免费人脸识别工具可以跟踪社交媒体网站上的人
2018年8月9日,斯瓦蒂·汗德瓦尔(Swati Khandelwal
image.png
社交媒体监控软件Trustwave的安全研究人员发布了新的开源工具,该工具使用面部识别技术在大量社交媒体网络中定位目标。
面部识别工具:Social Mapper,可自动搜索八个社交媒体平台的目标,包括Facebook,Instagram,Twitter,LinkedIn,Google +,俄罗斯社交网站VKontakte,以及中国的微博和豆瓣 - 基于他们的名字和图片。
该工具的创建者声称他们开发了Social Mapper情报收集工具,主要用于帮助渗透测试者和红客进行社会工程攻击。
尽管可以手动执行名称和图片的搜索,但Social Mapper可以更快地自动执行此类扫描,并且可以同时大规模的处理数百或数千人。
“在线进行情报收集是非常耗时的过程,通常首先尝试在各种社交媒体网站上找到的在线状态,”Trustwave在一篇详细介绍该工具的博客文章中解释道。
Social Mapper通过三个阶段运行:
阶段1 - 根据您提供的输入创建目标列表(由名称和图片组成)。该列表可以通过CSV文件中的链接,文件夹中的图像或LinkedIn上注册到公司的人员。
阶段2 自动开始在线搜索社交媒体网站以获得目标。
建议通过良好的互联网连接在夜间运行该工具,因为搜索可能需要超过15个小时才能获得1000个人的列表并使用大量带宽。
阶段3 - 搜索之后,社交映射器的第三阶段开始生成报告,例如包含指向目标列表的配置文件页面的链接的电子表格,或者包含用于快速检查和验证结果的照片的更直观的HTML报告。
Trustwave已经在GitHub上提供了Social Mapper,并且免费提供给所有人。 Social Mapper available on GitHub
Trustwave的Jacob Wilkin本周将在Black Hat USA会议上展示Social Mapper,IBM Research到也会详细介绍其AI驱动的恶意软件 DeepLocker.
实现:Python selenium,代码比较适合练习爬虫
参考资料
- 本文涉及的python测试开发库 请在github上点赞,谢谢!
- 讨论 钉钉免费群21745728 qq群144081101 567351477
- 原文地址:https://thehackernews.com/2018/08/social-mapper-osint.html
- 工具github地址
代码示例
比如针对豆瓣的爬虫
# -*- coding: utf-8 -*- from selenium import webdriver from selenium.webdriver.firefox.options import Options from pyvirtualdisplay import Display from time import sleep import sys import json import os from bs4 import BeautifulSoup class Doubanfinder(object): timeout = 10 def __init__(self,showbrowser): display = Display(visible=0, size=(1600, 1024)) display.start() if not showbrowser: os.environ['MOZ_HEADLESS'] = '1' self.driver = webdriver.Firefox() self.driver.delete_all_cookies() def doLogin(self,username,password): self.driver.get("https://www.douban.com/login") self.driver.execute_script('localStorage.clear();') if(self.driver.title.encode('utf8','replace').startswith("登录")): print "\n[+] Douban Login Page loaded successfully [+]" wbUsername = self.driver.find_element_by_id("email") wbUsername.send_keys(username) wbPassword = self.driver.find_element_by_id("password") wbPassword.send_keys(password) #self.driver.find_element_by_id("login_button").click() #self.driver.find_element_by_css_selector('a.submitBtn').click() self.driver.find_element_by_css_selector('input[type=\'submit\']').click() sleep(5) if(self.driver.title.encode('utf8','replace').startswith("豆") == False): print "[+] Douban Login Success [+]\n" else: print "[-] Douban Login Failed [-]\n" def getDoubanProfiles(self,first_name,last_name): #try: url = "https://www.douban.com/search?cat=1005&q=" + first_name + "+" + last_name self.driver.get(url) sleep(3) searchresponse = self.driver.page_source.encode('utf-8') soupParser = BeautifulSoup(searchresponse, 'html.parser') picturelist = [] for element in soupParser.find_all('div', {'class': 'pic'}): try: badlink = element.find('a')['href'] link = badlink.split('?url=', 1)[1].split('&query', 1)[0].replace("%3A",":").replace("%2F","/") badprofilepiclinksmall = element.find('img')['src'] profilepic = badprofilepiclinksmall.replace("/icon/u","/icon/ul") picturelist.append([link,profilepic,1.0]) except Exception as e: print "Error" print e continue return picturelist #except Exception as e: # picturelist = [] # print "Error" # print e # return picturelist def kill(self): self.driver.quit()
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
[雪峰磁针石博客]人脸识别工具:face_recognition
简介 face_recognition使用世界上最简单的人脸识别工具,在Python或命令行中识别和操作人脸。 使用dlib最先进的人脸识别技术构建而成,并具有深度学习功能。 该模型在Labeled Faces in the Wild基准中的准确率为99.38%。 另外还提供了face_recognition命令行工具! 快速入门 本节我们基于ubuntu16.04,python3,使用如下图片: image.png 快速入门 face_recognition import face_recognition image = face_recognition.load_image_file("test0.jpg") face_locations = face_recognition.face_locations(image,model="cnn") print(face_locations) 执行结果: $ python3 quick.py [(203, 391, 447, 147)] model选择模型,默认为hog,该模式很多图片是无法识别的,为此一般用采用更精确但是速度更慢的cnn...
- 下一篇
干货解析|深度学习文本分类在支付宝投诉文本模型上的应用
小蚂蚁说: 随着深度学习的快速发展,以及在图像、语音领域取得的不错成果,基于深度学习的自然语言处理技术也日益受到人们的关注。计算机是怎么理解人类的语言的呢? 传统机器学习的应用,常常是利用上述人工总结的文本特征,但往往会遇到一些问题。比如“猫”和“咪”这两词语的语义很接近(即近义词),但计算机并不能真正的在词语语义层面理解,只是把他们当作了两个不同的词语。再比如“小狗”和“小猫”是很相关的两个词语,也不能被很好的理解和刻画。 本文主要介绍了深度学习中的文本分类任务,以及一些应用于文本分类的深度学习模型。文本分类是自然语言处理领域最经典的场景之一,试图推断出给定的文本(句子、文档等)的标签或标签集合。通过这些技术,计算机能够更好地理解人类的语言。 针对支付宝投诉欺诈场景,蚂蚁金服人工智能团队设计了多个文本深度学习模型。包括双向GRU,Cap
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- CentOS8编译安装MySQL8.0.19
- CentOS8,CentOS7,CentOS6编译安装Redis5.0.7
- SpringBoot2整合MyBatis,连接MySql数据库做增删改查操作
- SpringBoot2整合Redis,开启缓存,提高访问速度
- SpringBoot2配置默认Tomcat设置,开启更多高级功能
- Hadoop3单机部署,实现最简伪集群
- CentOS7,CentOS8安装Elasticsearch6.8.6
- CentOS6,7,8上安装Nginx,支持https2.0的开启
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- SpringBoot2编写第一个Controller,响应你的http请求并返回结果