业务和功能介绍
1. 立项背景和目标
在数字化办公与代码协作场景中，GitLab作为主流的代码托管平台，常面临源码泄露、未授权访问、敏感数据明文存储等安全风险，同时本地代码也存在被窃取、篡改的隐患。本项目针对这一痛点，立项目标为：实现一套集代码仓库安全审计、敏感数据加密保护于一体的安全工具，一方面通过自动化扫描发现GitLab平台的配置漏洞与源码泄露风险，另一方面通过AES对称加密算法对本地敏感代码/数据进行加密保护，双重保障代码资产安全，满足开发人员与企业的代码安全防护需求。
2. 软件功能、核心功能模块的介绍
本项目包含两大核心功能模块，覆盖代码平台安全审计与本地数据加密全流程：
GitLab安全审计模块：基于Dirsearch等目录扫描工具，对目标GitLab站点进行自动化目录遍历与路径探测，识别/admin、/.well-known、/api等敏感路径，排查未授权访问、配置泄露、源码泄露等安全风险；同时集成数据库审计能力，对GitLab后台数据库（如sqlgunnews库）的admin表进行密码哈希获取与弱口令检测，实现账号安全审计。
AES敏感数据加密模块：基于Python实现AES对称加密算法，支持对本地代码、配置文件、敏感业务数据进行加密/解密操作，采用CBC模式+随机IV向量保障加密安全性，同时集成日志记录功能，全程记录加密/解密的耗时、数据长度等关键信息，方便审计与追溯，防止敏感数据明文泄露。
3. 业务流程、功能路径描述
GitLab安全审计流程：
输入目标GitLab站点地址（如http://gitlab.example.com:9999/），启动目录扫描任务；
工具自动遍历站点路径，识别可访问的敏感目录与文件，返回状态码、文件大小等审计结果；
针对可访问的后台路径，进一步探测数据库接口，获取admin用户的密码哈希；
对获取的哈希进行弱口令检测，输出审计报告，标注风险等级与修复建议。
AES加密/解密流程：
加密流程：输入明文敏感数据与16位密钥→工具自动生成随机IV向量→采用AES-CBC模式加密→拼接IV与密文并转为十六进制字符串→输出加密结果，同时记录加密日志；
解密流程：输入十六进制密文与密钥→工具拆分IV与密文→采用AES-CBC模式解密→去除填充并转为明文→输出解密结果，同时记录解密耗时与日志
在数字化办公与代码协作场景中，GitLab作为主流的代码托管平台，常面临源码泄露、未授权访问、敏感数据明文存储等安全风险，同时本地代码也存在被窃取、篡改的隐患。本项目针对这一痛点，立项目标为：实现一套集代码仓库安全审计、敏感数据加密保护于一体的安全工具，一方面通过自动化扫描发现GitLab平台的配置漏洞与源码泄露风险，另一方面通过AES对称加密算法对本地敏感代码/数据进行加密保护，双重保障代码资产安全，满足开发人员与企业的代码安全防护需求。
2. 软件功能、核心功能模块的介绍
本项目包含两大核心功能模块，覆盖代码平台安全审计与本地数据加密全流程：
GitLab安全审计模块：基于Dirsearch等目录扫描工具，对目标GitLab站点进行自动化目录遍历与路径探测，识别/admin、/.well-known、/api等敏感路径，排查未授权访问、配置泄露、源码泄露等安全风险；同时集成数据库审计能力，对GitLab后台数据库（如sqlgunnews库）的admin表进行密码哈希获取与弱口令检测，实现账号安全审计。
AES敏感数据加密模块：基于Python实现AES对称加密算法，支持对本地代码、配置文件、敏感业务数据进行加密/解密操作，采用CBC模式+随机IV向量保障加密安全性，同时集成日志记录功能，全程记录加密/解密的耗时、数据长度等关键信息，方便审计与追溯，防止敏感数据明文泄露。
3. 业务流程、功能路径描述
GitLab安全审计流程：
输入目标GitLab站点地址（如http://gitlab.example.com:9999/），启动目录扫描任务；
工具自动遍历站点路径，识别可访问的敏感目录与文件，返回状态码、文件大小等审计结果；
针对可访问的后台路径，进一步探测数据库接口，获取admin用户的密码哈希；
