BranchMonitoringProject 使用教程
2024-09-24 18:40:04作者:宗隆裙
1. 项目介绍
BranchMonitoringProject 是一个基于分支监控的进程监控解决方案,适用于现代 Windows 系统。该项目利用 Intel 处理器的分支跟踪存储(Branch Trace Store, BTS)技术,实现了一个动态、透明的监控框架。该框架提供了多种分析功能,如函数调用跟踪和控制流图(Control Flow Graph, CFG)重建。
项目由 Marcus Botacin 开发,作为其在 University of Campinas 的计算机科学硕士工作的一部分,由 Paulo Lício de Geus 和 André Ricardo Abed Grégio 教授指导。
2. 项目快速启动
2.1 环境准备
- 操作系统:Windows
- 开发工具:Visual Studio 2012
- 依赖库:MSVCR110D.dll(调试符号编译时需要)
- Python 和 win32file(简单客户端需要)
- .Net Framework(高级客户端需要)
- Capstone(代码反汇编需要)
- Sysinternals, BeautifulSoup, Codecs, ConfigParser(自动启动器需要)
- DLL Export Viewer(DumpDLL 工具需要)
- Alignment 库(Divergence Analysis 工具需要)
2.2 编译项目
-
克隆项目仓库:
git clone https://github.com/marcusbotacin/BranchMonitoringProject.git -
打开 Visual Studio 2012,加载项目解决方案文件。
-
配置编译路径和系统架构:
// 在 config.h 文件中设置 #define DEBUG #define DRIVER_NAME "[BRANCH-MONITOR]" #define DRIVERNAME L"\\Device\\BranchMonitor" #define DOSDRIVERNAME L"\\DosDevices\\BranchMonitor" #define BTS_CORE 3 -
编译项目。
2.3 安装和运行
-
禁用驱动签名强制:
- 重启系统,进入 BIOS 设置,禁用驱动签名强制。
-
安装驱动:
- 使用服务管理器加载驱动。
-
运行简单客户端:
python simple_client.py -
运行高级客户端:
BranchClient.exe <binary_address> <library_addresses>
3. 应用案例和最佳实践
3.1 恶意软件分析
BranchMonitoringProject 可以用于实时监控恶意软件的行为,通过捕获分支数据,分析其控制流图,识别潜在的恶意行为。
3.2 调试透明性验证
项目中的 Transparency Tests 工具可以用于验证调试器的透明性,确保在监控过程中不会被检测到。
3.3 控制流完整性(CFI)验证
ROP 工具可以用于在执行跟踪中验证控制流完整性,防止 ROP 攻击。
4. 典型生态项目
4.1 PIN Branch Monitor
PIN Branch Monitor 是一个基于 DBT(Dynamic Binary Translation)的分支监控实现,用于比较研究。
4.2 RetMonitor
RetMonitor 提供了 PEBS 和 LBR 支持,用于进一步的研究目的。
4.3 DumpDLL
DumpDLL 工具用于简化内省头文件的生成,解析 DLL 转储并生成正确的有序输出。
通过以上步骤,您可以快速启动并使用 BranchMonitoringProject 进行进程监控和分析。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook09
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
764
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
678
1.33 K
Ascend Extension for PyTorch
Python
719
876
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
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++
1.08 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
302
117
昇腾LLM分布式训练框架
Python
178
220