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。
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