BloodHound 开源项目使用教程
1、项目介绍
BloodHound 是一个基于图论的单页 JavaScript Web 应用程序,主要用于揭示 Active Directory 或 Azure 环境中隐藏的、通常是意外的关系。它通过 C# 数据收集器将数据导入到 Neo4j 数据库中,利用图论分析来识别复杂的攻击路径。BloodHound 不仅可以帮助攻击者快速识别攻击路径,还可以帮助防御者识别并消除这些攻击路径。
BloodHound 由 @_wald0、@CptJesus 和 @harmj0y 创建,目前由 BloodHound Enterprise 团队维护。BloodHound Enterprise 是一个攻击路径管理解决方案,能够持续映射和量化 Active Directory 攻击路径。
2、项目快速启动
2.1 安装依赖
首先,确保你已经安装了以下依赖:
- Node.js
- Neo4j
- .NET Core SDK
2.2 克隆项目
git clone https://github.com/adaptivethreat/Bloodhound.git
cd Bloodhound
2.3 安装依赖包
npm install
2.4 启动 Neo4j 数据库
确保 Neo4j 数据库已经启动并运行。你可以使用以下命令启动 Neo4j:
neo4j start
2.5 启动 BloodHound
npm start
2.6 访问 BloodHound
打开浏览器,访问 http://localhost:4000,你将看到 BloodHound 的界面。
3、应用案例和最佳实践
3.1 攻击路径识别
BloodHound 可以帮助攻击者快速识别复杂的攻击路径,例如通过分析用户、组和权限之间的关系,找到从普通用户到域管理员的最短路径。
3.2 防御路径消除
防御者可以使用 BloodHound 来识别并消除潜在的攻击路径。例如,通过分析权限分配,发现并移除不必要的权限,从而减少攻击面。
3.3 安全审计
BloodHound 还可以用于安全审计,帮助组织识别和修复潜在的安全漏洞。通过定期运行 BloodHound,组织可以持续监控其 Active Directory 环境的安全状态。
4、典型生态项目
4.1 Neo4j
Neo4j 是一个高性能的 NoSQL 图形数据库,BloodHound 使用 Neo4j 来存储和查询复杂的权限关系。
4.2 Electron
BloodHound 的前端是基于 Electron 构建的,Electron 允许开发人员使用 Web 技术构建跨平台的桌面应用程序。
4.3 .NET Core
BloodHound 的数据收集器是用 C# 编写的,依赖于 .NET Core SDK 来编译和运行。
通过以上步骤,你可以快速启动并使用 BloodHound 项目,帮助你更好地理解和分析 Active Directory 或 Azure 环境中的权限关系。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00