active-directory-security 的安装和配置教程
项目基础介绍
active-directory-security 是一个基于 Microsoft Enterprise Access Model 开发的开源项目,由 Monash University 的 Enterprise Engineering 团队开发。该项目旨在通过内置功能为 Active Directory (AD) 提供微分段安全模型,即 Monash Enterprise Access Model (MEAM)。MEAM 通过对 AD 进行分层,创建管理层次结构,限制横向移动,从而增强企业的安全性。
该项目主要使用 PowerShell 编程语言,同时也涉及到一些 Active Directory 的内置功能和第三方安全控制工具。
项目使用的关键技术和框架
- PowerShell:用于自动化 AD 配置和管理任务。
- Active Directory:项目核心,用于实现分层模型。
- Kerberos 认证:用于实现认证策略和认证隔离。
- gMSA(Group Managed Service Account):用于自动管理服务账户密码。
- 第三方工具:如 Lithnet AD Password Protection 和 Lithnet Access Manager,用于增强 AD 安全性。
安装和配置准备工作
在开始安装和配置之前,请确保以下准备工作已完成:
- 确保你有一个有效的 Active Directory 环境。
- 安装 PowerShell Core 或 Windows PowerShell。
- 确保你有足够的权限来修改 AD 配置。
- 确保所有的服务器和客户端都运行了兼容的操作系统版本。
安装步骤
步骤 1:克隆或下载项目
首先,需要从 GitHub 上克隆或下载 active-directory-security 项目:
git clone https://github.com/mon-csirt/active-directory-security.git
或者,如果你不想使用 Git,可以手动下载 ZIP 文件,然后解压到本地文件夹。
步骤 2:安装必要的 PowerShell 模块
根据项目需求,可能需要安装一些 PowerShell 模块。可以使用以下命令来安装:
Install-Module -Name SomeModule
将 SomeModule 替换为项目文档中提到的具体模块名称。
步骤 3:配置 Active Directory
根据 MEAM 模型,需要配置 AD 的分层结构。以下是一个简化的步骤:
- 创建管理层次结构中的各个级别(如行政层级、区域和服务)。
- 配置受保护的账户(如
Protected Users安全组)。 - 设置 Kerberos 认证策略和认证隔离。
具体步骤需要根据项目的文档和你的 AD 环境来执行。
步骤 4:应用安全控制
根据项目的建议,你可以启用和配置以下安全控制:
- 启用智能卡认证。
- 配置认证隔离和认证策略。
- 创建和使用 gMSA 账户。
- 使用第三方工具,如 Lithnet AD Password Protection 和 Lithnet Access Manager。
确保遵循项目文档中的详细指导,逐步配置这些控制。
步骤 5:测试配置
完成所有配置后,你应该测试新的安全设置以确保它们正常工作。这包括:
- 测试受保护用户组的成员是否无法使用旧协议进行认证。
- 验证智能卡认证是否正常工作。
- 检查认证隔离是否按预期限制账户的使用。
确保所有测试都在非生产环境中进行,以避免对现有系统造成意外影响。
通过遵循上述步骤,你应该能够成功安装和配置 active-directory-security 项目,从而增强你的 Active Directory 环境的安全性。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00