Anycall 项目下载及安装教程
2024-12-05 10:05:16作者:殷蕙予
1. 项目介绍
Anycall 是一个用于演示 x64 Windows 内核代码执行的项目,通过用户模式下的任意系统调用和易受攻击的 IOCTL 来实现。该项目展示了如何通过用户进程操作任意物理内存,并在内核模式下执行代码。
2. 项目下载位置
要下载 Anycall 项目,请访问项目的 GitHub 仓库。您可以通过以下步骤进行下载:
- 打开终端或命令提示符。
- 使用
git clone命令克隆仓库:
git clone https://github.com/kkent030315/anycall.git
3. 项目安装环境配置
在安装 Anycall 项目之前,您需要确保您的系统满足以下环境配置要求:
- 操作系统:Windows 10 或更高版本。
- 开发工具:Visual Studio 2019 或更高版本。
- 依赖库:确保系统中已安装所需的 C++ 开发库。
环境配置示例
以下是配置环境的步骤示例:
-
安装 Visual Studio:
- 下载并安装 Visual Studio 2019 或更高版本。
- 在安装过程中,确保选择“使用 C++ 的桌面开发”工作负载。
-
配置系统环境变量:
- 打开“系统属性” -> “高级系统设置” -> “环境变量”。
- 在“系统变量”中,找到
Path变量,并添加 Visual Studio 的安装路径(例如:C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\VC\Tools\MSVC\14.29.30037\bin\Hostx64\x64)。
-
安装依赖库:
- 确保系统中已安装所需的 C++ 开发库。如果缺少某些库,可以通过 Visual Studio 的安装程序进行安装。
4. 项目安装方式
安装 Anycall 项目的步骤如下:
-
克隆项目:
- 使用
git clone命令克隆项目到本地目录。
- 使用
-
打开项目:
- 使用 Visual Studio 打开项目目录中的
.sln文件。
- 使用 Visual Studio 打开项目目录中的
-
编译项目:
- 在 Visual Studio 中,选择“生成” -> “生成解决方案”来编译项目。
-
运行项目:
- 编译成功后,您可以在 Visual Studio 中直接运行项目,或在生成的目录中找到可执行文件并运行。
5. 项目处理脚本
Anycall 项目包含一个处理脚本 libanycall,该脚本用于简化任意系统调用的执行。以下是使用该脚本的示例:
#include <windows.h>
#include <iostream>
#include "libanycall.h"
#pragma comment(lib, "libanycall64")
using PsGetCurrentProcessId = HANDLE(__fastcall*)(void);
int main(const int argc, const char** argv, const char** envp) {
if (!libanycall::init("ntdll.dll", "NtTraceControl")) {
printf("[-] failed to init libanycall\n");
return EXIT_FAILURE;
}
// 从用户模式调用 NT 内核 API
const uint32_t process_id = (uint32_t)ANYCALL_INVOKE(PsGetCurrentProcessId);
printf("PsGetCurrentProcessId returns %d\n", process_id);
return EXIT_SUCCESS;
}
以上代码展示了如何使用 libanycall 库来从用户模式调用内核 API。
登录后查看全文
热门项目推荐
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
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
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
HunyuanVideo-1.5暂无简介00
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
268
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1