【免费下载】 BloodHound.py 使用教程
1. 项目介绍
BloodHound.py 是一个基于 Python 的 BloodHound 数据收集工具,由 Dirk-Jan Mollema 开发和维护。它允许用户从 Linux、OSX 或 Windows 系统中收集数据,并将这些数据导入到 BloodHound 中进行分析。BloodHound.py 是基于 Impacket 开发的,目前仅兼容 BloodHound 4.2 和 4.3 版本。对于 BloodHound CE 版本,请查看 bloodhound-ce 分支。
主要功能
- 支持大部分 BloodHound(SharpHound)功能,但目前不支持 GPO 本地组和部分会话解析功能。
- 支持从 Linux、OSX 和 Windows 系统中收集数据。
2. 项目快速启动
安装 BloodHound.py
首先,确保你已经安装了 Python 3 和相关的依赖库。你可以通过以下命令安装 BloodHound.py:
sudo apt install bloodhound-py
使用 BloodHound.py
安装完成后,你可以使用以下命令来收集数据:
bloodhound-python -u <username> -p <password> -d <domain> -ns <nameserver> -c All
参数说明:
-u:用户名-p:密码-d:域名-ns:DNS 服务器-c:收集的数据类型(例如All表示收集所有数据)
示例
假设你要收集 example.com 域的数据,用户名为 admin,密码为 password,DNS 服务器为 8.8.8.8,你可以使用以下命令:
bloodhound-python -u admin -p password -d example.com -ns 8.8.8.8 -c All
3. 应用案例和最佳实践
应用案例
BloodHound.py 常用于渗透测试和红队活动中,帮助安全团队识别和分析 Active Directory 环境中的潜在安全风险。通过收集和分析数据,团队可以发现未授权的访问路径、权限提升路径等。
最佳实践
- 数据收集策略:根据实际需求选择合适的数据收集类型,避免收集过多不必要的数据。
- 数据分析:将收集到的数据导入 BloodHound 进行分析,利用 BloodHound 的图形界面识别潜在的安全风险。
- 定期更新:定期更新 BloodHound.py 和 BloodHound,以确保使用最新的功能和修复的漏洞。
4. 典型生态项目
BloodHound
BloodHound 是一个开源的 Active Directory 安全分析工具,通过图形化方式展示 Active Directory 环境中的权限关系和潜在的安全风险。BloodHound.py 是 BloodHound 的一个重要数据收集工具。
Impacket
Impacket 是一个用于网络协议操作的 Python 库,支持多种协议,如 SMB、LDAP 等。BloodHound.py 基于 Impacket 开发,提供了强大的网络协议支持。
SharpHound
SharpHound 是 BloodHound 的官方数据收集工具,主要用于 Windows 环境。BloodHound.py 提供了跨平台的替代方案,适用于 Linux 和 OSX 系统。
通过以上模块的介绍,你可以快速上手 BloodHound.py,并了解其在实际应用中的最佳实践和相关生态项目。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00