Responder工具中NTLMv2哈希捕获机制解析
Responder作为一款经典的网络认证嗅探工具,在渗透测试和内网安全评估中被广泛使用。其核心功能之一就是捕获NTLMv2认证哈希,但许多使用者会遇到哈希只被捕获一次的情况,这实际上是Responder的一项设计特性。
NTLMv2哈希捕获原理
Responder通过模拟各种网络服务(SMB、HTTP、FTP等)来诱使客户端发起NTLM认证。当客户端尝试连接这些伪造服务时,Responder会截获包含NTLMv2哈希的认证响应。这些哈希值可以被用于离线分析或哈希传递测试。
哈希去重机制
Responder默认启用了智能去重功能,这体现在两个层面:
-
内存中的临时去重:在单次运行期间,Responder会记录已捕获的哈希,避免重复显示相同用户的相同类型哈希
-
持久化存储去重:所有捕获的哈希会被保存在Responder.db这个SQLite数据库中,即使重启工具也会基于此数据库进行去重判断
解决哈希重复捕获问题
对于测试人员需要重复捕获相同哈希的场景,有以下几种解决方案:
-
使用详细模式(-v参数):在启动Responder时添加-v参数,强制显示所有捕获的哈希,包括重复项
-
清理数据库文件:直接删除或重命名logs目录下的Responder.db文件,Responder会在下次启动时创建全新的数据库
-
数据库内容管理:对于高级用户,可以使用SQLite工具直接操作Responder.db数据库,查询或删除特定记录
最佳实践建议
-
在测试环境中,建议始终使用-v参数运行Responder,确保不遗漏任何认证尝试
-
定期备份Responder.db数据库,这些历史记录对后续分析很有价值
-
对于长期运行的Responder实例,可以考虑定期归档旧数据库并创建新库
理解这些机制不仅能解决使用中的困惑,还能帮助测试人员更有效地利用Responder进行安全评估工作。工具的默认行为实际上是为了减少干扰,专注于新发现的凭证,而调试和特定场景测试时则可以通过参数调整来满足不同需求。
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