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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00