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。
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