别再用默认字典！红队级隐藏目录字典集构建全流程拆解

构建隐藏目录字典集是红队信息收集与目录爆破环节的核心基础，字典的精准度直接决定扫描效率与漏洞发现概率。相比于直接使用公开字典的“广撒网”模式，“通用基础+目标专属+规则生成+动态迭代”的构建思路，能大幅减少无效请求、规避WAF拦截、提升高危路径命中概率。本文从底层逻辑、实操步骤、工具选型到调优策略，全方位拆解隐藏目录字典集的构建方法，兼顾入门易用性与红队实战前瞻性。

一、构建字典集的核心逻辑与前置准备

1. 核心目标

隐藏目录字典集的核心价值，是覆盖通用高频路径、框架/技术栈专属路径、目标资产自定义路径、备份/临时/敏感文件路径四大类。最终实现“低冗余、高精准、分场景适配”，既避免大量无效请求暴露攻击痕迹，又能精准命中后台管理、配置文件、数据库备份等高价值路径。

2. 前置工具与资源储备

字典构建不是凭空创作，而是“站在巨人肩膀上”的定制化加工，提前准备以下工具与资源能事半功倍：

• 基础字典库（必选）
  • SecLists：目前最全面的渗透测试字典库，GitHub地址danielmiessler/SecLists，优先选用Discovery/Web-Content目录下的通用目录、语言专属目录（如php.txtjsp.txt），Web-Shells目录下的框架专属路径，Files/CommonBackups.txt中的备份文件后缀。
  • dirsearch/ffuf自带字典：两款主流目录扫描工具的内置字典，经过实战验证，覆盖高频路径且冗余度低，适合作为基础打底。
  • FuzzDB：专注于模糊测试的字典库，包含大量罕见但高危的配置文件、临时目录路径，适合补充“冷门高价值”条目。
• 生成与处理工具（核心）
  • pydictor：轻量级字典生成工具，支持自定义字符集、前缀后缀拼接、规则组合，适合生成目标专属变体路径。
  • crunch：高性能字符组合生成器，可指定字符集、长度范围，用于生成数字、字母组合的随机目录（如测试环境路径test001admin123）。
  • 文本处理工具：Linux下的sort/uniq/grep，Windows下的PowerShell，用于去重、过滤、分类；Python脚本则适合实现复杂自定义逻辑（如多级目录拼接、命名习惯匹配）。
• 信息收集素材（定制化关键）
  字典精准度的核心在于“贴合目标”，提前收集目标资产的以下信息，是构建专属字典的前提：
  • 技术栈信息：目标网站使用的编程语言（PHP/Java/Node.js/Python）、Web框架（SpringBoot/Django/Flask/WordPress）、中间件（Nginx/Apache/Tomcat）。
  • 资产标识信息：主域名、子域名、项目代号、公司简称、产品名称（如目标域名为example-pay.com，则可衍生pay-adminexample-backup等路径）。
  • 公开泄露信息：GitHub/GitLab代码泄露、Wayback Machine历史快照、第三方漏洞平台披露的历史路径，这些信息能直接获取目标真实存在的隐藏路径。
  • 命名习惯信息：通过公开信息判断目标的命名偏好（如驼峰命名UserAdmin、下划线命名user_admin、版本前缀v1_api）。

二、分步骤构建隐藏目录字典集（从基础到专属）

1. 第一步：整合基础字典，搭建核心骨架

基础字典是字典集的“底盘”，负责覆盖80%的通用高频路径，无需从零编写，只需做好整合与筛选：

1. 筛选核心条目：从SecLists中提取common.txt（通用目录）、对应技术栈的目录文件（如目标是Java项目则选jsp.txttomcat.txt）、CommonBackups.txt（备份后缀）；同时加入dirsearch的common.txt字典，两者重复率约30%，但能互补覆盖遗漏条目。
2. 初步去重：使用命令cat sec_lists.txt dirsearch.txt | sort | uniq > base_dict.txt，去除重复条目，减少后续加工冗余。
3. 剔除无效条目：过滤明显不符合Web路径规则的内容（如超长字符串、特殊符号过多的条目），保留adminloginconfigbackupuploadsapiv1test等高频核心路径。

