ShadowCoerce:利用MS-FSRVP协议实现强制认证的利器
项目介绍
ShadowCoerce 是一个基于MS-FSRVP(Microsoft File Server Remote VSS Protocol)协议的强制认证(Coercion)攻击PoC工具。该项目由Lionel GILLES(又名Topotam)开发,旨在演示如何利用MS-FSRVP协议中的漏洞,强制目标服务器进行认证,从而为后续的渗透测试提供便利。
项目技术分析
技术背景
MS-FSRVP是微软定义的一种远程协议,用于支持文件服务器的卷影复制服务(VSS)。该协议允许客户端请求服务器创建卷影副本,并在特定条件下触发服务器的认证过程。ShadowCoerce正是利用了这一特性,通过构造特定的请求,强制目标服务器进行认证。
技术实现
ShadowCoerce的核心功能是通过Python脚本实现的。用户可以通过命令行指定目标域、用户名、密码以及监听器和目标服务器。脚本会向目标服务器发送特定的MS-FSRVP请求,触发服务器的认证过程,并将认证信息重定向到指定的监听器。
技术难点
由于MS-FSRVP协议的复杂性,以及目标服务器可能存在的安全配置,ShadowCoerce在实际使用中可能会遇到一些挑战。例如,目标服务器的“File Server VSS Agent Service”需要启用,且在某些情况下,强制认证可能需要多次尝试才能成功。
项目及技术应用场景
渗透测试
ShadowCoerce在渗透测试中具有广泛的应用场景。渗透测试人员可以利用该工具强制目标服务器进行认证,获取认证信息后进一步进行横向移动或权限提升。
安全研究
对于安全研究人员来说,ShadowCoerce提供了一个研究MS-FSRVP协议及其安全性的平台。通过分析该工具的实现细节,研究人员可以深入理解协议的工作原理,并探索潜在的安全漏洞。
安全加固
安全团队可以利用ShadowCoerce进行安全加固测试,验证目标服务器是否容易受到强制认证攻击。通过模拟攻击,团队可以识别并修复潜在的安全风险,提升系统的整体安全性。
项目特点
简单易用
ShadowCoerce提供了一个简单的命令行接口,用户只需指定必要的参数即可发起强制认证攻击。无需复杂的配置,即可快速上手。
灵活性强
该工具支持自定义域、用户名、密码以及监听器和目标服务器,用户可以根据实际需求灵活调整攻击参数。
开源免费
ShadowCoerce是一个开源项目,用户可以免费获取并使用该工具。同时,开源社区的参与也为项目的持续改进提供了动力。
社区支持
由于项目的开源性质,用户可以在社区中获取帮助,分享使用经验,并参与到项目的改进中。社区的支持使得ShadowCoerce能够不断适应新的安全挑战。
总结
ShadowCoerce作为一款基于MS-FSRVP协议的强制认证工具,为渗透测试人员、安全研究人员和安全团队提供了一个强大的工具。其简单易用、灵活性强、开源免费的特点,使得它在安全领域具有广泛的应用前景。如果你正在寻找一款能够帮助你深入理解MS-FSRVP协议并进行安全测试的工具,ShadowCoerce绝对值得一试。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00