【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。
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- 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
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