Aced 开源项目使用教程
2025-04-17 00:12:00作者:宗隆裙
1. 项目介绍
Aced 是一个开源工具,用于解析和解决单个目标 Active Directory 主要的 DACL( discretionary access control list)。Aced 能够识别针对目标账户的兴趣权限,解析权限的 SID,并将数据呈现给操作员。此外,Aced 集成了 pyldapsearch 的日志功能,可以本地记录目标主要 LDAP 属性,进而由 pyldapsearch 的配套工具 BOFHound 解析并将收集的数据输入到 BloodHound 中。
Aced 的设计理念是提供一个更加针对性的 ACL 查询方法。与 BloodHound 相比,Aced 不会收集所有信息,而是专注于收集单个数据点,从而给操作员提供更多对收集数据和方式的控制。Aced 通过只查询 LDAP 想要告诉你的信息,并且不执行所谓的“昂贵的 LDAP 查询”,从而降低了检测的可能性。
2. 项目快速启动
环境准备
在开始之前,确保你的环境中已经安装了以下依赖:
- Python 3.x
- pyldap
可以使用以下命令安装 pyldap:
pip install pyldap
克隆项目
从 GitHub 克隆 Aced 项目:
git clone https://github.com/garrettfoster13/aced.git
cd aced
运行示例
运行以下命令以查看帮助信息:
python3 aced.py -h
运行以下命令以针对特定目标执行 DACL 解析:
python3 aced.py target [[domain/username[:password]@]<address> [options]
以下是可选参数的示例:
python3 aced.py -ldaps -dc-ip 192.168.1.1 -k targetuser@domain.com
3. 应用案例和最佳实践
案例一:解析特定用户的 DACL
在渗透测试中,你可能需要对特定用户的权限进行深入分析。使用 Aced 可以轻松实现这一点:
python3 aced.py -ldaps -dc-ip 192.168.1.1 user@domain.com
最佳实践
- 使用 LDAPS 加密通信,确保数据传输安全。
- 在可能的情况下,使用 Kerberos 认证而非明文密码。
- 避免使用 SMB 连接解析 DC 主机名,以减少潜在的安全风险。
4. 典型生态项目
Aced 可以与以下开源项目协同工作,以增强其功能:
- BloodHound:用于收集和分析 Active Directory 的权限和信任关系。
- pyldapsearch:用于 LDAP 搜索和日志记录。
通过将这些工具结合使用,安全专家可以更有效地进行 Active Directory 的安全分析和渗透测试。
请注意,以上内容仅为示例,实际使用时请根据具体环境和需求进行调整。
登录后查看全文
热门项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
299
2.65 K
Ascend Extension for PyTorch
Python
130
152
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
608
196
React Native鸿蒙化仓库
JavaScript
229
307
暂无简介
Dart
592
129
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
511
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
181
67
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
457