DSInternals 项目教程
1. 项目介绍
DSInternals 是一个开源的 PowerShell 模块和 .NET 框架,旨在暴露 Active Directory 和 Azure Active Directory 的内部功能。该项目由 Michael Grafnetter 开发,提供了多种功能,包括 FIDO2 和 NGC 密钥审计、离线 ntds.dit 文件操作、密码审计、从 IFM 备份中恢复域控制器,以及密码哈希计算等。DSInternals 模块的主要功能是通过 PowerShell cmdlet 实现的,这些 cmdlet 构建在 DSInternals 框架之上,提供了易于使用的命令行工具。
2. 项目快速启动
2.1 安装 DSInternals 模块
DSInternals 模块可以通过 PowerShell Gallery 直接安装。以下是安装步骤:
# 安装 DSInternals 模块
Install-Module -Name DSInternals -Force
2.2 使用示例
以下是一个简单的示例,展示如何使用 DSInternals 模块进行密码质量测试:
# 导入 DSInternals 模块
Import-Module DSInternals
# 获取所有 Active Directory 账户
$accounts = Get-ADReplAccount -All -Server 'dc01.contoso.com'
# 测试密码质量
$accounts | Test-PasswordQuality -WeakPasswordHashesSortedFile 'pwned-passwords-ntlm-ordered-by-hash-v7.txt'
3. 应用案例和最佳实践
3.1 密码审计
DSInternals 模块中的 Test-PasswordQuality cmdlet 可以检查 Active Directory 密码是否存在于公开的泄露密码列表中,如 Have I Been Pwned (HIBP)。这有助于识别和修复弱密码。
3.2 离线 ntds.dit 文件操作
DSInternals 提供了对 ntds.dit 文件的离线操作功能,包括哈希转储、密码重置、组成员身份更改等。这对于灾难恢复和安全审计非常有用。
3.3 FIDO2 密钥审计
DSInternals 模块支持对 Azure Active Directory 中的 FIDO2 安全密钥进行审计,帮助管理员确保密钥的安全性和合规性。
4. 典型生态项目
4.1 Mimikatz
Mimikatz 是一个著名的工具,用于执行 pass-the-hash 攻击。DSInternals 模块可以与 Mimikatz 结合使用,提取凭据以进行进一步的攻击。
4.2 NTDSXtract
NTDSXtract 是一个用于解析 ntds.dit 文件的 Python 框架。DSInternals 提供了类似的功能,但使用 PowerShell 和 .NET 实现,更适合 Windows 环境。
4.3 Impacket
Impacket 是一个 Python 库,实现了多种 MSRPC 协议。DSInternals 提供了类似的功能,但专注于 Active Directory 和 Azure Active Directory 的内部功能。
通过这些模块和工具的结合使用,可以更全面地进行 Active Directory 和 Azure Active Directory 的安全审计和管理。
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 StartedRust0187
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 Notebook0112
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java03
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08