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。
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 StartedRust0153- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112