gMSA相关知识学习

最新推荐文章于 2024-12-31 12:48:27 发布
最新推荐文章于 2024-12-31 12:48:27 发布
阅读量1k 收藏 1
点赞数
分类专栏： 权限维持 文章标签： 学习 安全
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41874930/article/details/123489787
版权
gMSA是Windows 2012引入的一种安全特性，它是一种服务账户密码，每30天自动更换。攻击者如果能访问msDS-ManagedPassword属性或持有KDS根密钥，就能读取gMSA密码，从而威胁到系统安全。这种机制常被用作权限维持的方式，了解其工作原理和潜在风险对于网络安全至关重要。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. 什么是gMSA?

gMSA就是windows2012后面新增加的一个安全机制，是一个服务账户的密码，每台机器上都有，可以通过kdc去获取也可以在目标机器上直接读取，特点是30天更换一次。

2. 读取gMSA需要的条件

  1. 如果攻击者拥有访问指定账户msDS-ManagedPassword属性的权限，则攻击者可以读取目标的gMSA 密码，也就是目标服务密码。
    域管与机器账户自己还有那台机器上的管理员账户有这个权限。

  2. 攻击者如果拥有KDS根密钥，就可以读取任意用户的gMSA密码，这个kds 根密钥有点类似于krbtgt的效果。默认域管理员有。

读取到服务密码可以理解成拥有了指定机器的机器账户密码，后续攻击思路都是针对如何利用服务密码而展开的。

综上，这是一种权限维持的方式。

3. 参考文章

https://www.semperis.com/blog/golden-gmsa-attack/

哈工大《机器学习理论与算法》课程总结
coder_kang的博客
01-09 3162
1.总结 1.ID3算法 ID3算法： 输入：例子集（正例、反例）； 输出：决策树 从树的根结点开始，每次都用“最好的属性”划分结点，直到所有结点只含一类例子为止。 不相关属性问题：预处理，预剪枝 不充足属性：即属性值全相同，无法确定类别，则哪一类例子多选哪一类。 未知属性值：1.最通常值法；2.决策树法：未知属性作为类，类作为属性； 3.贝叶斯方法：给予可能值一个概率 4. 按比例将未知属性值...
关于：Group Managed Service Accounts
老陈醋的博客
02-18 945
关于：Group Managed Service Accounts
在 Windows 容器中使用 gMSA
weixin_30814329的博客
10-29 279
　　前不久给公司搭测试环境，其中涉及到了某组件在容器中使用 kerberos 身份验证连接 SQL Server 数据库的问题。 　　Windows 容器本身并不能加入域，但可以通过 gMSA 运行容器使容器进程拥有 gMSA 的身份，这样一来只需要在 SQL Server 里添加此 gMSA 的 login 就可以达成目的。注意必须使用 gMSA，普通 MSA 帐号在容器中使用会出问题。 　...
如何使用组托管服务帐户（GMSA）保护Reporting Services
culuo4781的博客
07-20 1372
In this article, we will explore the functionality to secure reporting Services with Group Managed Service accounts ( GMSA) 在本文中，我们将探讨使用组托管服务帐户（GMSA）保护报告服务的功能。 With Reporting Services’ (SSR...
探索GoldenGMSA：利用Group Managed Service Accounts的强大工具
gitblog_00029的博客
06-20 358
探索GoldenGMSA：利用Group Managed Service Accounts的强大工具 GoldenGMSA GolenGMSA tool for working with GMSA passwords 项目地址: https://gitcode.c...
(即插即用模块-Attention部分) 二十九、(ECCV 2023) GMSA 分组多尺度自注意力
wei582636312的博客
12-31 1330
