<p align="center"><img src="https://assets.kitploit.com/production/public/readmes/50019/502beed5defd8b7d32991f173f6339e3214eb604968886518cd026cc2e4d3ee5.png" alt="NoiseHound" width="600"></p>
<h1 align="center">NoiseHound</h1>
<p align="center">
<a href="https://pypi.org/project/noisehound/"><img src="https://img.shields.io/pypi/v/noisehound" alt="PyPI"></a>
<a href="https://github.com/warpedatom/NoiseHound/releases"><img src="https://img.shields.io/github/v/release/warpedatom/NoiseHound" alt="Release"></a>
<a href="https://github.com/warpedatom/noisehound/blob/main/LICENSE"><img src="https://img.shields.io/github/license/warpedatom/NoiseHound" alt="License"></a>
<img src="https://img.shields.io/badge/python-3.10+-3776AB?logo=python&logoColor=white" alt="Python 3.10+">
<a href="https://github.com/warpedatom/NoiseHound/actions/workflows/ci.yml"><img src="https://img.shields.io/github/actions/workflow/status/warpedatom/NoiseHound/ci.yml?branch=main&label=CI" alt="CI"></a>
<a href="https://github.com/warpedatom/noisehound/blob/main/SECURITY.md"><img src="https://img.shields.io/badge/Security-Policy-green" alt="Security policy"></a>
<a href="https://x.com/warped_atom"><img src="https://img.shields.io/badge/X-@warped__atom-000000?logo=x&logoColor=white" alt="X (Twitter): @warped_atom"></a>
</p>
**感知检测的 Active Directory 攻击路径评分。**
_DreadHost Research | 与 OffsetInspect(PowerShell)和 OffsetScan(Rust)配套_
BloodHound(以及在其之上构建的 PlumHound)能找到通往目标的*某条*路径。
NoiseHound 摄取相同的图数据,并按**预期检测成本**而非跳数对路径重新排序,因此操作员可以问“通往 Domain Admin 最安静的方式是什么”,而不只是“有什么方式”。
> **初次接触?[操作员演练](https://github.com/warpedatom/noisehound/blob/main/docs/WALKTHROUGH.md)是了解本工具功能的最快途径**——一份动手实践、以截图驱动的导览,从安装到实时 BloodHound CE 概念验证(评分写回 UI)、DeadAir 引擎,以及蓝队检测缺口报告。
> **项目状态(v1.2.0):** 稳定,并已在多个域的真实 BloodHound 数据上测试。**77 条语料边中有 37 条经过实验室实测**,覆盖五个本地检测层级(Windows 审计、Defender for Endpoint、Elastic SIEM、Defender for Identity 运行时警报和 WDAC 审计),外加一个实测的 Azure/Entra 层级——以六个即用型配置文件形式随附于 [`profiles/`](https://github.com/warpedatom/noisehound/blob/main/profiles),并有闭环证明表明它们会改变路径排名([`docs/VALIDATION.md`](https://github.com/warpedatom/noisehound/blob/main/docs/VALIDATION.md))。
> 语料包含 13 条 **Azure/Entra** 边([`docs/AZURE.md`](https://github.com/warpedatom/noisehound/blob/main/docs/AZURE.md)),可直接从 AzureHound 输出摄取。
> 未实测的本地边和所有 Azure 边带有**专家估算**;校准工具(`noisehound-calibrate`)正是用来实测它们以及你自己环境的方式。请将未校准的排名视为有充分依据的指导,而非基准事实。
> 仅限授权参与使用。本工具针对你已获得书面许可测试的系统,为 OPSEC 规划对攻击路径进行评分。
> NoiseHound 是一个独立的社区项目。它与 SpecterOps 或 BloodHound 项目无关联、未获其背书,也不与其相关;它使用 BloodHound 的开放数据格式。
---
