DSInternals项目中的密码哈希导出格式变更解析
背景介绍
DSInternals是一个功能强大的活动目录安全审计工具集,它提供了多种方式来提取和分析活动目录中的密码哈希数据。在早期版本(4.7及之前)中,用户可以通过管道将Get-ADReplAccount或Get-ADDBAccount命令的结果传递给Format-Custom cmdlet,并使用预定义的视图(如PWDump)来格式化输出。
版本变更带来的问题
在DSInternals 5.0版本中,开发团队对密码哈希的导出方式进行了重大改进。用户发现,原本在4.7版本中有效的命令"Get-ADReplAccount -All -Server SERVERNAME | Format-Custom -View PWDump"在5.1版本中不再按预期工作,Format-Custom参数被完全忽略,导致输出结果没有应用任何格式化。
变更原因与技术实现
这一变更并非bug,而是开发团队有意为之的设计决策。主要原因包括:
-
多对象类型支持:新版本需要支持返回多种对象类型,原有的Format-Custom方式无法很好地满足这一需求。
-
一致性考虑:开发团队参考了PowerShell内置cmdlet(如Get-Process)的实现方式,采用了更符合PowerShell设计模式的解决方案。
-
简化流程:将格式化逻辑直接集成到主cmdlet中,减少了管道操作的需求,提高了执行效率。
新版使用方法
在DSInternals 5.0及更高版本中,用户应使用新的-ExportFormat参数来指定输出格式,而不是通过Format-Custom cmdlet。例如:
Get-ADReplAccount -All -Server SERVERNAME -ExportFormat PWDump
可用的导出格式包括:
- PWDump:经典的pwdump格式
- hashcat:适用于hashcat工具的格式
- john:适用于John the Ripper工具的格式
技术建议与最佳实践
-
版本兼容性:在编写脚本时,应考虑版本兼容性问题,特别是当脚本需要在不同版本的DSInternals上运行时。
-
性能考量:新版直接集成格式化功能的方式通常比通过管道传递更高效,特别是在处理大量数据时。
-
脚本更新:所有现有脚本中使用了Format-Custom的部分都应更新为使用新的-ExportFormat参数。
-
错误处理:在使用新参数时,应添加适当的错误处理逻辑,特别是当脚本可能运行在旧版本上时。
总结
DSInternals 5.0版本的这一变更虽然带来了短暂的兼容性问题,但从长远来看提供了更清晰、更高效的密码哈希导出方式。理解这一变更背后的技术原因有助于安全专业人员更好地利用这一强大工具进行活动目录安全审计工作。对于从旧版本迁移的用户,建议全面审查并更新现有脚本,以充分利用新版本提供的改进功能。
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