Locksmith项目发布v2025.5.26版本:增强ADCS安全检测能力
Locksmith是一个专注于Active Directory证书服务(ADCS)安全评估的PowerShell工具集。该项目由安全研究人员Jake Hildreth主导开发,旨在帮助安全团队检测和防御ADCS环境中存在的各类安全风险。在最新发布的v2025.5.26版本中,Locksmith新增了多项关键安全检测功能,显著提升了工具在ADCS安全评估方面的能力。
新增安全检测功能
本次版本更新最引人注目的是新增了三种关键ADCS安全风险的检测能力:
-
ESC7攻击检测:ESC7是指攻击者滥用证书颁发机构(CA)服务器上的"ManageCA"和"ManageCertificates"权限,通过这些高权限操作可以签发任意证书或篡改现有证书。Locksmith现在可以识别环境中存在此类风险的配置。
-
ESC16问题检测:ESC16涉及ADCS Web注册接口中的安全缺陷,攻击者可能利用这些缺陷进行NTLM中继攻击或获取未授权证书。新版本增加了针对这类Web接口风险的自动化检测。
-
ESC9风险识别:ESC9与证书模板配置中的"NoSecurityExtension"标志相关,该标志会禁用证书的安全扩展检查,可能导致证书滥用。Locksmith现在可以扫描并标记存在此类问题的证书模板。
检测能力优化
除了新增检测项外,本次更新还对现有功能进行了多项改进:
-
风险评级优化:重新调整了各类ADCS安全风险的评级标准,使风险评估结果更加准确反映实际威胁程度。
-
错误处理增强:特别改进了Get-CAHostObject和Find-ESC7等核心脚本的错误处理机制,提升了工具在复杂环境中的稳定性和可靠性。
-
检测逻辑完善:对现有检测算法进行了优化,减少了误报和漏报的可能性。
技术实现特点
Locksmith采用PowerShell实现,具有以下技术特点:
-
轻量级部署:工具以压缩包形式发布,解压即可使用,无需复杂安装过程。
-
模块化设计:各安全检测项以独立脚本实现,便于功能扩展和维护。
-
自动化扫描:支持对整个ADCS环境的自动化安全评估,显著提高审计效率。
-
清晰报告:检测结果以结构化格式输出,便于安全团队分析和跟进。
应用场景建议
Locksmith特别适用于以下场景:
-
红队评估:安全团队在攻防演练中快速识别ADCS环境中的安全弱点。
-
蓝队防御:企业安全人员定期检查ADCS配置,确保符合安全基线。
-
渗透测试:专业安全服务人员在客户环境中执行ADCS专项安全评估。
-
安全审计:合规团队验证ADCS配置是否符合行业安全标准。
使用建议
对于初次使用Locksmith的安全团队,建议:
-
在测试环境中先行验证,熟悉工具的输出和检测逻辑。
-
将扫描结果与企业现有的风险管理流程整合。
-
定期执行扫描,特别是在ADCS配置变更后。
-
结合其他AD安全工具使用,获得更全面的安全态势视图。
最新版本的Locksmith进一步巩固了其在ADCS安全评估领域的专业地位,为防御日益增多的ADCS相关攻击提供了有力工具。安全团队应当关注这些新增的检测能力,及时将其纳入日常安全运维流程中。
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 StartedRust064- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00