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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00