传统自注意力机制的计算复杂度随特征图尺寸呈平方级增长，限制了其在超分辨率等低层次视觉任务中的应用。并且传统自注意力机制通常在小尺寸窗口内计算，难以有效建模图像中像素之间的长距离依赖关系，从而影响超分辨率效果。所以，这篇论文提出一种 分组多尺度自注意力 (Group-wise Multi-scale Self-Attention) 。旨在解决传统自注意力机制在图像超分辨率任务中计算复杂度高、感受野受限的问题。
推荐开源项目：gMSADumper - 深入解析gMSA密码的利器
gitblog_00079的博客
05-31 413
推荐开源项目：gMSADumper - 深入解析gMSA密码的利器 gMSADumper项目地址:https://gitcode.com/gh_mirrors/gm/gMSADumper 项目介绍 在网络安全和系统管理领域，gMSADumper是一个不可或缺的工具。它允许用户读取并解析他们有权访问的任何全局托管服务账户（gMSA）的密码块。这个Python编写的应用程序基于Impacket库的强...
GMSA多头自注意力机制
02-22
在深度学习领域，GMSA（分组多尺度注意）是一种创新性的结构设计，旨在提升模型处理图像数据的能力。通过采用多尺度的方法来捕捉不同层次的空间依赖关系，GMSA能够在不显著增加计算成本的情况下扩大感受野[^2]。 ...
边缘计算白皮书：GMSA揭示部署策略与应用场景
"GMSA边缘计算用例和部署选项白皮书，由Gabriel Brown撰写，由Heavy Reading为Juniper Networks提供。该白皮书深入探讨了...对于想要了解边缘计算如何改变移动网络及其相关服务的读者来说，这是一份宝贵的参考资料。
GSMA SGP.01协议学习（M2M）.docx
07-09
### GSMA SGP.01协议学习（M2M） #### 概述 GSMA SGP.01协议是关于eUICC（嵌入式通用集成电路卡）远程SIM管理的标准，旨在解决M2M（机器对机器）环境中SIM卡不易更换的问题。此协议允许在网络运营商（MNO）之间...
推荐项目：GMSAPasswordReader - 解锁AD域中GMSA账户的秘密武器
gitblog_00927的博客
08-29 542
推荐项目：GMSAPasswordReader - 解锁AD域中GMSA账户的秘密武器 GMSAPasswordReader项目地址:https://gitcode.com/gh_mirrors/gm/GMSAPasswordReader 在日益复杂的企业安全环境中，对于活动目录（Active Directory, AD）中Group Managed Service Accounts（GMSA...
什么是GMS
weixin_45942645的博客
05-07 3182
GMS （谷歌移动服务）   GMS全称为GoogleMobile Service，即谷歌移动服务。GMS是Google开发并推动Android的动力，是谷歌程序运行的基础。 为谷歌play所应用的底层框架 基本介绍  GMS提供有GooglePlay、Search、Search by Voice、Gmail、Contact Sync、Calendar Sync、Talk、Maps、Street View、YouTube、Android Market等服务，GMS为安卓上的谷歌公司系列应用提供支持 对于安卓
组托管服务帐户（Group Managed Service Accounts，即gMSAs）
weixin_34075268的博客
06-14 878
组托管服务帐户（Group Managed Service Accounts，即gMSAs）组托管服务帐户是针对多个服务器的 MSA。 Windows 为在一组服务器上运行的服务管理服务帐户。 Active Directory 自动更新组托管服务帐户密码，而不重启服务。 你可以配置 SQL Server 服务以使用组托管服务帐户主体。 从 SQL Server 2014 开始，SQL Server...
推荐文章：gMSADumper —— 解锁Windows gMSA密码安全的钥匙
gitblog_00654的博客
09-02 328
推荐文章：gMSADumper —— 解锁Windows gMSA密码安全的钥匙 gMSADumper项目地址:https://gitcode.com/gh_mirrors/gm/gMSADumper 项目介绍 在当今的企业环境中，安全性是不容忽视的核心议题。gMSADumper，这一开源工具横空出世，专为解决一个关键问题而生——解析并读取任何可访问的gMSA（Group Managed Ser...
权限维持新老技术
热门推荐
Shanfenglan's blog
08-04 34万+