## 工作原理
1. **摄取** BloodHound CE 导出文件(`.zip`)、原始 JSON 文件或包含多个导出文件的目录,将其载入内部图。也接受规范化的 `{nodes, edges}` JSON 格式,用于离线分析和测试。AD CS **ESC1-8** 提权边会在加载时根据 BloodHound 收集的证书模板和 CA 事实合成(见下文)。
2. **标注**来自边遥测语料库的每条边,附加一个 `effective_noise_score`(0-100)。当多个权限连接同一对节点时,选择最安静的那个。语料库中不存在的边类型默认采用保守分数(60),以便在信息缺失时安全失败,而不是低报。可选的**环境配置文件**会根据目标声明的检测态势调整分数(见下文)。
3. **求解**最安静的路径。由于路径分数是瓶颈值加均值(而非简单求和),无法直接用 Dijkstra 优化。求解器结合了*阈值扫描*(对每个不同的噪声水平,找出保持在该水平以下的最安静路线)与有界的按权重 k-最短路径遍历,然后按真实路径分数对并集重新排序。阈值扫描是正确性兜底:它能发现一条长但整体安静的路径,而纯按权重求和的搜索会将其排在一条短但嘈杂的路径之后。
4. **报告**为文本、JSON(可与 OffsetInspect 结果 schema 互操作),或与工具集风格一致的自包含 HTML 报告。
### 路径评分
路径噪声刻意**不**采用简单求和。两次触发同一检测并不等于两倍响亮(SOC 分诊,而非原始事件计数)。NoiseHound 使用:
```
path_score = max(edge_scores) * 0.6 + mean(edge_scores) * 0.4
```
这种权重偏向于最响亮的单一步骤(一个糟糕的步骤往往会毁掉整个操作),同时仍然考虑累积暴露。权重是可配置的(`--max-weight` / `--mean-weight`),因此一旦从 APT29/Caldera 实验室获得真实检测数据,就可以根据经验进行调整。
每条路径还会报告一个**检测概率**——即触发相关告警的几率——它混合了最响亮的边与所有边的累积 noisy-OR(由 `--correlation` 调整)。它回答的问题与噪声评分不同:一条短但响亮的路径,其被捕获的总体概率可能*低于*一条长但安静的路径。使用 `--rank-by probability` 按此排序。
### 双层引擎(DeadAir)
对于大型图,求解会被分派给 [DeadAir](https://github.com/warpedatom/DeadAir),这是一个配套的 Rust 引擎(OffsetScan-to-OffsetInspect 层)。NoiseHound 仍然是功能丰富的前端——摄取、语料库、环境/Sigma、约束、报告——并将准备好的图交给求解它的任一引擎,因此无论哪种方式结果都相同。
- `--engine auto`(默认):当找到 DeadAir 二进制文件*且*图很大(>= 5000 个节点)时使用 DeadAir;否则使用内置的 Python 求解器。
- `--engine python`:强制使用内置求解器(无需二进制文件)。
- `--engine rust`:强制使用 DeadAir(如果二进制文件缺失则报错)。
DeadAir 的查找顺序为 `$NOISEHOUND_DEADAIR`、`PATH`,然后是同级 `../deadair/target/{release,debug}/` 构建。它在大型图上快 10-100 倍(25 万节点的图在 Python 中求解约需 30 秒,而它约需 2 秒),同时产生字节完全相同的排名。输出会记录运行的是哪个引擎。
### 多目标与约束路径规划
噪声、跳数和检测概率会朝不同方向拉扯,因此 `--pareto` 返回**帕累托前沿**——即所有在三个指标上都不被其他路径同时击败的路径——而不是强行选出单一赢家。而真实操作存在约束:`--avoid NODE` 使路径避开特定主机(受 EDR 监控的跳板机、蜜罐),`--avoid-edge TYPE` 拒绝某种技术(例如 `--avoid-edge DCSync`)。两者都可重复使用,并会即时重新求解。
```bash
python -m noisehound -i export.zip -s jdoe -o "Domain Admins" --pareto
python -m noisehound -i export.zip -s jdoe -o "Domain Admins" --avoid FILESERVER01 --avoid-edge HasSession
```
## NoiseHound 对比
加权 BloodHound 路径查找并非新事物,因此这里给出诚实的定位:
- **BloodHound / BloodHound CE** 通过无权跳数找到*一条*路径。没有噪声模型。
- **GoodHound** 分配边成本并找到最便宜的路径,但其成本模型是漏洞利用难度和业务风险,而非检测噪声。
- **PlumHound / ImproHound** 进行报告和层级违规分析;两者都不会重新求解通往目标的最安静路径。
- **检测映射**(Sigma、DeTT&CT、事件 ID 到 ATT&CK 的引用)内容丰富但面向人类,且未与 BloodHound 边类型关联。
NoiseHound 的贡献在于组合:一个机器可读的 BloodHound 边到检测遥测语料库、一个以操作员 OPSEC(“通往 DA 的最安静方式”)为框架的噪声加权重新求解、一个适应目标声明姿态的环境模型,以及一个将实验室检测转化为实测分数的校准循环。图数学是通用商品;语料库和框架才是重点。其价值仅与语料库一样好,这就是为什么校准和社区贡献是一等公民——见下文。
## 安装
```bash
cd NoiseHound
python -m pip install -r requirements.txt # networkx>=3.0
# optional editable install to get the `noisehound` command on PATH:
python -m pip install -e .
