Deep Exploit - Fully Automatic Pentest. Часть #2

t.me/webware
Это продолжение статьи о Deep Exploit, инструменте, который, по словам автора, способен значительно упростить пентестеру жизнь, полностью автоматизировав, сканирование хоста и подбор необходимых эксплоитов.
Ссылка на первую часть.

Структура работы Deep Exploit в Интеллектуальном режиме:

Шаг 1. Сканирование портов на тренировочных серверах.

Deep Exploit собирает информацию, такую как тип ОС, номера открытых портов, версия ядра и так далее.

После сканирования портов он выполняет две команды Metasploit (hosts и services) через RPC API.

• Результат выполнения команды – hosts.

Hosts

=====

address mac name os_name os_flavor os_sp purpose info 

------- --- ---- ------- --------- ----- ------- ---- --------

192.168.0.108 00:0c:29:16:3a:ce Linux 2.6.X server

Deep Exploit определяет тип ОС, используя регулярное выражение из результата команды hosts.

В приведенном выше примере Deep Exploit определяет тип ОС как Linux.

• Результат выполнения команды – services.

Services

========

host port proto info

---- ---- ----- ----

192.168.0.108 21 tcp vsftpd 2.3.4

192.168.0.108 22 tcp OpenSSH 4.7p1 Debian 8ubuntu1 protocol 2.0

192.168.0.108 23 tcp Linux telnetd.

Так, же используя регулярные выражения, он добывает информацию об открытых портах и сервисах на них расположенных.

Шаг 2. Обучение.

Deep Exploit учится эксплуатации уязвимостей с помощью использования современной модели машинного обучения под названием A3C.

A3C состоит из множества нейронных сетей.

Нейронные сети берут информацию из тренировочного сервера, собранную на шаге 1, как исходную, и на основе анализа, пытаются подобрать подходящую полезную нагрузку.

A3C применяет ее на тренировочном сервере с помощью Metasploit. В соответствии с результатом, (успехом / неудачей) применения эксплойта, A3C обновляет размер нейронной сети (параметр, относящийся к точности атаки). Выполняя описанную выше обработку (обучение) с комбинацией ввода различных исходных данных, постепенно определяется оптимальная полезная нагрузка для сервера.

Чтобы сократить время обучения, мы выполняем эту обработку в несколько потоков.

В качестве тренировочных серверов рекомендуется, как пример, использовать следующие:

• metasploitable2
• metasploitable3

Шаг 3. Тестирование.

Deep Exploit выполняет эксплойт на тестовом сервере, используя полученный результат из предыдущего шага.

На этом этапе используется точечное применение эксплойта (минимум 1 попытка).

Шаг 4. Пост-эксплуатация.

Если Deep Exploit, успешно применил эксплойт к тестовому серверу, и оказался внутри системы, он тут же, пробует провести атаки на внутренние сервера, если таковые сможет обнаружить.

Шаг 5. Создание отчета.

DeepExploit создает отчет, в котором суммируются уязвимости.

Тип отчета - html.

Режим Грубой Силы:

Шаг 1. Получение названий продуктов/сервисов

Deep Exploit получает эти данные от пользователя, названия разделяются знаком «@».

Пример:

wordpress@joomla@drupal@tikiwiki

Указанное имя продукта должно распознано командой поиска Metasploit.

Шаг 2. Эксплуатация.

Deep Exploit использует эксплоит-модули, информацию о цели, полезные нагрузки Metasploit, соответствующие указанным продуктам, и тщательно проверяет всевозможные их комбинации.

Шаг 3. Пост-эксплуатация.

Если Deep Exploit, успешно применил эксплойт к тестовому серверу, и оказался внутри системы, он тут же, пробует провести атаки на внутренние сервера, если таковые сможет обнаружить.

Шаг 4. Создание отчета.

DeepExploit создает отчет, в котором суммируются уязвимости.

Тип отчета – html.

Anaconda, Keras, TensorFlow.

Для работы Deep Exploit нам необходимо будет наличие нескольких дополнительных инструментов, этому можно было бы посвятить отдельную статью, но я постараюсь уложиться в одну. Более того, нам необходимо будет их подружить и заставить работать вместе.

Итак, как я уже упоминал в начале, я использую систему: Kali Linux 2018.2 Full Update.

Потому, эта инструкция актуальна, я полагаю и для аналогичных ей ОС.

Anaconda: 

Для начала нам необходимо установить Python дистрибутив Anaconda, с первых минут использования, я проникся к нему нежностью, очень крутая штука.

Anaconda — это дистрибутив Python и R вместе с основными библиотеками для анализа данных и пакетным менеджером conda. С помощью последнего удобно устанавливать и удалять пакеты. Также сильным достоинством является установка без компилирования из исходного кода, что значительно ее ускоряет по сравнению с pip.

Conda - менеджер пакетов питона, позволяет устанавливать уже скомпилированные пакеты (может работать и в режиме компиляции пакетов перед установкой). Также Conda - менеджер окружений системы, позволяет создавать окружения с разными версиями чего угодно (библиотеки C, низкоуровневые библиотеки и т.д.).

