lsassy 项目使用教程
1. 项目介绍
lsassy 是一个用于远程提取 Windows 系统中 LSASS (Local Security Authority Subsystem Service) 进程凭据的 Python 工具。LSASS 进程存储了操作系统中的安全信息,包括用户登录凭据。通过远程提取 LSASS 进程的凭据,攻击者可以获取目标系统的用户密码哈希,进而进行进一步的攻击。
lsassy 项目的主要特点包括:
- 支持多种远程 LSASS 转储方法。
- 使用 Impacket 项目进行远程读取。
- 使用 pypykatz 解析 LSASS 转储文件。
- 支持多种认证方式,包括明文凭据、Pass-the-Hash 和 Kerberos。
2. 项目快速启动
安装
推荐使用 pip 进行安装:
python3 -m pip install lsassy
或者从源码安装:
git clone https://github.com/Hackndo/lsassy.git
cd lsassy
python3 setup.py install
基本使用
以下是一个基本的使用示例,使用明文凭据远程提取 LSASS 凭据:
lsassy -d domain -u username -p password targets
其中:
-d domain:指定域名。-u username:指定用户名。-p password:指定密码。targets:指定目标主机或主机列表。
高级使用
lsassy 支持多种 LSASS 转储方法,可以通过 -m 或 --method 参数指定。例如,使用 procdump 方法:
lsassy -d domain -u username -p password targets -m procdump -O procdump_path=/opt/Sysinternals/procdump.exe
3. 应用案例和最佳实践
案例1:企业内网渗透测试
在企业内网渗透测试中,攻击者通常需要获取域内用户的凭据。使用 lsassy 可以远程提取目标主机的 LSASS 凭据,进而获取用户的密码哈希,进行 Pass-the-Hash 攻击或其他进一步的攻击。
案例2:红队演练
在红队演练中,红队成员需要模拟真实的攻击行为。使用 lsassy 可以模拟攻击者远程提取 LSASS 凭据的行为,帮助企业发现和修复安全漏洞。
最佳实践
- 权限控制:确保只有授权用户才能使用 lsassy 工具。
- 日志监控:监控系统日志,及时发现和响应异常的 LSASS 转储行为。
- 安全配置:配置系统以减少 LSASS 转储的风险,例如启用 PPL (Protected Process Light)。
4. 典型生态项目
Impacket
Impacket 是一个用于网络协议操作的 Python 库,广泛用于渗透测试和安全研究。lsassy 使用 Impacket 进行远程读取和操作。
pypykatz
pypykatz 是一个用于解析 Windows 凭据的 Python 工具,支持解析 LSASS 转储文件。lsassy 使用 pypykatz 解析远程提取的 LSASS 转储文件。
CrackMapExec
CrackMapExec 是一个用于渗透测试的工具,支持多种攻击方法。lsassy 可以作为 CrackMapExec 的一个模块,集成到 CrackMapExec 中使用。
通过这些生态项目的配合,lsassy 可以更加灵活和强大地应用于各种渗透测试和安全研究场景。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0111
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00