```
需要 Python 3.10+。
## 用法
```bash
# Text summary (default)
python -m noisehound --input export.zip --objective "Domain Admins" --source jdoe
# JSON, for downstream tooling / correlation across the DreadHost suite
python -m noisehound -i export.zip -o "Domain Admins" -s jdoe -f json --out paths.json
# Self-contained HTML report
python -m noisehound -i export.zip -o "Domain Admins" -s jdoe -f html --out report.html
```
首先,对你的导出数据做一次解析器健全性检查(直方图 + 语料覆盖率,不进行路径分析)——这是在真实数据上验证 NoiseHound 最快的方式:
```bash
noisehound-inspect -i export.zip
```
### 实时 BloodHound CE / Neo4j
无需使用 zip 文件,只需将 `--input` 指向 BloodHound CE 所填充的 Neo4j 数据库,NoiseHound 便会通过 Bolt 直接读取(已完成分析的)图:
```bash
pip install 'noisehound[neo4j]'
export NEO4J_PASSWORD=bloodhoundcommunityedition # match your BHCE compose
noisehound-inspect -i bolt://localhost:7687
python -m noisehound -i bolt://localhost:7687 -s jdoe -o "Domain Admins"
```
使用官方 compose 启动 BloodHound CE(在 7687 端口捆绑 Neo4j):
`curl -L https://ghst.ly/getbhce | docker compose -f - up`。
针对捆绑的示例进行尝试:
```bash
python -m noisehound -i samples/sample_graph.json -s jdoe -o "Domain Admins" -d CONTOSO.LOCAL
python -m noisehound -i samples/sample_bloodhound_ce.zip -s jdoe -o "Domain Admins"
python -m noisehound -i samples/sample_adcs_ce.zip -s jdoe -o "Domain Admins" # ADCS ESC1
# Full-spectrum export exercising every edge family (sessions, delegation, DCSync, ADCS, trusts):
python -m noisehound -i samples/sample_fullspectrum_ce.zip -s ALICE -o "Domain Admins" -d CONTOSO.LOCAL -k 3
```
最后那个例子最能说明这一论点:通往 Domain Admins 的最安静路径是 4 跳的会话路径,其排名*高于* 3 跳的 RDP 路径和 1 跳的 ADCS ESC1——跳数最多,噪声最小。
该示例展示了核心价值:最安静的路径是一条 4 跳的会话路径(得分 19.9),其排名*高于*一条 2 跳的 ForceChangePassword 捷径(36.4)。跳数更少并不意味着更安静。
### 蓝队检测缺口模式
最安静的路径正是检测最薄弱之处,因此添加 `--defensive` 可将输出切换为面向防御者的视角:它会标记出那些仅因遥测关闭或缺失才显得安静的边,将每条边映射到本可捕获它的控制措施,并按这些控制措施对最安静路径得分的提升幅度进行排序。
```bash
python -m noisehound -i export.zip -s jdoe -o "Domain Admins" --defensive
```
在全谱样本上,它发现通往 Domain Admins 的最安静路径取决于未被检测到的 LSASS 访问(`HasSession`,若被监控则从 20 升至 65),并建议部署 Sysmon Event 10——仅弥补这一处缺口就能将最安静路径的评分从 19.9 提升至 48.4。关于这一点以及模型其余部分的未来方向,请参阅 [`docs/ROADMAP.md`](https://github.com/warpedatom/noisehound/blob/main/docs/ROADMAP.md)。
### 关键选项
| 选项 | 含义 |
|--------|---------|
| `--input, -i` | BloodHound `.zip`、`.json` 或导出目录 |
| `--source, -s` | 起始主体(`jdoe` 或对象 id) |
