GitHub 红队武器库🚨
📦 GitHub 全球红队渗透资源中转站。 旨在收录那些“好用却难找”的安全项目。 🔗 定时推送:GitHub Trending (Security) 🛠 必备清单:后渗透、远控、免杀、提权工具集 📅 更新频率:每日精选,绝不灌水。 ⚠️ 本频道仅供安全研究与授权测试使用。
Mostrar más📈 Análisis del canal de Telegram GitHub 红队武器库🚨
El canal GitHub 红队武器库🚨 (@githubredteam) en el segmento lingüístico de Chino es un actor destacado. Actualmente la comunidad reúne a 13 149 suscriptores, ocupando la posición 9 592 en la categoría Tecnologías y Aplicaciones y el puesto 15 900 en la región China.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 13 149 suscriptores.
Según los últimos datos del 10 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 243, y en las últimas 24 horas de 16, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 0.28%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 0.42% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 37 visualizaciones. En el primer día suele acumular 55 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 1.
- Intereses temáticos: El contenido se centra en temas clave como github, fork, 异性spa, cve-2026, vme.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“📦 GitHub 全球红队渗透资源中转站。
旨在收录那些“好用却难找”的安全项目。
🔗 定时推送:GitHub Trending (Security)
🛠 必备清单:后渗透、远控、免杀、提权工具集
📅 更新频率:每日精选,绝不灌水。
⚠️ 本频道仅供安全研究与授权测试使用。”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 11 julio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
本项目是基于大语言模型的可解释钓鱼网站检测系统,基于 URL、正文与外链等结构化特征上进行分类与解释生成,通过功能解耦双LoRA与专家-学生知识蒸馏完成模型压缩。仓库提供从模型训练训练、统一推理评测,到黑盒/白盒对抗样本生成、主动学习与增量复训、动态路由阈值扫描以及 LLM-as-a-Judge 解释质量评估的完整脚本链路,可用于钓鱼网站检测算法验证、可解释安全分析、对抗鲁棒性研究等场景。
🔗 点击访问项目地址Self-contained AppSec harness suite: threat modeling, SAST/DAST, PoC validation (PoC-or-GTFO), nuclei + Burp Pro integration, autonomous goal-driven loop.
🔗 点击访问项目地址CVE-2026-33825
🔗 点击访问项目地址本项目是基于大语言模型的可解释钓鱼网站检测系统,基于 URL、正文与外链等结构化特征上进行分类与解释生成,通过功能解耦双LoRA与专家-学生知识蒸馏完成模型压缩。仓库提供从模型训练训练、统一推理评测,到黑盒/白盒对抗样本生成、主动学习与增量复训、动态路由阈值扫描以及 LLM-as-a-Judge 解释质量评估的完整脚本链路,可用于钓鱼网站检测算法验证、可解释安全分析、对抗鲁棒性研究等学术场景。
🔗 点击访问项目地址本项目实现了一个基于RoBERTa-TextCNN的Web攻击检测模型。项目以HTTP请求文本为输入,完成请求字段提取、编码解码、统一文本表示、RoBERTa领域继续预训练以及多类别攻击检测,支持Normal、SQLi、XSS、SSI、XPath、LDAPi、PathTraversal和OSCommandInjection等类别的识别。
🔗 点击访问项目地址本项目是面向恶意 URL 检测的研究型系统,围绕组件分割与多源特征融合方法开展二分类识别研究,基于 PyTorch 构建模型训练与评测流程,通过对 URL 的域名、路径、查询参数等组件进行结构化拆分,并融合字符级序列特征、域名分支特征和统计结构特征,实现对可疑链接的高精度识别。系统支持主模型训练、基线对比、消融实验、分布外(OOD)鲁棒性评测和推理时延测试,可用于网络钓鱼 识别、恶意链接拦截、邮件与短信安全过滤、浏览器安全防护等场景。
🔗 点击访问项目地址A state-machine-driven simulation environment for distributed XML Bomb and XXE attacks.
🔗 点击访问项目地址GPU bypass for IBM POWER8/POWER9 and PowerPC Mac - internal PCIe rescan + OCuLink support
🔗 点击访问项目地址渗透agent
🔗 点击访问项目地址基于国家标准知识库与多 Agent 协作,帮助开发者、学习者和团队完成代码漏洞学习、能力测评与审计训练。
🔗 点击访问项目地址