NetExec中ASREP-Roasting功能DNS解析问题分析与修复
问题背景
在NetExec工具的使用过程中,安全研究人员发现当尝试使用ASREP-Roasting功能时,系统会抛出DNS解析错误。这一功能本应用于从Active Directory环境中提取使用Kerberos预认证的账户哈希,但在执行过程中却出现了连接问题。
错误现象
当用户执行以下命令时:
nxc ldap 10.3.10.11 -u jeor.mormont -p '_L0ngCl@w_' --asreproast asreproast.out
系统会返回一个详细的错误堆栈,核心错误信息为:
[Errno Connection error (NORTH.SEVENKINGDOMS.LOCAL:88)] [Errno -2] Name or service not known
这表明工具在尝试解析域名NORTH.SEVENKINGDOMS.LOCAL时失败了。
根本原因分析
经过深入调查,发现问题出在Kerberos认证流程中的DNS解析环节。NetExec在默认情况下会尝试使用目标域的FQDN(完全限定域名)来连接KDC(密钥分发中心)服务,端口为88。然而,在很多渗透测试环境中,特别是隔离的测试环境中,DNS解析可能不可用或配置不正确。
技术细节
Kerberos认证流程中,客户端需要与KDC服务通信以获取票据。在Windows域环境中,KDC服务通常运行在域控制器上。NetExec在实现ASREP-Roasting功能时,默认会使用域名而非IP地址来定位KDC服务,这就导致了DNS解析失败的问题。
解决方案
经过分析,开发团队提出了一个简单而有效的修复方案:当用户没有显式指定kdcHost参数时,自动使用目标主机的IP地址作为KDC主机地址。这一修改确保了在没有DNS解析的环境下,工具仍能正常工作。
具体代码修改是在ldap.py文件中增加了以下逻辑:
if not self.kdcHost:
self.kdcHost = self.host
临时解决方案
在官方修复发布前,用户可以通过以下两种方式临时解决问题:
- 使用--kdcHost参数显式指定KDC服务的IP地址:
nxc ldap 10.3.10.11 -u jeor.mormont -p '_L0ngCl@w_' --asreproast asreproast.out --kdcHost 10.3.10.11
- 在本地hosts文件中添加目标域名的解析记录
修复效果
这一修复确保了NetExec在各种网络环境下都能可靠地执行ASREP-Roasting攻击,特别是在以下场景中表现突出:
- 隔离的测试环境
- DNS基础设施不完善的网络
- 快速部署的渗透测试环境
安全实践建议
在使用ASREP-Roasting功能时,安全研究人员还应注意以下几点:
- 确保有合法的授权进行此类测试
- 测试前确认目标网络允许Kerberos相关流量的通过
- 对于大型域环境,考虑使用更精确的过滤条件以减少网络流量和避免触发安全警报
- 测试完成后及时清理生成的哈希文件
这一修复不仅解决了DNS解析问题,还提高了工具在复杂网络环境中的适应能力,为安全研究人员提供了更可靠的技术手段。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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 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
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