| `--objective, -o` | 目标节点(`Domain Admins` 或对象 id) |
| `--paths, -k` | 返回的最安静路径数量(默认 5) |
| `--format, -f` | `text`(默认)、`json` 或 `html` |
| `--defensive` | 蓝队视角:最安静路径上的检测缺口 + 修复建议 |
| `--rank-by` | `noise`(默认)或 `probability`(关联告警的概率 P) |
| `--correlation` | SOC 关联系数,用于计算 P(detected),取值 0..1(默认 0.5) |
| `--pareto` | 返回基于 noise/hops/P(detect) 的帕累托前沿 |
| `--engine` | `auto`(默认)、`python` 或 `rust`(DeadAir 引擎) |
| `--avoid NODE` | 从所有路径中排除某个节点(可重复) |
| `--avoid-edge TYPE` | 从所有路径中排除某种边类型(可重复) |
| `--corpus` | 覆盖边映射语料库目录 |
| `--environment, -e` | 操作员声明的目标态势 JSON(调整评分) |
| `--max-weight` / `--mean-weight` | 评分权重(总和必须为 1.0) |
| `--default-noise` | 语料库中缺失的边类型的评分(默认 60) |
---
## 环境配置文件
静态语料库评分无法得知某个目标是否启用了 4662 对象审计、是否部署了 Sysmon,或是否运行了像 MDI 这样的 ITDR——然而这些因素会极大地改变一条边的真实噪声水平(在没有 4662 审计时,DCSync 几乎无声;而启用后则几乎必然被检测到)。与其假装一个数字适用于所有环境,不如在一个小型 JSON 文件中声明目标态势,NoiseHound 会依据语料库自身的遥测标注透明地调整评分:
```json
{
"name": "CONTOSO.LOCAL-prod",
"object_auditing_4662": true,
"ds_change_auditing_5136": false,
"edr": "MDI",
"sysmon": true,
"powershell_logging_4104": true,
"adjustments": { "HasSession": 65 }
}
```
调整只会将分数*提升*至由所声明姿态所隐含的检测下限。`adjustments` 是每条边的硬性覆盖值——用于记录你已针对自己的实验环境校准过的数值。这些值由操作员提供,而非实测所得;它不能替代第 2 阶段的实时验证,但它能将静态语料库从“适用于所有环境的一个数字”转变为“适用于你实际所处环境的那个数字”。在捆绑的样本上,声明上述配置文件会将最安静的路径从 LSASS 转储会话路径翻转为目录写入路径——一旦主机遥测上线,这便是正确的判断。
```bash
python -m noisehound -i samples/sample_graph.json -s jdoe -o "Domain Admins" \
-e samples/env_profile.example.json
```
评分优先级:`static -> environment-adjusted -> live (Phase 2)`。
---
## 校准工具
环境配置文件的好坏取决于你填入其中的数字。
`noisehound-calibrate` 闭合了这一循环:在检测实验室中运行这些技术,记录触发了什么,然后它输出一个经过校准的环境配置文件。
**这项工作已经完成。** [`profiles/`](https://github.com/warpedatom/noisehound/blob/main/profiles) 提供了六个实测配置文件,来自一个真实的 Hyper-V Vulnerable-AD 靶场和一个实验室 Azure 租户——包括 audit、EDR(Defender for Endpoint)、Elastic SIEM、Defender for Identity 和 WDAC 层级,外加一个实测的 Azure/Entra 层级,共 37 条边——由自动化工具(`lab/`)和本工具生成。可直接使用它们,或测量你自己的环境:
```bash
# Use a shipped measured profile:
noisehound -i export.zip -s jdoe -o "Domain Admins" -e profiles/vulnad-hyperv-audit.json
# Or measure your own lab:
# 1. noisehound-calibrate --plan -o plan.json (per-edge detection events)
# 2. lab/Invoke-NoiseHoundCalibration.ps1 (run + auto-count -> lab_detections.json)
noisehound-calibrate -i lab_detections.json -o env.calibrated.json
