SharpSCCM 使用指南
项目介绍
SharpSCCM 是一个专为安全研究人员设计的C#工具,旨在通过利用微软端点配置管理器(即ConfigMgr,前身为SCCM)进行凭证收集和横向移动,而无需直接访问SCCM服务器。这个项目由Chris Thompson主要开发,并得到了Duane Michael (@subat0mik), Evan McBroom (@EvanMcBroom), Diego Lomellini (@DiLomSec1), 和 Carsten Sandker (@0xcsandker) 等人的显著贡献。请注意,此工具最初是在实验室环境中作为概念验证开发的,可能存在未完成的功能、错误处理不足,因此在使用时需谨慎。
项目快速启动
要快速开始使用SharpSCCM,请确保你的环境已经安装了.NET环境,并且熟悉如何运行C#的应用程序。以下步骤简述如何从GitHub仓库获取并运行SharpSCCM:
-
克隆仓库:
git clone https://github.com/Mayyhem/SharpSCCM.git -
编译项目: 打开解决方案文件(.sln)于Visual Studio或类似IDE中,然后构建项目。如果你没有IDE,可以通过命令行使用MSBuild来编译。
-
运行SharpSCCM: 构建成功后,找到生成的可执行文件(通常在bin目录下),根据需求运行命令,比如:
dotnet SharpSCCM.exe --help # 查看可用命令选项
请注意,实际使用时需要详细了解每个命令参数以避免风险和误操作。
应用案例和最佳实践
- 凭证收集:在渗透测试场景中,SharpSCCM可以辅助安全研究员无痕地收集域内系统的信息和潜在凭证。
- 横向移动:利用SCCM的管理能力,实现从已控制主机到其他目标主机的迁移。
- 防御性研究:了解攻击者可能使用的技巧,从而加强组织的防御机制,模拟攻击路径进行漏洞评估。
最佳实践
- 在非生产环境中充分测试命令。
- 遵守相关的法律和道德规范,在合法授权的情况下进行安全评估。
- 对于敏感操作,确保有适当的备份和恢复计划。
典型生态项目
SharpSCCM虽作为一个独立工具,但在安全社区常与其他工具结合使用,如BloodHound,用于展示和分析企业网络中的权限传播路径。通过集成此类工具,安全分析师能够更有效地理解攻击链路,模拟攻击行为,提高对域环境的安全防护措施。
以上内容构成了对SharpSCCM项目的基本介绍、快速启动指南,以及应用实践的一些建议。记得在探索和实验过程中参考项目文档和最新的GitHub仓库更新,以获取最准确的信息和支持。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00