Donut项目:Shellcode参数传递机制深度解析
2025-06-17 18:38:14作者:宣聪麟
参数传递的基本原理
Donut是一个强大的工具,能够将.NET程序集转换为位置无关的shellcode。在参数传递方面,Donut提供了两种主要机制:静态参数嵌入和动态参数获取。
静态参数嵌入方式
使用Donut生成shellcode时,可以通过-p参数直接嵌入静态参数。这种方式会在生成shellcode时将参数硬编码到payload中。例如命令donut.exe -i test.exe -p "ABC DEF"会将"ABC DEF"作为固定参数编译进生成的loader.bin文件中。
这种方式的优点是:
- 参数与shellcode完全集成,无需额外依赖
- 执行时不需要额外的参数传递机制
- 参数内容在生成时就已经确定,安全性较高
缺点是:
- 每次修改参数都需要重新生成整个shellcode
- 参数内容无法在执行时动态调整
动态参数获取方案
对于需要运行时传递参数的场景,开发者可以考虑以下几种替代方案:
1. 利用进程命令行参数
不指定-p参数生成shellcode,这样生成的payload会继承宿主进程的命令行参数。执行时可以通过修改宿主进程的命令行参数来动态传递参数。
2. 外部数据源获取
在.NET程序中实现从外部数据源读取参数的逻辑,常见的数据源包括:
- 文件系统:从特定路径的配置文件中读取
- 注册表:从预定义的注册表键值中获取
- 网络资源:通过HTTP请求或Socket连接获取参数
- 进程间通信:使用命名管道或共享内存等IPC机制
3. 环境变量传递
通过系统环境变量传递参数,在.NET程序中使用Environment.GetEnvironmentVariable方法读取。
高级修改方案
对于有经验的开发者,还可以直接修改生成的shellcode中的参数部分。这需要:
- 分析Donut生成模块的结构
- 定位参数在二进制中的存储位置
- 直接编辑二进制内容修改参数
但需要注意:
- 这种操作需要深入了解Donut的内部结构
- 参数长度变化可能导致整个shellcode结构改变
- 官方不提供对这种操作的支持
最佳实践建议
- 对于固定参数,使用
-p参数静态嵌入最为可靠 - 需要动态参数时,优先考虑通过外部数据源获取
- 在安全敏感场景下,避免使用可能被篡改的参数传递方式
- 考虑参数加密和完整性验证机制
通过合理选择参数传递方式,可以在灵活性和安全性之间取得平衡,满足不同场景下的需求。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0194
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 Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。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
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06
项目优选
收起
暂无描述
Dockerfile
766
4.99 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
1.94 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++
686
1.34 K
Ascend Extension for PyTorch
Python
721
892
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
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
458
445
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.01 K
262
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
253
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1 K
617