BloodyAD项目中的Kerberos凭据缓存问题分析与解决方案
背景介绍
在Active Directory安全测试中,BloodyAD是一款功能强大的工具,它能够执行多种AD环境下的攻击操作。其中add badSuccessor命令是一个关键功能,允许攻击者通过特殊手段获取高权限账户的访问凭证。但在实际使用过程中,我们发现生成的Kerberos凭据缓存(.ccache)文件存在一些需要特别注意的技术细节。
问题现象
当使用add badSuccessor命令时,生成的.ccache文件会包含两个独立的凭据:
- 执行命令时使用的原始用户凭据
- 新创建的
attacker_dmsa$计算机账户的TGT票据
这种双重凭据结构会导致在使用Kerberos认证时出现预期之外的行为。默认情况下,工具会优先使用原始用户凭据而非新创建的高权限账户凭据,这使得攻击者无法直接利用获取到的特权。
技术分析
Kerberos凭据缓存文件可以存储多个票据,但大多数工具默认只使用第一个或默认主体的凭据。在BloodyAD生成的.ccache文件中:
- 原始用户凭据:这是通过
-u和-p参数指定的账户凭据 - 高权限凭据:这是
attacker_dmsa$账户的TGT,该账户已被添加到特权组(如域管理员、企业管理员等)
使用impacket-describeTicket工具可以清楚地看到缓存中包含的两组凭据及其对应的权限信息。
解决方案
要正确利用高权限凭据,有以下几种方法:
方法一:手动编辑.ccache文件
- 使用minikerberos工具包中的ccache_editor.py脚本
- 列出缓存中的所有凭据
- 删除不需要的原始用户凭据
- 保存编辑后的.ccache文件
方法二:指定使用特定凭据
某些工具支持直接指定使用哪个主体的凭据进行认证。例如在Impacket工具中,可以通过SPN格式明确指定要使用的账户。
方法三:等待BloodyAD更新
项目维护者已确认将在后续版本中修复此问题,使生成的.ccache文件只包含新创建的高权限账户凭据,避免多凭据带来的混淆。
最佳实践建议
- 在使用.ccache文件前,先用
klist或impacket-describeTicket检查其中包含的凭据 - 对于包含多凭据的.ccache文件,建议先进行清理,只保留需要的凭据
- 在自动化工具链中,确保正确处理多凭据情况,避免意外使用低权限凭据
- 定期关注BloodyAD项目的更新,获取最新的功能改进和安全修复
总结
理解Kerberos凭据缓存的工作原理对于Active Directory安全测试至关重要。通过正确处理BloodyAD生成的.ccache文件,安全研究人员可以有效地利用获取到的高权限凭据进行后续测试。随着工具的不断完善,这类问题将得到更好的解决,但在当前版本中,掌握手动处理方法仍然是必要的技能。
对于渗透测试人员来说,这不仅是一个工具使用问题,更是深入理解Kerberos认证机制的好机会。建议在测试环境中多次练习凭据缓存的操作,以熟练掌握相关技术。
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