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。
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-X1-7BSpark-Prover-X1-7B 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-X1-7BSpark-Formalizer-X1-7B 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).Dockerfile015
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