Shed - .NET 运行时检查器使用教程
1. 项目介绍
Shed 是一个用于检查 .NET 运行时的应用程序,旨在提取程序运行时的有用信息。它可以用于检查恶意软件,以便在恶意软件执行后获取其存储的信息的初步概览。Shed 的主要功能包括:
- 将 .NET 程序集注入到远程进程(包括托管和非托管进程)。
- 提取托管堆中存储的所有对象。
- 打印内存中存储的字符串。
- 以 JSON 格式保存堆的快照,以便后续处理。
- 转储内存中加载的所有模块。
2. 项目快速启动
2.1 下载和安装
首先,克隆 Shed 项目到本地:
git clone https://github.com/enkomio/shed.git
cd shed
2.2 编译项目
如果你已经安装了 Visual Studio,可以直接运行 build.bat 批处理文件进行编译。编译完成后,会在 build 文件夹中生成一个 zip 文件。
2.3 使用 Shed
Shed 是一个命令行工具,可以通过以下命令查看所有可用选项:
shed.exe --help
2.3.1 检查已运行的应用程序
要检查一个已运行的进程,需要传递进程的 PID 给 Shed:
shed.exe --pid 2356
2.3.2 检查二进制文件
要检查一个二进制文件,Shed 需要执行该文件并附加到其运行时进行检查:
shed.exe --exe malware.exe
你还可以指定在挂起进程之前等待的时间(以毫秒为单位),以便程序有足够的时间初始化其属性:
shed.exe --timeout 2000 --exe malware.exe
2.3.3 注入程序集到远程进程
Shed 可以通过 ManagedInjector 库将 .NET 程序集注入到远程进程中。要实现这一点,需要指定进程的 PID 和要注入的 exe 文件。注入程序集后,可以通过调用特定方法来激活它。
例如,要将 InjectedAssembly 注入到 PID 为 1234 的进程中,可以运行以下命令:
shed.exe --pid 1234 --exe InjectedAssembly.dll --inject
使用 --method 选项可以指定要从 InjectedAssembly.exe 调用的方法。
3. 应用案例和最佳实践
3.1 恶意软件分析
Shed 可以用于分析恶意软件,提取其在内存中存储的信息,帮助安全研究人员了解恶意软件的行为和目的。
3.2 调试和诊断
开发人员可以使用 Shed 来调试和诊断 .NET 应用程序,特别是在处理内存泄漏或性能问题时。
3.3 安全审计
安全审计人员可以使用 Shed 来检查应用程序的运行时状态,确保其符合安全标准。
4. 典型生态项目
4.1 ManagedInjector
ManagedInjector 是 Shed 依赖的一个库,用于将 .NET 程序集注入到远程进程中。它提供了强大的注入功能,是 Shed 的核心组件之一。
4.2 MDbg
MDbg 是一个 .NET 调试器,可以与 Shed 结合使用,提供更深入的调试和分析功能。
4.3 JSON.NET
Shed 使用 JSON.NET 库来处理 JSON 格式的数据,特别是在保存堆快照时。
通过以上模块的介绍和使用指南,你可以快速上手并充分利用 Shed 的功能。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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