APT-Hunter 项目使用教程
2024-09-17 04:14:22作者:蔡丛锟
1. 项目目录结构及介绍
APT-Hunter 是一个用于 Windows 事件日志的威胁猎杀工具,其项目目录结构如下:
APT-Hunter/
├── APT-Hunter.py
├── APT-Hunter_old.py
├── Custom-Sigma-Convertor.sh
├── Get_Latest_Sigma_Rules.sh
├── LICENSE
├── O365_detection_rules.json
├── README.md
├── logo.png
├── requirements.txt
├── rules.json
├── windows-log-collector-full-v3-CSV.ps1
├── windows-log-collector-full-v3-EVTX.ps1
└── lib/
└── ...
目录结构说明:
- APT-Hunter.py: 主启动文件,用于执行威胁猎杀任务。
- APT-Hunter_old.py: 旧版本的启动文件,可能包含一些历史功能。
- Custom-Sigma-Convertor.sh: 自定义 Sigma 规则转换脚本。
- Get_Latest_Sigma_Rules.sh: 获取最新 Sigma 规则的脚本。
- LICENSE: 项目许可证文件。
- O365_detection_rules.json: Office 365 检测规则文件。
- README.md: 项目说明文档。
- logo.png: 项目图标。
- requirements.txt: 项目依赖库列表。
- rules.json: 检测规则文件。
- windows-log-collector-full-v3-CSV.ps1: 用于收集 CSV 格式日志的 PowerShell 脚本。
- windows-log-collector-full-v3-EVTX.ps1: 用于收集 EVTX 格式日志的 PowerShell 脚本。
- lib/: 包含项目所需的其他库文件。
2. 项目启动文件介绍
APT-Hunter.py
APT-Hunter.py 是 APT-Hunter 项目的主启动文件,用于执行威胁猎杀任务。该文件使用 Python 编写,主要功能包括:
- 解析 Windows 事件日志。
- 使用预定义的检测规则进行威胁检测。
- 生成检测结果报告。
启动命令
python3 APT-Hunter.py -h
该命令将显示帮助信息,包含所有可用的参数和选项。
3. 项目配置文件介绍
requirements.txt
requirements.txt 文件列出了 APT-Hunter 项目运行所需的 Python 依赖库。要安装这些依赖库,可以使用以下命令:
python3 -m pip install -r requirements.txt
rules.json
rules.json 文件包含了 APT-Hunter 使用的检测规则。这些规则用于识别 Windows 事件日志中的可疑活动。用户可以根据需要自定义或更新这些规则。
windows-log-collector-full-v3-CSV.ps1 和 windows-log-collector-full-v3-EVTX.ps1
这两个 PowerShell 脚本用于收集 Windows 事件日志。windows-log-collector-full-v3-CSV.ps1 用于收集 CSV 格式的日志,windows-log-collector-full-v3-EVTX.ps1 用于收集 EVTX 格式的日志。
使用方法
以管理员身份运行 PowerShell 脚本:
.\windows-log-collector-full-v3-CSV.ps1
或
.\windows-log-collector-full-v3-EVTX.ps1
收集到的日志文件将用于 APT-Hunter 的分析。
总结
APT-Hunter 是一个强大的威胁猎杀工具,适用于 Windows 事件日志的分析。通过本教程,您可以了解项目的目录结构、启动文件和配置文件的使用方法,从而更好地利用 APT-Hunter 进行威胁检测。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220