NamedPipePTH:命名管道Pass-the-Hash实战指南
项目概述
NamedPipePTH 是一个基于Pass-the-Hash技术的PoC(概念验证)项目,用于在本地通过命名管道实现用户模拟。该项目由安全研究者S3cur3Th1sSh1t开发,旨在解决特定场景下的安全需求——当已获取低权限用户的NTLM哈希,但无法通过现有工具获得该用户级别的交互式shell或C2连接时。它依赖于Windows的ImpersonateNamedPipeClient()函数,允许服务端模拟任何连接到管道的客户端。
目录结构及介绍
以下是NamedPipePTH项目的基本目录结构及其大致内容:
├── Invoke-ImpersonateUser-PTH.ps1 # 核心脚本,用于通过命名管道传递哈希执行过程模拟
├── PipeServerImpersonate.sln # Visual Studio解决方案,包含服务器端可执行程序的源代码
├── LICENSE # 许可协议文件,遵循BSD-3-Clause
├── README.md # 主要的项目说明文档
└── Resources # 资源目录,可能包括辅助脚本或编译所需的额外文件
├── PipeServerImpersonate # 服务器端代码资源目录
├── Invoke-NamedPipePTH.ps1 # 客户端连接脚本,用于与管道服务器交互
└── 其他潜在的支持文件或示例配置
项目启动文件介绍
Invoke-ImpersonateUser-PTH.ps1
这是项目的核心动力,一个PowerShell脚本,允许使用者通过指定用户名、NTLM哈希、域和命名管道名称来模拟用户。此脚本可以直接运行,无需编译,便于快速部署,支持传递参数给本地Windows二进制文件,如Powershell.exe,以便在目标用户的安全上下文中执行命令。
管道服务器组件 (PipeServerImpersonate.sln)
虽然不直接作为一个“启动文件”,但通过这个Visual Studio解决方案,你可以构建一个管道服务端的可执行文件,此可执行文件将监听命名管道连接并处理模拟逻辑。它是实现Pass-the-Hash技术中服务器端的关键部分。
配置文件介绍
NamedPipePTH项目并未明确提供传统意义上的配置文件。配置主要通过调用脚本或执行程序时传入的参数完成。例如,在使用Invoke-ImpersonateUser-PTH.ps1时,用户需手动提供必要的命令行参数来配置所需的行为,如用户凭证信息、管道名称以及可能的执行命令等。这意味着项目的“配置”更多是基于运行时参数而非独立的配置文件。
综上所述,NamedPipePTH项目通过结合PowerShell脚本和可选的C#编译产物,提供了一种灵活的方法来利用命名管道进行本地用户模拟,特别适用于渗透测试和安全研究中的特定场景。正确理解和运用这些文件与配置项,能够有效利用该项目的功能。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00