Adalanche:洞察Active Directory的利器
探索与可视化Active Directory权限的开源工具
<
如果你在寻找一种能够立即展示用户和组在Active Directory中权限的工具,Adalanche就是你的理想之选。它适用于描绘并探索哪些用户可以接管账户、机器甚至整个域,并且能帮助你发现和展示配置错误。

探索域管理员的权利
Active Directory的安全管理充满挑战。小型组织通常对此一无所知,而大型组织则可能因众多不同需求的角色而导致权限分配错综复杂。稍有不慎,就可能导致严重的安全漏洞。Adalanche帮你解决这些问题,让你清晰了解每个人的权限范围。
获取Adalanche
Adalanche是一个一站式的二进制文件,可从Active Directory收集信息并进行分析。对于只分析AD的情况,只需下载适合你平台的二进制文件。如需更深入的洞察,可以通过Group Policy或其他自动化方式在Windows成员服务器上部署专用的收集器.exe。
- 最新版本: 访问Releases获取最新的稳定版。
- 自建: 如果你需要更多控制权,可以在Windows、MacOS或Linux平台上编译源代码。确保安装了Go 1.19、PowerShell 7和git,然后运行
./build.ps1。
首次启动 - 全自动模式
在加入域的Windows机器上运行Adalanche时,无需任何参数即可自动检测并工作。对于更高级的用法(推荐),首先以适当的选项进行数据收集,所有数据文件将存储在"data"子目录中(除非使用--datapath dir指定其他路径)。
查看命令行选项以了解更多可能性(通过帮助或command --help)。
数据收集
Active Directory
主要的数据来源是Active Directory,使用以下命令开始:
adalanche collect activedirectory [--options ...]
如果在非域加入的Windows机器或其它操作系统上,需要提供--domain参数,以及用户名和密码(如有必要,Adalanche会提示输入密码——但要小心,SysMon等命令行日志记录工具可能会捕获密码)。
默认情况下,Adalanche使用LDAPS(端口636上的TLS)。如果你在一个未设置CA的实验室环境中,可能会因为计算机不信任AD证书而遇到连接错误。你可以通过--ignorecert开关禁用证书验证,或者通过--tlsmode NoTLS --port 389切换到无TLS协议。
本地Windows数据(仅Windows)
在Windows成员系统上,你可以使用当前用户身份执行:
adalanche collect activedirectory
或使用其他凭据:
adalanche collect activedirectory --authmode ntlm --username joe --password Hunter42
自定义解决方案
如果你遇到了"LDAP Result Code 49"错误,可能是由于SSL连接要求"通道绑定"或"签名"造成的安全强化。你可以尝试通过以下方法之一绕过这个限制:
- 通过明文LDAP(端口389)导出数据。
- 使用SysInternals AD Explorer创建快照,然后由Adalanche导入。
分析
分析非常简单。只要数据在"data"目录中(或其子目录中),Adalanche就会自动加载、关联并使用它们。执行下面的命令,然后启动浏览器:
adalanche analyze
Adalanche支持预定义查询,点击“样本查询”按钮,选择一个示例来熟悉查询操作。在分析选项中,你可以切换不同的模式,比如正常模式、反向模式或SrcTgt模式,以满足不同场景的需求。
Adalanche提供了一个直观的用户界面,让你轻松地看到谁能影响“Administrators”,“Domain Admins”和“Enterprise Admins”。潜在的攻击目标会被标记为红色。无论结果是否令你惊讶,你都可以调整查询,深入了解其他搜索。
Adalanche以其独特的功能和易于使用的特性,让复杂的Active Directory权限管理变得轻而易举。无论是小型还是大型组织,无论是日常运维还是安全审计,Adalanche都是值得信赖的助手。现在就开始探索并提升你的域管理吧!
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 StartedRust0186
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 Notebook0112
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。Java03
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