参考资料 权限维持相关 静默宏木马 可以使用静默宏木马进行权限维持。利用cs创建宏木马插入docx文件中。 制作方法 1.利用CS生成vbs代码 2.创建一个docx文档并创建宏且将宏的位置设置为对所有的活动模版和文档，如下图所示 3.将恶意vbs代码加入到Nomal的This Document模块 4.保存文件并运行，主机上线，且以后这个电脑上的任意word文档打开后都会上线，除非删掉这个宏配置。 tips 杀软对doc文件杀软查杀力度远大于对docx文件的。 参考 静默宏木马进行
黄金票据的制作与使用
Shanfenglan's blog
08-27 24万+
原理 黄金票据的原理就是用krbtgt的hash来伪造TGT的内容。更改里面的client参数与session key等。让TGS以为我就是那个我所声称的人，当然我一般会声称自己是administrator。第四步主要是来验证客户端的身份。 所谓的黄金票据其实就是kerberos认证的第二个阶段中的tgs的ticket也就是TGT。这个ticket相当于对请求端的一个身份认证的凭据，如果可以伪造这个ticket，那么就可以伪造任意身份，而黄金票据就是一个实现方式。 kerberos协议原理请参考:NTML认
restormer块特征提取
最新发布
04-03
<think>好的，我现在需要回答用户关于Restormer中块特征提取的实现与原理的问题。首先，用户提到了DAF-Net的基础部分使用了Restormer来捕捉全局结构信息，并且引用了引用[3]。我需要结合这些信息来构建答案。 首先，我需要回忆一下Restormer的相关知识。Restormer是一种基于Transformer的图像恢复模型，主要用于去噪、超分辨率等任务。传统的Transformer在图像处理中通常面临计算复杂度高的问题，尤其是在处理高分辨率图像时，因为自注意力机制的计算量随像素数量平方增长。因此，Restormer需要在这方面进行优化。 用户提到的块特征提取，可能指的是Restormer中的模块设计，比如如何分块处理图像特征，或者如何提取局部和全局特征。根据引用[3]，Restormer在DAF-Net中用于捕捉全局结构信息，而细节部分用可逆神经网络处理。这说明Restormer在特征提取时可能更关注长距离依赖和全局上下文。 接下来，我需要查阅引用[3]中的描述：“DAF-Net的基础部分使用了一种叫做Restormer的网络，专门用来捕捉全局的结构信息；而细节部分则基于可逆神经网络（INN），负责提取图像中的细节纹理。MK-MMD只在基础部分使用，以确保整体特征的一致性，避免对局部细节过于调节，这样可以保护模态特有的信息。” 这里提到Restormer负责全局结构，而INN处理细节，因此Restormer的特征提取可能侧重于全局信息的整合。 然后，我需要考虑Restormer中的关键组件。通常，Transformer块包括多头自注意力（MSA）和前馈网络（FFN）。但Restormer可能进行了改进，比如使用更高效的自注意力机制，或者分块处理来降低计算量。例如，引用[2]提到分组多尺度自注意力（GMSA），将特征分组并计算不同窗口大小的注意力，这可能与Restormer的设计有关联，但需要确认。 另外，引用[2]中还提到使用移位卷积（shift-conv）来提取局部特征，这可能与Restormer中的局部特征提取部分结合使用。但根据引用[3]，Restormer主要负责全局结构，可能其块特征提取结合了局部和全局的注意力机制。 可能的实现原理包括： 1. 分块处理：将图像分成小块（patches），在块内或跨块应用自注意力。 2. 高效的自注意力机制：如使用窗口注意力、轴向注意力或减少键值对的维度。 3. 多尺度特征融合：在不同层次或不同分组中提取特征，如GMSA。 4. 结合卷积操作：如shift-conv来增强局部特征提取，同时利用自注意力处理全局依赖。 需要进一步分析Restormer的具体结构。根据引用[3]，Restormer可能采用了Transformer的变体，例如使用分层结构，或在自注意力中引入某种形式的局部性约束，以平衡计算效率和全局感知能力。例如，可能将图像划分为多个不重叠的块，在每个块内进行自注意力计算，同时跨块进行信息交互，或者使用重叠的块来增加感受野。 此外，Restormer可能采用了通道注意力或空间注意力的结合，以增强特征的表征能力。例如，在多头自注意力中，不同头关注不同尺度的特征，或者引入动态权重调整机制，根据输入特征动态调整注意力权重。 在实现细节方面，可能包括： - 输入特征的分块处理，将图像划分为多个块，每个块作为Transformer的输入序列元素。 - 使用相对位置编码，以保持位置信息，这对于图像处理至关重要。 - 前馈网络中使用深度可分离卷积或其他高效操作，以减少参数量和计算量。 - 可能的跨块信息交互机制，如使用交叉注意力或在多个块之间进行特征聚合。 