在MacOS ARM架构上构建Caldera项目时解决donut-shellcode编译错误
Caldera是一个由MITRE开发的开源红队自动化平台,它依赖于多个Python依赖包来实现其功能。然而,在MacOS系统(尤其是使用M系列芯片)上构建Caldera项目时,开发者可能会遇到一个特定的编译错误,导致donut-shellcode包无法正确构建。
问题背景
当开发者按照标准流程克隆Caldera仓库并尝试安装其Python依赖时,构建过程会在donut-shellcode包处失败。错误信息表明系统无法为donut-shellcode构建wheel文件,这通常是由于底层架构不兼容导致的。
根本原因分析
深入分析错误日志可以发现几个关键点:
-
架构不兼容:donut-shellcode包主要设计用于传统架构,而MacOS的M系列芯片使用的是新架构。错误日志中显示的"macosx-14-newarch-cpython-311"明确指出了这一架构差异。
-
链接器错误:在构建过程中,链接器(ld)报告无法处理aplib.a文件,这表明二进制库文件格式与新架构不兼容。
-
编译器警告:虽然多个编译器警告(如#pragma pack对齐问题)不是导致构建失败的直接原因,但它们表明代码在新架构上的兼容性存在问题。
解决方案
针对这一问题,开发者可以采取以下几种解决方案:
方案一:从requirements.txt中移除donut-shellcode
对于大多数Caldera使用场景,特别是那些不涉及特定shellcode生成功能的情况,可以直接从requirements.txt文件中移除donut-shellcode依赖:
- 编辑requirements.txt文件
- 找到并删除包含donut-shellcode的行
- 重新运行pip安装命令
方案二:使用兼容层模拟传统环境
对于需要完整功能的开发者,可以考虑通过兼容层在新架构Mac上创建传统环境:
- 安装传统架构版本的Homebrew
- 安装传统架构版本的Python
- 在此环境中构建Caldera项目
方案三:等待官方更新
关注Caldera项目的更新,等待官方提供对新架构的完整支持。开发者可以定期检查项目更新或参与社区讨论,了解兼容性改进的进展。
技术影响评估
移除donut-shellcode依赖对Caldera功能的影响程度取决于具体使用场景:
- 基本功能:核心的自动化链和任务编排功能通常不受影响
- 高级功能:某些特定的payload生成或shellcode相关功能可能会受限
- 红队操作:如果操作不依赖特定的shellcode注入技术,大多数红队活动仍可正常进行
最佳实践建议
- 环境选择:对于开发和生产环境,建议优先考虑传统架构的系统
- 依赖管理:定期更新项目依赖,关注各包对新架构的支持情况
- 测试验证:在移除任何依赖后,应全面测试核心功能以确保系统稳定性
- 文档记录:团队内部应记录环境配置和修改,确保一致性
未来展望
随着新架构在桌面计算领域的普及,预计越来越多的安全工具和框架将提供原生支持。开发者可以:
- 关注donut项目的新架构支持进展
- 参与社区讨论,推动跨平台兼容性改进
- 考虑为开源项目贡献新架构的适配代码
通过理解这些技术细节和解决方案,开发者可以更灵活地在不同架构上部署和使用Caldera平台,同时为未来的兼容性改进做好准备。
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