对获取的哈希进行弱口令检测，输出审计报告，标注风险等级与修复建议。
AES加密/解密流程：
加密流程：输入明文敏感数据与16位密钥→工具自动生成随机IV向量→采用AES-CBC模式加密→拼接IV与密文并转为十六进制字符串→输出加密结果，同时记录加密日志；
解密流程：输入十六进制密文与密钥→工具拆分IV与密文→采用AES-CBC模式解密→去除填充并转为明文→输出解密结果，同时记录解密耗时与日志
项目实现
1.整体架构和设计思路，不同模块使用的技术栈
整体架构
项目采用模块化分层设计，分为「外部安全审计层」与「本地数据安全层」两大独立模块，解耦开发、便于维护，同时支持后续功能扩展：
外部安全审计层：面向远程GitLab平台，实现被动式安全检测；
本地数据安全层：面向本地代码/数据，实现主动式加密保护。
2. “我”的负责模块和结果（尽可能量化）
本人独立负责AES敏感数据加密模块的全流程开发，同时参与GitLab安全审计模块的结果验证与优化：
1.完成AES加密/解密核心功能开发：实现了支持16位密钥、随机IV向量、PKCS7填充的AES-CBC加密算法，加密/解密成功率100%，支持任意长度明文数据的加密；
2.完成日志系统开发：实现了加密/解密全流程日志记录，包含数据长度、耗时、异常信息等，日志输出准确率100%；
3.完成功能测试：对10组不同长度的敏感数据（10字符-1000字符）进行加密/解密测试，解密后明文与原始数据完全一致，无篡改、无丢失；
4.
参与GitLab审计模块验证：对目标GitLab站点完成1200+路径的扫描，成功识别/admin、/api等15个敏感路径，获取admin用户密码哈希1组，完成弱口令检测，验证了审计功能的有效性。
3. “我”遇到的难点、坑，和解决方案
难点1：AES加密的填充与IV向量处理
问题：AES-CBC模式要求明文长度为16字节的整数倍，直接加密非整数倍长度的明文会报错；同时IV向量需要与密文绑定，否则无法正确解密。
解决方案：采用PKCS7填充方案，对明文进行补位处理，解密时自动去除填充；在加密时生成16位随机IV向量，将IV与密文拼接后再转为十六进制字符串，解密时自动拆分IV与密文，解决了长度不匹配与解密失败的问题。
难点2：GitLab目录扫描的误报与漏报
问题：直接使用默认字典扫描时，出现大量404误报，同时遗漏了GitLab特有的/.well-known、/projects等敏感路径。
解决方案：针对GitLab的目录结构定制专属字典，补充GitLab默认路径；增加状态码过滤逻辑，仅保留200/302等有效状态码，同时对扫描结果进行人工核验，将漏报率从从15%降至0%，误报率从30%降至5%以内。
难点3：加密/解密的性能优化
问题：对大体积数据（10000+字符）加密时，耗时较长，影响使用体验。
解决方案：优化加密流程，减少不必要的IO操作，采用内存流式处理；同时增加耗时统计日志，针对耗时过高的场景优化算法，最终将10000字符数据的加密耗时从200ms优化至50ms以内，提升了工具性能。
整体架构
项目采用模块化分层设计，分为「外部安全审计层」与「本地数据安全层」两大独立模块，解耦开发、便于维护，同时支持后续功能扩展：
外部安全审计层：面向远程GitLab平台，实现被动式安全检测；
本地数据安全层：面向本地代码/数据，实现主动式加密保护。
2. “我”的负责模块和结果（尽可能量化）
本人独立负责AES敏感数据加密模块的全流程开发，同时参与GitLab安全审计模块的结果验证与优化：
1.完成AES加密/解密核心功能开发：实现了支持16位密钥、随机IV向量、PKCS7填充的AES-CBC加密算法，加密/解密成功率100%，支持任意长度明文数据的加密；
2.完成日志系统开发：实现了加密/解密全流程日志记录，包含数据长度、耗时、异常信息等，日志输出准确率100%；
3.完成功能测试：对10组不同长度的敏感数据（10字符-1000字符）进行加密/解密测试，解密后明文与原始数据完全一致，无篡改、无丢失；
4.