Conda бывает в двух версиях:

• Анаконда - более 150 предустановленных пакетов (около 3 Гб) + более 250 пакетов, готовых к установке командой conda install package_name
• Миниконда - более 400 пакетов, готовых к установке командой conda install package_name

Скачиваем ее с официального сайта и устанавливаем.

wget https://repo.anaconda.com/archive/Anaconda3-5.2.0-Linux-x86_64.sh
chmod +x Anaconda3-5.2.0-Linux-x86_64.sh
./ Anaconda3-5.2.0-Linux-x86_64.sh

Далее мы соглашаемся с лицензионным соглашением, жмем пару раз Enter и дожидаемся окончания установки.

Теперь важный момент, нам необходимо установить версию python 3.6 как версию по умолчанию, именно ту, что установила Anaconda, перечитываем конфигурационный файл, и убеждаемся, что все работает.

source .bashrc

Если версия Python осталась неизменной, то в .bashrc добавляем переменную окружения:

• #added be Anaconda3 installer
• export PATH=”/root/anaconda3/bin:$PATH”

Tensorflow:

TensorFlow – это нейронная сеть, которая учится решать задачи путем позитивного усиления и обрабатывает данные на различных уровнях (узлах), что помогает находить верный результат.

Открыв исходный код библиотеки машинного обучения TensorFlow, в Google упростили процесс построения и развертывания сложных нейронных сетей. TensorFlow не предоставляет каждому разработчику возможность воспользоваться плодами машинного обучения, но предлагает интерфейсы API для языков Python и C/C++, позволяющие подключаться к программе разработчика.

Установка Tensorflow

Производя установку на Kali Linux, пользователь, возможно, столкнется с такой проблемой:

conda install tensorflow

Это решается установкой вручную всех пакетов и зависимостей, выполняем следующую команду, чтобы получить информацию о необходимых зависимостях и установить их вручную, используя conda:

conda info tensorflow

Нужную нам версию и зависимости я выделил, теперь ставим их поочередно:

conda install _tflow_180_select

После установки всех зависимостей, можно установить сам TensorFlow:

conda install tensorflow

По окончании, проверяем версию и работоспособность:

python -c "import tensorflow; print(tensorflow.__version__)"

Keras:

Keras — открытая нейросетевая библиотека, написанная на языке Python. Она представляет собой надстройку над фреймворками Deeplearning4j, TensorFlow и Theano. Нацелена она на оперативную работу с сетями глубинного обучения, при этом спроектирована так, чтобы быть компактной, модульной и расширяемой.

Keras - устанавливается из файла с зависимостями Deep Exploit, и к этому мы вернемся чуть позже.

Установка Deep Exploit:

git clone https://github.com/13o-bbr-bbq/machine_learning_security
cd machine_learning_security/DeepExploit

Установка зависимостей, TensorFlow можно исключить из файла, закомментировав.

pip install –r requirements.txt

После успешной установки всех зависимостей убедимся в работоспособности Keras и Tensorflow.

И отредактируем файл /etc/proxychains.conf следующим образом:

Настраиваем Keras для работы с TensorFlow, в домашней директории находим папку .keras и правим файл keras.json.

nano keras.json

Следующим этапом будет инициализация базы Metasploit на удаленном сервере (В локальной сети была поднята виртуальная машина с Kali Linux) и запуск msfconsole там же:

msfdb init
msfconsole

Поднимаем там RPC-сервер:

Удалённый вызов процедур, реже Вызов удалённых процедур ( Remote Procedure Call, RPC) — класс технологий, позволяющих компьютерным программам вызывать функции или процедуры в другом адресном пространстве (как правило, на удалённых компьютерах). Обычно реализация RPC-технологии включает в себя два компонента: сетевой протокол для обмена в режиме клиент-сервер и язык сериализации объектов (или структур, для необъектных RPC).

msf> load msgrpc ServerHost=192.168.0.108 ServerPort=55553 User=test Pass=test1234

В папке с Deep Exploit редактируем файл config.ini:

nano config.ini

Меняем, так как показано на скриншоте, это данные удаленного сервера с поднятым Metasploit и RPC, это нужно для успешной связки с Deep Exploit.

На этом подготовка почти закончена, не хватает тренировочного сервера, я взял Metasploitable2 и поднял его в своей локальной сети.

В общем, структура выглядит так:

Запускаем Deep Exploit в тренировочном интеллектуальном режиме против Metasploitable2.

python DeepExploit.py -t 192.168.0.109 -m train

Остается немного подождать, поглядывая на консоль Metasploit на удаленном сервере, где спустя некоторое время начинают появляться результаты:

После, того, как Deep Exploit закончил свою работу, нужно ознакомиться с отчетом, который, он заботливо для нас создал:

Я все-таки надеялся на просмотр отчета в формате html, но видимо это или недоработка, или я что-то упустил из виду при настройке (да, упустил, об этом в следующей статье), но отчеты мне удалось найти только в формате CSV, разбитые на несколько файлов.

Исходная информация от автора находится здесь - 13o-bbr-bbq/machine_learning_security

Там можно найти несколько видео, и инструкцию по работе в режиме Грубой Силы.

Спасибо за внимание. Специально для Codeby.net

Источник codeby.net