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。
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
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
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