Malleable-C2-Randomizer 项目使用教程
2024-08-24 04:57:08作者:董宙帆
1. 项目的目录结构及介绍
Malleable-C2-Randomizer 项目的目录结构如下:
Malleable-C2-Randomizer/
├── LICENSE
├── README.md
├── malleable-c2-randomizer.py
└── Sample Lists/
├── Sample Templates/
│ └── example_template.txt
└── example_list.txt
目录介绍
LICENSE: 项目许可证文件,采用 BSD-3-Clause 许可证。README.md: 项目说明文档,包含项目的基本介绍和使用方法。malleable-c2-randomizer.py: 项目的主脚本文件,用于随机化 Cobalt Strike Malleable C2 配置文件。Sample Lists/: 包含示例列表和模板文件的目录。Sample Templates/: 存放示例模板文件的目录。example_template.txt: 示例模板文件,用于演示如何编写 Malleable C2 配置文件模板。
example_list.txt: 示例列表文件,包含用于随机化的字符串列表。
2. 项目的启动文件介绍
项目的启动文件是 malleable-c2-randomizer.py。该文件是一个 Python 脚本,用于随机化 Cobalt Strike Malleable C2 配置文件。
启动文件功能
- 解析提供的 Malleable C2 配置文件模板。
- 使用预定义的或用户提供的字符串列表替换模板中的关键字。
- 生成新的随机化配置文件。
- 测试新生成的配置文件以确保其有效性。
使用方法
python malleable-c2-randomizer.py -t template_file -o output_file
-t template_file: 指定输入的 Malleable C2 配置文件模板。-o output_file: 指定输出的随机化配置文件。
3. 项目的配置文件介绍
项目的配置文件主要是 malleable-c2-randomizer.py 脚本中使用的模板文件和字符串列表文件。
模板文件
模板文件位于 Sample Lists/Sample Templates/ 目录下,例如 example_template.txt。模板文件包含 Malleable C2 配置文件的基本结构和需要随机化的关键字。
字符串列表文件
字符串列表文件位于 Sample Lists/ 目录下,例如 example_list.txt。字符串列表文件包含用于替换模板中关键字的随机字符串。
配置文件示例
# example_template.txt
set useragent "{{USERAGENT}}";
set uri "{{URI}}";
# example_list.txt
USERAGENT: Mozilla/5.0, Chrome/90.0, Safari/537.36
URI: /login, /index, /about
通过使用 malleable-c2-randomizer.py 脚本,可以将模板文件中的 {{USERAGENT}} 和 {{URI}} 替换为 example_list.txt 中定义的随机字符串,从而生成新的随机化配置文件。
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 Notebook0118
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
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
项目优选
收起
暂无描述
Dockerfile
765
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
1.93 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++
680
1.33 K
Ascend Extension for PyTorch
Python
719
879
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
456
438
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
1.1 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
151
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
303
118
昇腾LLM分布式训练框架
Python
178
220