需要注意的是，Restormer可能针对图像恢复任务进行了优化，例如通过多阶段处理，逐步细化特征，或在不同的网络阶段调整块的大小和注意力机制的应用范围。例如，在浅层使用局部注意力，深层使用全局注意力，以兼顾细节和整体结构。 总结来说，Restormer的块特征提取原理可能包括分块处理、高效自注意力机制设计、局部与全局特征融合，以及结合卷积操作增强局部特征。具体实现可能涉及分块后的自注意力计算、位置编码、多尺度分组注意力等策略，以在降低计算复杂度的同时有效捕捉全局结构信息。</think>### Restormer中的块特征提取实现与原理 Restormer是一种基于Transformer架构的图像恢复模型，其核心设计目标是通过改进自注意力机制和多尺度特征提取来实现高效的全局信息建模[^3]。以下是其块特征提取的关键实现原理： #### 1. **分块多头自注意力（Block-based MSA）** - **分块策略**：将输入特征图划分为不重叠的局部块（如$8 \times 8$），在每个块内独立计算自注意力。这一策略显著降低了计算复杂度，从$O(H^2W^2)$降至$O(N \cdot B^2)$，其中$B$为块大小，$N$为块数量[^2]。 - **跨块信息交互**：通过堆叠多个块处理层，结合跳跃连接（skip connection），逐步融合不同块间的上下文信息，增强全局感知能力。 #### 2. **多尺度特征分组（GMSA）** - **分组多尺度机制**：将特征通道分组，每组分配不同窗口大小的注意力范围（如$4 \times 4$和$8 \times 8$）。例如，特征分组公式为： $$F_{\text{group}} = [F_1^{s_1}, F_2^{s_2}, ..., F_k^{s_k}]$$ 其中$s_i$为第$i$组的窗口大小，通过并行计算实现多尺度特征融合[^2]。 - **共享注意力加速**：在连续GMSA模块中复用部分注意力权重，减少重复计算，提升效率。 #### 3. **局部-全局特征融合** - **Shift-Conv增强局部性**：在自注意力前插入移位卷积（Shift-Conv），通过特征通道的循环位移扩大感受野。例如，对输入特征$X$进行移位操作： $$X_{\text{shift}} = \text{Shift}(X, \Delta x, \Delta y)$$ 再通过$1 \times 1$卷积提取局部结构信息，复杂度与标准卷积相同但效果更优[^2]。 - **残差学习结构**：每个块由“Shift-Conv + GMSA + FFN”构成，通过残差连接保留低频信息，公式为： $$X_{\text{out}} = X_{\text{in}} + \text{FFN}(\text{GMSA}(\text{Shift-Conv}(X_{\text{in}})))$$ #### 4. **动态参数调整** - **退化感知调制**：通过超网络动态生成块内的权重参数，使模型根据输入退化类型（如噪声、模糊）自适应调整特征提取策略[^1]。例如，生成缩放因子$\gamma$和偏置$\beta$： $$\gamma, \beta = \text{HyperNet}(F_{\text{weather}})$$ 用于调整卷积或注意力层的输出。 #### 代码片段示意（简化版） ```python class RestormerBlock(nn.Module): def __init__(self, dim, num_heads, window_size=8): super().__init__() # Shift-Conv局部特征增强 self.shift_conv = ShiftConv(dim) # 分组多尺度自注意力 self.gmsa = GMSA(dim, num_heads, window_sizes=[4,8]) # 前馈网络（含深度卷积） self.ffn = FFN(dim) def forward(self, x): x = x + self.shift_conv(x) # 残差连接 x = x + self.gmsa(x) # 多尺度注意力 x = x + self.ffn(x) # 特征细化 return x ``` ### 总结 Restormer通过分块自注意力降低计算复杂度，结合Shift-Conv增强局部特征，利用多尺度分组策略平衡感受野与灵活性，并通过动态调制实现退化感知的恢复能力。这种设计在DAF-Net中被用于提取全局结构，同时避免了细节信息的过度平滑。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Shanfenglan7

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值