利用LXD实现Linux权限提升:一键本地root漏洞利用工具
项目简介
Linux Privilege Escalation via LXD 是一个开源项目,旨在揭示在Linux系统中,如何通过LXD(Linux Container)服务从普通用户权限提升至root权限。项目提供了两种完全自动化本地root权限的利用脚本,并附带详细的博客解释了其工作原理和过程。这个项目提醒我们,即使没有容器逃逸,LXD也可能成为低权限用户获取主机root访问权的安全风险。
技术剖析
项目中的两个脚本——lxd_rootv1.sh 和 lxd_rootv2.py,各自采用了不同的攻击策略:
-
lxd_rootv1.sh创建一个将主机根文件系统挂载到容器内的环境,使得低权限用户能够在容器内获得root权限,从而影响主机。 -
lxd_rootv2.py更具创新性,它利用LXD的代理设备将主机的systemd私有UNIX套接字引入容器,然后回传到主机。由于这些代理设备拥有root权限,在通信过程中会传递它们的身份凭证,而非发起请求的低权限用户的凭证,借此创建临时systemd服务以修改/etc/sudoers文件。
应用场景
对于任何运行LXD且非安全意识强烈的Linux环境,这个项目都提供了一个实际的威胁模型。特别是当多个用户共享一个系统,并被赋予了LXD组成员身份时,每个用户都可能利用此方法对主机进行权限提升。这对于日常运维、服务器管理或开发环境来说,是一个重要的警示。
项目特点
- 简单易用:只需要一个已存在的容器,然后在主机上执行相应的脚本即可尝试权限提升。
- 新颖的攻击手法:
lxd_rootv2.py的独特利用方式展示了新的攻击思路。 - 风险提示:该项目不仅提供了漏洞利用方法,还强调了在LXD配置中添加用户到
lxd组的潜在危险。 - 社区响应:Canonical公司已经更新了LXD文档,明确警告用户不应随意给予非root用户
lxd组权限。
补救措施
目前,官方并没有发布针对这两种漏洞的修复方案。因此,使用LXD的用户应谨慎考虑将谁添加到lxd组,尽量避免在不需要时使用sudo命令与LXD API交互。对于多用户环境,建议采用分层环境隔离,每个人只在其自己的环境中具备较高的权限。
总的来说,虽然存在这样的安全隐患,但LXD仍然是一个强大的容器管理工具。了解这些风险并采取适当的安全措施是确保系统安全的关键。如果你正在使用LXD,那么这个项目将是你提高安全意识和实践防御策略的重要参考。
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