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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00