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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00