探索PELoader:高级的壳代码注入和加密PE加载工具
项目介绍
PELoader是一个创新的开源项目,它实现了多种壳代码注入技术,并利用hasherezade的libpeconv库来加载加密的PE文件,而不是将shellcode注入远程线程。这个项目的目的是提供更加隐蔽和安全的进程注入方式,以应对现代防御系统。
项目技术分析
PELoader包含以下几种先进的注入技术:
- 模块替换(LoadLibrary)
- 模块替换(NtMapViewOfSection)
- 事务空洞化(Transacted Hollowing)
- 幽灵空洞化(Ghostly Hollowing)
- NtMapViewOfSection(RWX-RW-RX)
- NtAllocateVirtualMemory(RW-RX)
每种技术都有其独特的优点和适应场景,例如,通过NtMapViewOfSection加载的payload会被映射为MEM_IMAGE,看起来像合法的EXE或DLL,且不会连接到模块列表,增加了隐蔽性。而Ghostly Hollowing则避免了"System Idle Process"的Image Path IOC,提高了逃避检测的能力。
应用场景和技术优势
这些技术广泛适用于渗透测试、逆向工程、软件调试以及安全研究等领域。它们可以用于在目标进程中隐蔽执行代码,绕过一些传统的防病毒软件和端点保护解决方案。在测试中,PELoader已经在Windows 10上成功地对抗了Cortex XDR、SentinelOne、Windows Defender和CrowdStrike等防御产品。
项目特点
- 安全性:通过各种复杂的内存注入技术,PELoader能够降低被安全防护软件检测到的风险。
- 灵活性:支持加载加密PE文件,提供AES加密功能,增强了代码的安全性。
- 易用性:简单的命令行接口,通过设置环境变量即可执行操作。
- 兼容性:已在Windows 10环境下进行充分的测试,并与多个流行的安全产品进行了交互。
使用示例
要使用PELoader,你可以先使用pe_to_shellcode将PE文件转换成加密的shellcode,然后设置“hagrid”环境变量来执行PELoader。例如,对一个加密的shellcode执行经典DLL空洞化:
cmd> set hagrid=cdll mimikatz.shc.exe.enc
cmd> .\PELoader.exe version
在执行上述命令后,你可以在目标进程中看到mimikatz的输出,证明payload已成功执行。
进一步学习与改进
PELoader的设计者和贡献者已经分享了一些深入的技术文章,包括关于内存扫描对抗策略的文章,以及如何将其应用到远程进程注入中的讨论。这些都是进一步学习和提升技能的好资源。
总的来说,PELoader是一个强大且灵活的工具,对于任何关注进程注入和反取证技术的人来说,都是一个不可多得的学习和实践平台。如果你是开发者、安全研究人员或者喜欢探索操作系统底层机制的人,那么PELoader绝对值得你一试。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust060
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00- 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
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00