UACME项目中的UAC绕过技术深度解析:SilentCleanup与RequestTrace问题分析
前言
用户账户控制(UAC)作为Windows系统的核心安全机制,长期以来都是安全研究人员关注的重点。UACME项目作为研究Windows UAC绕过技术的标杆性开源项目,汇集了数十种不同的UAC绕过方法。本文将深入分析其中两种近期发现的UAC绕过技术:SilentCleanup任务的不完全修复问题以及Windows 11 24H2中新增的RequestTrace任务问题。
SilentCleanup任务UAC绕过技术分析
SilentCleanup任务是Windows系统中一个用于清理临时文件的计划任务,自Windows 8时代起就因其特殊的权限配置成为UAC绕过的目标。微软曾在2023年初尝试修补此问题,但最新研究发现该修复并不彻底。
技术原理
该绕过技术利用了SilentCleanup任务的两个关键特性:
- 任务以高权限运行,但可由普通用户触发
- 任务执行时会加载特定位置的DLL文件
攻击者通过环境变量操纵和DLL劫持技术,诱导系统加载非预期DLL而非合法系统文件,从而实现权限提升。
绕过修复的关键发现
微软的修复措施主要是在任务执行的命令行参数中添加了引号,但研究人员发现:
- 不同Windows版本对引号的处理不一致
- 通过同时尝试带引号和不带引号的路径变体,仍可成功实现绕过
- 该技术在Windows 10 22H2至Windows 11 24H2等多个版本上均有效
技术实现要点
- 环境变量操纵:修改用户环境变量,重定向系统路径
- DLL劫持:在可控路径放置非预期DLL
- 路径变体尝试:同时测试带引号和不带引号的执行路径
- 任务触发:通过计划任务接口启动高权限操作
Windows 11 24H2 RequestTrace任务新问题
Windows 11 24H2引入的新计划任务"RequestTrace"带来了新的UAC绕过机会,该任务与性能跟踪功能相关。
问题成因
RequestTrace任务设计存在以下问题:
- 任务以高权限运行但可由普通用户触发
- 任务执行时加载PerformanceTraceHandler.dll时未正确验证路径
- 任务状态管理存在缺陷,可能被滥用
技术实现细节
- DLL劫持:在可控目录放置非预期PerformanceTraceHandler.dll
- 环境变量操纵:通过修改环境变量影响DLL加载路径
- 任务状态控制:需要终止相关taskhostw.exe进程以确保任务正常触发
- 注册表项处理:需确保系统能找到必要的注册表配置单元
特殊环境问题
在VMware环境中,该技术可能因以下原因失效:
- VMware Tools的安装改变了系统行为
- 注册表配置单元访问异常
- 解决方案是通过创建目录联结(junction)解决路径问题
防御建议
针对此类UAC绕过技术,建议采取以下防护措施:
- 计划任务权限审查:定期审核系统中的计划任务,确保没有不必要的高权限任务
- DLL加载监控:监控异常位置的DLL加载行为
- 环境变量保护:限制对关键环境变量的修改
- 最小权限原则:确保所有计划任务仅拥有必要的最小权限
- 系统更新:及时应用微软发布的安全更新
总结
UAC绕过技术的研究揭示了Windows安全机制中一些深层次的设计问题。SilentCleanup任务的不完全修复表明,即使是已知问题的修补也需要全面考虑各种边界条件。而RequestTrace任务的新问题则提醒我们,新功能的引入可能带来新的攻击面。这些发现不仅对安全研究人员有价值,也为系统管理员提供了加固系统的方向。
UACME项目持续收录和研究的这些技术,为推动Windows系统安全性的提升做出了重要贡献。通过分析这些问题,我们可以更好地理解权限控制机制的薄弱环节,从而设计更 robust 的安全防护方案。
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