OnionC2项目部署与配置完全指南
2025-07-06 18:03:27作者:田桥桑Industrious
前言
OnionC2是一款基于特定网络的命令控制(C2)工具,专为安全研究人员和渗透测试人员设计。本文将详细介绍如何从零开始部署OnionC2系统,包括C2服务器配置、网络服务搭建、Agent编译以及与XENA用户界面的集成。
系统要求
硬件要求
- 至少2GB内存
- 20GB可用磁盘空间
- x86_64架构处理器
软件依赖
在开始部署前,请确保系统中已安装以下组件:
-
编程语言环境
- Go语言编译器 (版本1.16+)
- Rust工具链 (稳定版)
-
网络组件
- 必要的网络服务 (最新稳定版)
- 必要的开发库 (libssl-dev等)
-
用户界面
- XENA前端框架
-
操作系统
- Linux发行版 (推荐Ubuntu 20.04+/Debian 10+)
- Windows子系统Linux(WSL)也可运行
详细部署步骤
第一步:获取项目代码
建议在用户主目录下创建工作目录:
mkdir ~/onionc2_workspace
cd ~/onionc2_workspace
git clone 项目仓库地址
cd OnionC2
第二步:C2服务器配置
C2服务器是整个系统的核心组件,负责处理Agent通信和任务调度。
- 进入api目录:
cd api
- 启动服务器(API密钥需大于16字符):
go run . --api-key=your_very_long_and_secure_api_key_here
安全建议:
- 使用密码生成器创建复杂API密钥
- 定期轮换API密钥
- 记录密钥到安全位置
服务器启动后默认监听本地端口,等待Agent和UI连接。
第三步:网络服务配置
OnionC2利用特定网络提供通信层,这是其核心特性之一。
- C2服务器会自动生成配置文件
- 启动网络服务:
启动网络服务命令
- 获取服务地址:
cat api/service/hostname
技术细节:
- 生成的地址提供较强的安全性
- 地址需要配置到Agent的config.rs文件中
- 服务默认使用9050端口,确保未被占用
第四步:Agent编译与定制
Agent是部署在目标系统上的组件,需要根据实际环境进行定制编译。
- 进入agent目录:
cd ../agent
- 执行编译脚本:
sh build.sh
高级选项:
- 可修改src/config.rs中的配置参数:
- 心跳间隔
- 任务超时时间
- 加密参数
- 通信协议设置
- 编译产物位于:
target/x86_64-pc-windows-gnu/release/
第五步:XENA用户界面集成
XENA提供了直观的Web界面来管理OnionC2操作。
- 安装XENA框架(参考官方文档)
- 配置认证令牌:
- 在UI设置界面输入API密钥
- 或通过环境变量设置:
export AUTH_TOKEN=your_api_key_here
- 界面功能包括:
- Agent状态监控
- 任务下发与管理
- 结果收集与分析
- 系统配置调整
常见问题排查
网络服务无法启动
- 检查端口冲突:
netstat -tulnp | grep 9050 - 验证服务版本:
服务 --version - 查看日志:
journalctl -u 服务 -f
Agent编译失败
- 确保Rust工具链完整:
rustup show - 检查依赖:
ldd target/.../agent.exe - 验证交叉编译工具链:
x86_64-w64-mingw32-gcc --version
API连接问题
- 验证C2服务器是否运行:
ps aux | grep "go run" - 检查防火墙设置
- 测试端口连通性:
telnet localhost <port>
安全最佳实践
-
网络隔离
- 将C2服务器部署在隔离网络环境
- 使用加密通道进行管理访问
-
访问控制
- 限制API密钥知晓范围
- 实施IP白名单
-
日志审计
- 启用详细日志记录
- 定期审计操作记录
-
更新策略
- 定期更新OnionC2组件
- 关注安全公告
进阶配置建议
多服务器部署
可通过修改config.rs实现:
- 多个服务地址轮询
- 故障转移机制
- 负载均衡策略
自定义通信协议
在config.rs中可调整:
- 加密算法参数
- 数据包格式
- 心跳机制
性能调优
对于大规模部署:
- 调整Go服务器GC参数
- 优化Rust Agent内存占用
- 配置连接池大小
结语
OnionC2提供了强大的C2能力,通过本文的详细部署指南,您应该能够成功搭建完整的操作环境。建议先在测试环境中验证所有功能,再逐步应用到实际场景。随着对系统了解的深入,可以进一步探索其高级功能和定制选项,以满足特定的安全研究需求。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
664
152
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
659
299
Ascend Extension for PyTorch
Python
216
236
React Native鸿蒙化仓库
JavaScript
255
320
仓颉编译器源码及 cjdb 调试工具。
C++
133
866
仓颉编程语言运行时与标准库。
Cangjie
140
875
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.18 K
649
仓颉编程语言开发者文档。
59
818