也会整理成一篇从零写一个自动化漏洞猎人的文档，权当是Debug笔记，希望能与各位师傅多多学习，文档地址：从零写一个自动化漏洞猎人

因为是一个样例版本，因此代码中很多地方只是举了一两个例子，欠缺部分还很多，比如，高并发方面没有做出太好的调整，过分依赖爬虫效果以及被动扫描器的扫描规则，对于一些逻辑漏洞没有行之有效的判断方法，信息收集也是很粗糙，值得深入研究细化每一个小小的部分都可以拿出来当作一个专门要去学习和深究的方向，还希望可以抛砖引玉，看到师傅们更高的产出。

如果您也有什么想法或者建议，可以联系echocipher#163.com，期待与您交流

扫描样例

本次扫描样例来自于vulnweb，动态结果展示可访问：https://www.echocipher.life/autoearn.html

目录结构

│  app.py  //前台展示
│  autoearn.py  //程序入口
│  README.md
│  requirements.txt  
│  server.py  //漏洞推送、通知提醒
│  start.sh  //启动相关程序、日志记录
│  stop.sh
│  subdomain_monitor.py  //子域收集监控、数据库保存
│  target.txt  //目标文件
│  
├─lib //插件目录
│      check_cdn.py  //cdn检查模块
│      config.py  //配置模块
│      craw_to_xray.py  //爬虫、漏洞抓取模块
│      port_check.py  //端口检测模块
│      read_target.py  //目标读取模块
│      run_html.py  //前台启动模块
│      server_push.py  //消息通知模块
│      sql_connect.py  //数据库相关模块
│      subdomain_collect.py  //子域收集模块
│      waf_check.py  //waf检测模块
│      __init__.py
│      
├─logs
│      oneforall.log  //oneforall日志
│      server.log  //漏洞推送日志
│      subdomain_monitor.log //子域收集监控日志
│      xray.log
│      
├─pic
│  └─README
│          
├─results
│      result.sqlite3  //数据库
│      
├─templates
│      index.html //主页文件
│      
└─tools
    ├  crawlergo  //一个使用chrome headless模式进行URL入口收集的动态爬虫
    ├  chrome  //chrome浏览器
    ├  masscan //异步传输，无状态的扫描端口工具             
    ├  OneForAll  //一款功能强大的子域收集工具                      
    ├  wafcheck  //WAF指纹识别工具             
    └  xray  //一款躺着收洞的神器

工具流程

AUTO-EARN是一个利用OneForAll进行子域收集、Shodan API端口扫描、Wafw00f进行WAF指纹识别、Xray漏洞Fuzz、Server酱的自动化漏洞扫描、由Flask支撑一个简单可视化界面，即时通知提醒的漏洞挖掘辅助工具，本质上更像是一个流程框架，完成各工具之前的自动化联动过程，这个工具执行流程如下

首先通过target.txt读取到目标之后，由OneForAll后台进行子域名收集过程，然后通过subdomain_monitor.py进行监控，监测子域收集过程是否完成，完成后会通过server酱进行消息推送，并且存入本地数据库中的SUBDOMAIN表

在收集子域完成后，通过端口检测进行端口检测，目的是发现那些开放在其它端口上的web系统，从而能更全面的进行后续的检测，在端口检测过程中会首先读取SUBDOMAIN表中的URL字段，通过check_cdn.py进行CDN检测，之后不存在CDN的目标再利用shodan api进行端口检测以及服务识别的过程，然后将检测到的目标按照协议:DOMAIN:端口的格式存储到TASK表中，如果目标存在CDN则默认返回80端口存储到TASK表中

之后WAF检测过程会对TASK中的每个目标通过Wafw00f进行指纹识别，并且修改TASK表中的WAF字段，这里大家可以根据自己的需求再进行更改，比如舍弃存在WAF的目标

Fuzz阶段会首先调用crawlergo使用chrome headless模式进行URL入口收集，我们可以利用--push-to-proxy来连接我们的被动扫描器xray进行漏洞扫描， xray 有一种漏洞输出模式叫 webhook-output，在发现漏洞的时候，将会向指定的 url以 post的方式传输漏洞数据，之后我们通过搭建一个 web 服务器，接收到 xray 发送的漏洞信息，然后在将它转发，我们借助于 Python 的 flask 框架构造了server.py，接下来就是解析 xray 的漏洞信息，然后生成对应的页面模板，之后通过server酱我们就可以将漏洞信息推送到我们的微信中

并且我们模板中的相应字段我们会存储在VULN表中

之后我们会利用app.py生成一个index.html，我们就可以通过查看功能来查看数据库内相应的字段，并且利用Echarts进行数据可视化过程

配置安装

手工安装

Python

由于OneForAll基于Python 3.8.0开发和测试，请使用高于Python 3.8.0的稳定发行版本，其他版本可能会出现一些问题（Windows平台必须使用3.8.0以上版本），安装Python环境可以参考Python 3 安装指南。运行以下命令检查Python和pip3版本：

python3 -V
pip3 -V

如果你看到以下类似输出便说明Python环境没有问题：

Python 3.8.0
pip 19.2.2 from C:\Users\shmilylty\AppData\Roaming\Python\Python38\site-packages\pip (python 3.8)