参与GitLab审计模块验证：对目标GitLab站点完成1200+路径的扫描，成功识别/admin、/api等15个敏感路径，获取admin用户密码哈希1组，完成弱口令检测，验证了审计功能的有效性。
3. “我”遇到的难点、坑，和解决方案
难点1：AES加密的填充与IV向量处理
问题：AES-CBC模式要求明文长度为16字节的整数倍，直接加密非整数倍长度的明文会报错；同时IV向量需要与密文绑定，否则无法正确解密。
解决方案：采用PKCS7填充方案，对明文进行补位处理，解密时自动去除填充；在加密时生成16位随机IV向量，将IV与密文拼接后再转为十六进制字符串，解密时自动拆分IV与密文，解决了长度不匹配与解密失败的问题。
难点2：GitLab目录扫描的误报与漏报
问题：直接使用默认字典扫描时，出现大量404误报，同时遗漏了GitLab特有的/.well-known、/projects等敏感路径。
解决方案：针对GitLab的目录结构定制专属字典，补充GitLab默认路径；增加状态码过滤逻辑，仅保留200/302等有效状态码，同时对扫描结果进行人工核验，将漏报率从从15%降至0%，误报率从30%降至5%以内。
难点3：加密/解密的性能优化
问题：对大体积数据（10000+字符）加密时，耗时较长，影响使用体验。
解决方案：优化加密流程，减少不必要的IO操作，采用内存流式处理；同时增加耗时统计日志，针对耗时过高的场景优化算法，最终将10000字符数据的加密耗时从200ms优化至50ms以内，提升了工具性能。
示例图片视频
相似推荐
工业生产环境跑冒滴漏图像识别项目
1、大背景是某个工业环境中的智能巡检，机器的实时状态需要巡检员各处跑，业主希望增加智能巡检功能，即时获取设备预警信息。
2/3、在车间内安装摄像头，选择合适的位置，部分需要旋转，铺设需要的网线，安装GPU计算盒子。摄像头加相当于部署在端侧的小服务器，收集视频，截图，统一发送给图像识别模块，图像识别模块负责各类压力表读表，各类液压计读表，空气开关识别，各种漏油识别，明火浓烟识别。表读数识别，包含把业主要求数值多少范围算安全，超出需要报警的功能。
智慧工厂
自主研发数字化智能管理平台 | 产品介绍
一、 核心定位
以全流程数字化重构生产管理模式，赋能核心场景，提升现场管理效率与决策能力，助力工厂实现协同高效、透明可控的智慧化运营。
二、 技术底座
架构：本地化部署，保障数据安全与系统稳定。
协同：多端协同，覆盖Web、App等多终端操作场景。
采集：实时数据采集，支撑秒级响应与智能预警。
三、 核心数据流转链路
多源汇聚：从多个业务系统抽取数据，统一汇聚至申农码业务数据库。
分层存储：业务数据同步至拉链表库，实现历史数据可追溯。
按需分发：拉链表库将数据分发至多个应用数据库，支撑不同业务模块的高效运转。
四、 核心功能体系
平台覆盖全生产场景，包含以下七大核心模块：
办公协同（OA）
功能：提供待办、任务、自研IM通讯、审批、日志、日程、报销等基础能力。
价值：实现公司日常管理完全脱离钉钉/泛微等第三方产品，形成内部闭环。
智能报表（BI）
功能：集成自研BI大屏和分析仪表盘，支持简单配置数据连接，完成清洗加工。
价值：快速生成仪表盘与BI报表，支持多端展示及中国式复杂交叉报表。
工厂管理
功能：集中对工厂监控、设备台账、制作工艺、档案管理、排班考勤、安全管理进行数字化改造。
价值：完成工厂管理环节的全面数字化转型。
实时监控与预警
功能：对接全厂硬件设备采集数据，支持10秒内准实时报警。
价值：结合AI算法对设备运行状态进行前瞻性预判，提前规避风险。
产品化能力
现状：当前功能已能覆盖常规能源工厂的管理与生产需求。
案例：已成功接入西北头部能源公司，系统运行稳定。
新能源运维一体化管理平台
