APT-Hunter 使用教程
1. 项目介绍
APT-Hunter 是一个用于 Windows 事件日志的威胁猎杀工具,由紫色团队(Purple Team)的思想驱动,旨在检测隐藏在海量 Windows 事件日志中的 APT(高级持续威胁)运动,以减少发现可疑活动的时间。该工具使用预定义的检测规则,并专注于统计数据以揭示异常行为,从而有效地进行妥协评估。其输出结果以时间线形式呈现,可以直接在 Excel、Timeline Explorer、Timesketch 等工具中进行分析。
2. 项目快速启动
2.1 安装依赖
首先,确保你已经安装了 Python 3。然后,克隆 APT-Hunter 项目并安装所需的依赖库:
git clone https://github.com/ahmedkhlief/APT-Hunter.git
cd APT-Hunter
python3 -m pip install -r requirements.txt
2.2 使用示例
以下是一些基本的使用示例:
2.2.1 分析 EVTX 文件
你可以提供一个包含日志的目录或单个文件:
python3 APT-Hunter.py -p /opt/wineventlogs/ -o Project1 -allreport
2.2.2 添加时间范围
如果你想专注于特定的时间线,可以添加时间范围:
python3 APT-Hunter.py -p /opt/wineventlogs/ -o Project1 -allreport -start 2022-04-03 -end 2022-04-05T20:56
2.2.3 使用字符串或正则表达式进行搜索
你可以使用字符串或正则表达式进行搜索:
python3 APT-Hunter.py -hunt "psexec" -p /opt/wineventlogs/ -o Project2
python3 APT-Hunter.py -huntfile "(psexec|psexesvc)" -p /opt/wineventlogs/ -o Project2
2.2.4 使用 Sigma 规则
APT-Hunter 还支持使用 Sigma 规则进行搜索:
python3 APT-Hunter.py -sigma -rules rules.json -p /opt/wineventlogs/ -o Project2
3. 应用案例和最佳实践
3.1 威胁猎杀
APT-Hunter 主要用于威胁猎杀,特别是在没有 SIEM(安全信息和事件管理)解决方案的情况下。通过分析 Windows 事件日志,APT-Hunter 可以帮助安全团队快速识别潜在的 APT 活动,从而减少威胁的停留时间。
3.2 妥协评估
在进行妥协评估时,APT-Hunter 可以帮助安全团队快速识别系统中的异常行为,并生成详细的时间线报告,以便进一步分析和响应。
3.3 事件响应
在事件响应过程中,APT-Hunter 可以作为快速分析工具,帮助安全团队快速定位和理解事件的根本原因。
4. 典型生态项目
4.1 Timeline Explorer
Timeline Explorer 是一个强大的时间线分析工具,可以与 APT-Hunter 生成的 CSV 文件结合使用,帮助安全团队更深入地分析事件的时间线。
4.2 Timesketch
Timesketch 是一个开源的时间线分析工具,支持多种数据源,包括 APT-Hunter 生成的 CSV 文件。通过 Timesketch,安全团队可以更直观地查看和分析事件的时间线。
4.3 Sigma
Sigma 是一个通用的签名格式,用于描述日志文件中的安全检测规则。APT-Hunter 支持使用 Sigma 规则进行搜索,从而扩展了其检测能力。
通过结合这些工具,APT-Hunter 可以成为一个强大的威胁猎杀和事件响应工具链的一部分,帮助安全团队更有效地应对复杂的网络安全威胁。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06