MimiPenguin 项目教程
1. 项目介绍
MimiPenguin 是一个用于从当前 Linux 用户中转储登录密码的工具。它借鉴了 Windows 上流行的工具 Mimikatz 的思想,通过转储进程并提取高概率包含明文密码的行来实现这一功能。MimiPenguin 会尝试通过检查 /etc/shadow 中的哈希值、内存中的哈希值以及正则表达式搜索来计算每个单词的概率。
该项目最初由 huntergregal 开发,并被分配了 CVE-2018-20781。尽管 GNOME Keyring 3.27.2 和 3.28.0-2-1ubuntu1.18.04.1 版本中仍未修复此问题,但 MimiPenguin 仍然有效。
2. 项目快速启动
2.1 安装依赖
在开始使用 MimiPenguin 之前,确保系统已安装以下依赖:
sudo apt-get install build-essential
2.2 克隆项目
首先,从 GitHub 克隆 MimiPenguin 项目:
git clone https://github.com/huntergregal/mimipenguin.git
cd mimipenguin
2.3 编译项目
进入项目目录后,使用 make 命令编译项目:
make
2.4 运行 MimiPenguin
编译完成后,可以直接运行 MimiPenguin:
sudo ./mimipenguin
3. 应用案例和最佳实践
3.1 应用案例
MimiPenguin 主要用于渗透测试和安全审计中,特别是在需要获取当前 Linux 用户的登录密码时。例如,在红队演练中,可以使用 MimiPenguin 来获取目标系统的登录密码,从而进一步进行权限提升或其他操作。
3.2 最佳实践
- 权限要求:MimiPenguin 需要 root 权限才能运行,因此在执行时务必使用
sudo。 - 环境测试:在不同的 Linux 发行版和桌面环境中测试 MimiPenguin,以确保其在各种情况下的有效性。
- 安全审计:定期使用 MimiPenguin 进行内部安全审计,以发现和修复潜在的安全漏洞。
4. 典型生态项目
4.1 Mimikatz
Mimikatz 是一个用于从 Windows 系统中提取密码、哈希值和其他敏感信息的工具。MimiPenguin 的灵感来源于 Mimikatz,两者在功能上有相似之处,但分别针对 Linux 和 Windows 系统。
4.2 Metasploit
Metasploit 是一个广泛使用的渗透测试框架,支持多种攻击模块。MimiPenguin 可以作为 Metasploit 的一个模块,用于在渗透测试中获取 Linux 系统的登录密码。
4.3 Gcore
Gcore 是一个用于生成进程核心转储的工具,MimiPenguin 在早期版本中依赖于 Gcore 来转储进程内存。尽管后续版本中移除了这一依赖,但 Gcore 仍然是 Linux 系统中常用的调试工具。
通过以上模块的介绍,您可以快速了解并使用 MimiPenguin 项目,同时了解其在安全领域的应用和相关生态项目。
kernelopenEuler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。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00