探索AMD处理器上的高级监控利器:SimpleSvmHook
项目介绍
.SimpleSvmHook是一个专为Windows系统和AMD处理器设计的研究型虚拟机监控器(hypervisor)。它巧妙地利用了AMD虚拟化(AMD-V)技术中的Nested Page Tables(NPT),实现对内核模式函数的钩取并保护其免受检测。作为一个示例性项目,SimpleSvmHook展示了在AMD平台上如何进行虚拟机 introspection(VMI)以及与Intel处理器上类似方案的不同之处。
如果你对DdiMon有所了解,那么SimpleSvmHook可以看作是AMD平台上的功能等价实现,尽管有一些独特之处。
项目技术分析
隐形钩子的实现
隐形钩子是不被外部观察到的钩子,特别是在虚拟机监控场景中,能够引导执行指定地址而不易被目标系统发现。SimpleSvmHook通过使用NPT来区分内存的读写和执行视图。然而,与Intel的Extended Page Table(EPT)不同,AMD的NPT不支持只执行权限,这就要求SimpleSvmHook采取不同的策略来隐藏钩子。
在AMD平台上,SimpleSvmHook需将可读写页面作为默认映射,并在需要时切换到含有陷阱指令的复制页。由于缺少执行仅权限,钩子在某些情况下会变得可见。为了避免这个问题,项目采用了一种权衡策略,即当执行离开挂钩页时,监视器会捕获异常,重新设置页面权限以恢复隐藏状态,但这也带来了更高的性能开销。
项目及技术应用场景
SimpleSvmHook主要适用于以下场景:
- 研究与教学:对于想深入理解虚拟机监控技术的学者或学生,这是一个非常有价值的实验平台。
- 系统安全:可以用于监测系统内核API调用,提升系统的安全性和审计能力。
- 软件调试:在不影响正常运行的情况下,实时跟踪和分析特定内核代码的行为。
项目特点
- AMD技术支持:专注于AMD处理器的VMI实现,填补了这一领域的空白。
- 隐形钩子:即使在没有执行仅权限的限制下,也能实现一定程度的隐形。
- 复杂情况处理:应对 Guests 执行同一页面中的钩子代码,提供了部分解决方案,虽然有局限性。
- 性能优化挑战:考虑到频繁的VM-exit操作,项目面临一定的性能损失问题。
安装与卸载
构建并安装SimpleSvmHook,你需要首先从GitHub克隆源代码,然后使用Visual Studio进行编译。为了安装驱动程序,还需要启用测试签名。通过管理员权限的命令提示符执行以下命令,然后重启系统:
>bcdedit /set testsigning on
使用sc命令进行驱动程序的安装和卸载:
>sc create SimpleSvmHook type= kernel
总体而言,SimpleSvmHook为AMD处理器提供了一种创新的VMI方式,虽然存在一些技术和性能上的挑战,但它在学术研究和实际应用中都展现出了独特的价值。无论你是开发者、研究人员还是安全专家,这个项目都值得你进一步探索和使用。
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-1.5暂无简介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-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