面向风电场、水电站运维企业的全链路数字化管理系统，覆盖市场经营（客户/商机/合同/用章审批）、运维项目（项目/工单/设备台账全生命周期）、供应链（供应商/采购/仓储/工单领料成本归集）、安全合规（工作票三级审批、隐患闭环整改、消防台账、特种证件到期预警）、线上培训（课程/题库/在线考试/学习档案/移动学习）、财务一体化（应收应付、项目成本核算、经营驾驶舱、金蝶用友格式凭证导出）等 29 个业务模块，内置统一审批流引擎、组织级数据隔离与实时预警看板。
系统落地了电力行业硬性安全规则：作业票未终结不得完工验收、证件过期或安全考核不合格自动锁定派工并联动补训补考解锁、业务单据单向同步财务禁止反向修改，实现从商机、合同、工单到成本核算的完整业务闭环。
电池监控板上位机软件
本系统是一款基于Modbus RTU串口协议的电池监控上位机软件，通过USB转485与电池监控板通信，实现对电池状态的实时监控、数据采集、参数配置及设备升级。主要功能模块如下：
1. 串口通信管理：支持自动检测并连接USB转485串口设备，可配置波特率、数据位、停止位、校验位等串口参数，建立与电池监控板的Modbus RTU通信链路。
2. 电池状态获取：通过Modbus协议读取电池监控板采集的各项数据，包括电池整体状态（良好或异常）、实时电量百分比、单体电压、总电压、充放电电流、电池温度及均衡状态等。
3. 电池参数设置：支持向电池监控板写入配置参数，包括电量校准值、电压保护阈值（过充保护、过放保护）、电流保护限值、温度保护点（充电高温保护、放电高温保护）及各保护项的延时触发时间。
4. 实时数据监控：以数值仪表盘、曲线图或列表形式实时显示电池的各项数据，数据刷新频率可配置，支持异常数据高亮告警，便于操作人员及时发现异常。
5. 电池监控板升级：支持通过串口对电池监控板进行固件升级，提供升级文件选择、版本校验、升级进度显示及升级结果确认功能，方便现场维护与功能迭代。
各模块协同工作，实现对电池监控板的全面控制与数据采集，适用于电池生产测试、储能系统运维及电动汽车电池检测等场景。
超级智能体平台-智能问数
一、立项背景
企业业务数据沉淀于数据库却难以被非技术人员直接查询分析，电价预测、数据可视化、模型训练等专业任务依赖多套工具且操作复杂。本平台将大语言模型的多智能体协作能力与企业数据查询、可视化、机器学习及外部 API 调用深度整合，以自然语言为交互入口，让业务人员零门槛完成"智能问数、画图分析、模型训练、电价查询"等专业任务。
二、核心功能模块
平台基于 Electron + Python 引擎架构，内置 7 个 AI Agent（通用对话、数据分析、信息查询、模型训练、电价预测、数据可视化、智能问数）和 17 个可绑定技能，通过 LLM 网关统一调度多模型、SkillRegistry 管理技能注册与权限校验、Orchestrator 实现意图路由分发，覆盖 NL2SQL 自然语言转 SQL 查询、Matplotlib SVG 矢量图表绘制、LightGBM/XGBoost 自动训练与预测、MCP 协议电价预测、以及机器指纹绑定与离线授权管理等核心能力。
三、业务流程
用户输入自然语言后，系统通过 LLM 意图识别与关键词规则匹配自动路由到最优 Agent；Agent 通过 Tool Calling 多轮调用已绑定技能（如获取数据库 Schema → 理解表结构 → 生成安全 SQL → 执行查询 → 调用可视化技能生成 SVG 图表），执行结果自动组装为 interactive_card（图表/表格/预测曲线卡片），经 SSE 流式推送至前端实时渲染，全程无需用户接触代码或切换工具。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服