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。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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
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