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。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
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- 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