2. 第二步：目标专属定制，打造差异化核心

这是字典集“从通用到精准”的关键一步，也是红队实战中与公开字典拉开差距的核心环节。根据信息收集的素材，针对性添加以下四类定制化条目：

3. 第三步：规则化生成变体，扩大覆盖边界

仅靠手动添加的条目无法覆盖所有可能的变体，通过工具按规则生成路径变体，能进一步提升命中率，重点覆盖以下变体类型：

1. 前缀后缀变体：为核心路径添加备份、测试、版本等标识前缀/后缀，如admin→old-admin/admin_bak/admin_test/v1_admin。
   • 工具实操（pydictor）：pydictor -input base_dict.txt -append "_bak" "_test" -prepend "old_" "v1_" -o var_dict.txt
2. 大小写变体：部分Windows服务器或老旧系统区分路径大小写，需生成大小写组合，如/Admin/ADMIN/aDmin。
   • 工具实操（Python脚本）：遍历基础条目，生成全小写、全大写、首字母大写三种格式。
3. 多级目录变体：很多隐藏目录是多级结构，如/admin/user/config/db/backup/2024/sql，需将核心路径进行组合。
   • 工具实操（Python脚本）：定义核心目录列表，嵌套循环生成二级、三级目录，如[admin, config]+[user, db]→/admin/user/admin/db/config/user。
4. 字符组合变体：针对测试环境、临时目录的随机命名，如test001admin123backup_2024，用crunch生成数字+字母组合。
   • 工具实操（crunch）：crunch 5 6 abc123 -o combo_dict.txt（生成5-6位，由abc和123组成的路径）。

4. 第四步：去重优化与分类，提升实战效率

经过前三步生成的字典会存在大量冗余，且条目杂乱无章，直接用于扫描会降低效率、增加被拦截风险，需进行以下优化：

1. 深度去重：使用sort final_dict.txt | uniq -u > unique_dict.txt命令去重，-u参数可去除所有重复条目；对于Windows环境，用PowerShell命令Get-Content final_dict.txt | Sort-Object -Unique > unique_dict.txt。
2. 按优先级排序：将高频核心路径（如/admin/login/config）放在字典头部，扫描工具默认按顺序发起请求，能优先命中高价值路径，减少无效请求。
3. 分场景分类：将字典拆分为多个子字典，适配不同扫描阶段，降低被WAF识别的概率：
   • 通用扫描字典：包含高频通用路径，用于初步探测；
   • 框架专属字典：按SpringBoot/Django/WordPress等拆分，针对特定技术栈扫描；
   • 敏感文件字典：包含.env.git.svnweb.config.bak等敏感文件路径，单独扫描；
   • 目标专属字典：仅包含与目标资产相关的定制化路径，用于精准爆破。

5. 第五步：实战动态迭代，持续优化字典集

字典集不是一次性产物，而是需要在实战中持续迭代的“活字典”，通过以下方式不断提升精准度：

1. 扫描反馈补充：使用dirsearch/ffuf扫描目标后，将返回状态码为200（存在）、403（权限不足）、302（重定向）的路径加入字典，并衍生变体（如发现/pay，则添加/pay-admin/pay-backup）。
2. 误报路径排除：过滤扫描中频繁返回404且响应长度固定的无效路径（如/favicon.ico/robots.txt），避免字典冗余。
3. 行业特性补充：不同行业的网站存在专属路径，如金融行业的/risk//payment/，电商行业的/order//cart/，根据目标行业补充对应条目。
4. 定期同步更新：跟踪SecLists、dirsearch等开源字典库的更新，及时添加新框架、新技术的专属路径（如新兴框架FastAPI的默认路径）。

三、红队实战高频字典模板（可直接复用）

1. 通用高频隐藏目录（适用于所有目标）

/admin/login/backup/config/test/uploads/api/v1/v2/manage/system/data/log/temp/install

2. 主流框架/技术栈专属路径

3. 敏感备份/配置文件路径

.git/.svn/.env.htaccessweb.configweb.config.bakdatabase.sqlbackup.tar.gzindex.php.swpconfig.yml

四、红队实战注意事项（合规与避坑）

1. 严格遵守授权边界：仅对已获得书面授权的目标进行测试，未授权扫描可能触犯《网络安全法》等法律法规，承担法律责任。
2. 控制扫描速率与频率：使用dirsearch -t 10（10线程）、ffuf -rate 20（每秒20请求）等参数控制扫描速率，避免因请求量过大触发WAF拦截或被判定为DDoS攻击。
3. 规避特征检测：避免使用单一字典长时间扫描，分阶段使用不同子字典；同时随机化请求头、User-Agent，降低被识别为自动化工具的概率。
4. 字典加密与存储：红队实战中，字典集属于敏感资产，需进行加密存储，避免泄露后暴露攻击目标与战术思路。

五、前瞻性趋势：AI驱动的智能字典生成

随着网络安全防御技术的升级，传统的规则化字典逐渐面临WAF智能拦截的挑战。未来，AI驱动的智能字典生成将成为红队技术的新趋势：通过机器学习分析目标资产的命名习惯、技术栈特征、历史路径规律，自动生成高度贴合目标的定制化字典；同时结合大语言模型（LLM）的语义理解能力，预测目标可能存在的隐藏路径（如根据项目文档生成未公开的接口路径），进一步提升字典的精准度与隐蔽性。