Donut项目:Shellcode参数传递机制深度解析
2025-06-17 04:48:48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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492