Git克隆部署

# Github地址
git clone https://github.com/Echocipher/AUTO-EARN
# Gitee地址（国内速度块）
git clone https://gitee.com/echocipher/AUTO-EARN

依赖安装

cd AUTO-EARN/
python3 -m pip install -U pip setuptools wheel -i https://mirrors.aliyun.com/pypi/simple/
pip3 install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/

Docker安装

docker search autoearn  //查看该项目Docker镜像
docker pull echocipher/autoearn:latest  //  拉取镜像
docker pull registry.cn-beijing.aliyuncs.com/echocipher/autoearn  //国内用户拉取较快
docker run -itd --name autoearn -p 5000:5000  echocipher/autoearn:latest  //后台启动容器
docker ps  //查看已启动的容器
docker exec -it 你的DockerID bash  //进入容器
cd AUTO-EARN/  //进入项目目录

之后按照手工安装中的依赖安装部分进行安装配置即可，在Docker镜像中Python、Chrome以及Xray证书均已配置完成，只需完成剩余的OneForAll、Xray中相应的配置文件按照相应文档进行配置，再完成./lib/config.py中的shodan api以及server酱对应key即可使用，当启动5 - 查看时，访问宿主机的5000端口即可

使用说明

启动命令

cd AUTO-EARN/
sh start.sh
python3 autoearn.py
sh stop.sh

如果是Windows可自行构建bat来完成相应的过程，大致流程如下

启动子域收集后，运行python3 subdomain_monitor.py

漏洞扫描时运行如下命令

python3 server.py
./tools/xray/xray_linux_amd64 webscan --listen 127.0.0.1:7777 --webhook-output http://127.0.0.1:2333/webhook

也可以利用>实现相应的日志记录功能
结束时终止如上进程以及备份./results/result.sqlite3以及清理./tools/OneForAll/results目录文件

使用流程

获取子域 - 等待通知 - 端口检测 - WAF检测（非必须，可跳过） - 爬虫爬取 + 漏洞探测 + 消息通知 - 查看

参数说明

1 - 获取子域

利用oneforall进行子域收集，收集过程中可以通过如下命令查看其中相应的日志信息

# 查看oneforall日志信息
tail -f logs/oneforall.log

# 查看子域收集监控信息
tail -f logs/subdomain_monitor.log

收集完成会收到相应通知，并且在数据库SUBDOMAIN表中进行相应存储

2 - 端口检测

在子域收集完成后，我们就可以进行端口检测过程了，这里我们默认使用的是shodan api，默认线程数目为10，其中masscan+nmap代码已经加入其中，默认阈值是50，只需要进行简单的代码上的调整就可以完成应用，这里不做过多介绍，当端口检测完成后会像文初说的那样插入数据库中的TASK表

3 - WAF检测

在上一部分任务数据库已经插入完成之后，程序会利用wafw00f对每个目标进行指纹识别，并且插入数据库中的WAF字段，我们可以在之后的5 - 查看时直观的看到结果

4 - 爬虫爬取 + 漏洞探测 + 消息通知

该部分会像上面工具流程中说的那样自动化的完成页面链接的爬取以及发往被动扫描器的过程，FUZZ过程中我们可以使用如下命令查看相应日志信息

# 查看xray日志信息
tail -f logs/xray.log
# 查看漏洞推送server信息
tail -f logs/server.log

当扫描到漏洞时，会利用server酱进行通知提醒，并且存储在数据库中VULN表中

5 - 查看

我们可以通过查看功能来起一个web服务，从而更方便的看到数据库中的内容，默认每页展示数为5，我们可以在./lib/config.py中修改这一限制，如果你是通过手工安装，你可以通过访问http://127.0.0.1:5000来查看这一页面，如果你是 Docker安装，你可以通过Docker命令将它映射到宿主机的相应端口上，上述配置教程中为转到5000端口

备注

整个程序流程中subdomain_monitor.py在逻辑上是任务完成后就break跳出循环了，不会再进行监控与数据库操作等后续操作，因此也就是说每次开启start.sh仅能完成一次完整的流程，这样设置的考虑主要有以下两个方面

subdomain_monitor.py需要利用while True...来保证完整的进程监控过程，长时间的后台运行会造成一些系统负担
更希望以项目为单位进行运转，每次启动的任务就是一个系统，在每次执行完stop.sh后会默认以当前日期以%Y%m%d%H%M%S的格式进行命名备份，并且会清空./tools/OneForAll/results目录中的文件，大家可按需进行调整

因此每次执行流程即为sh start.sh --> python3 autoearn.py --> sh stop.sh，否则程序执行的仍然是上次运行的结果，而且子域收集监控无法正常进行以及添加新任务

本项目仅进行漏洞探测工作，无漏洞利用、攻击性行为，开发初衷仅为方便安全人员对授权项目完成测试工作和学习交流使用，请使用者遵守当地相关法律，勿用于非授权测试，如作他用所承受的法律责任一概与作者无关，下载使用即代表使用者同意上述观点。

附《中华人民共和国网络安全法》。

crackercat / auto-earn Goto Github PK

auto-earn's Introduction