noisehound -i export.zip -s jdoe -o "Domain Admins" -e env.calibrated.json
```
评分模型是一种收缩估计器,对样本量保持诚实:
```
p = detections / runs (detection probability)
lab_score = p * severity_loudness + (1 - p) * residual
w = runs / (runs + smoothing) (confidence in the lab)
calibrated = w * lab_score + (1 - w) * corpus_static
```
`lab_score` 是预期的检测成本——触发时对应 SOC 严重级别,未触发时则是一个很小的残余值。权重 `w` 可防止单次运行覆盖整个语料库,同时让采样充分的结果占据主导。在示例中,HasSession 从静态的 20 上升到 52(实验在 5 次运行中有 4 次捕获了 LSASS 转储),而 Kerberoast 从 60 下降到 34(它从未触发)。使用 `--merge existing.json` 可将新的校准叠加到某个配置文件上,同时保留其态势标志,并使用 `--smoothing` / `--residual` 来调整模型。
---
## 针对已部署的检测进行评分(Sigma)
环境配置文件和校准都是自行声明的。`noisehound-sigma` 则针对防御者*实际编写*的检测进行评分:将它指向一个 Sigma 规则集,它会计算出每条规则会触发哪些语料库边(匹配该边的遥测事件 ID 和 ATT&CK 技术),然后输出一个环境配置文件,提升被覆盖的边——可直接替代 `--environment`。
```bash
noisehound-sigma -r ./sigma-rules/ -o env.sigma.json
python -m noisehound -i export.zip -s jdoe -o "Domain Admins" -e env.sigma.json --defensive
```
对于身份层级,**`noisehound-mdi`** 针对 Microsoft Defender for Identity 的内置检测执行同样的操作——它将 MDI 的运行时警报(以及在使用 `--include-posture` 时的 ISPM 评估)映射到语料库边,并生成身份层级画像。MDI 与工具无关,因此无论攻击者使用何种工具,其覆盖范围都成立。
```bash
noisehound-mdi -o env.mdi.json # + coverage report (which edges MDI watches, and the gaps)
```
对于 **Azure/Entra** 边,**`noisehound-entra`** 以衡量本地层级的方式来衡量云层级:在实验租户中触发 `AZ*` 滥用行为,导出 Entra 的 `directoryAudits` 审计轨迹,然后统计实际记录到校准配置文件(`docs/AZURE_CALIBRATION.md`)中的内容。
```bash
noisehound-entra -a directoryAudits.json -m entra_runs.json --profile-out profiles/lab-tenant-azure.json
```
匹配过程刻意保持保守,因此绝不会掩盖缺口:一条规则只有在引用了该边所生成的事件 ID,*并且*(当规则带有 ATT&CK 标签时)其技术也一致时,才会被计入——因此,一条 DS-Access (4662) DCSync 规则不会被错误地算作覆盖了仅仅共享该事件 ID 的 LAPS 读取。报告既列出了你的规则覆盖了什么,也更有用地列出了没有任何规则覆盖的攻击边。结合 `--defensive`,这回答了“鉴于我已部署的检测,我最安静的哪条攻击路径仍然不可见?”
### 实时 Elastic Security 清单
`noisehound-elastic` 针对**当前实际启用**的检测(位于正在运行的 Elastic Security 栈中)回答同一个问题,而不是磁盘上的规则。它通过 Kibana 的只读 `_find` API(或离线导出)读取检测引擎,映射每条已启用规则的 ATT&CK 技术及其查询中的任何 Windows 事件代码,并输出相同的 `--environment` 覆盖概况。
```bash
export KIBANA_URL=https://kibana:5601 KIBANA_API_KEY=<base64 ApiKey>
noisehound-elastic -o env.elastic.json # live, read-only
noisehound-elastic --rules-json rules_find.json -o env.elastic.json # offline export
python -m noisehound -i export.zip -s jdoe -o "Domain Admins" -e env.elastic.json --defensive
```
它在加载时复用 Sigma 匹配器,并新增一个仅针对技术的层级(标记为 `[technique]`,评分较低),用于那些从不指明事件代码的行为型 KQL/EQL 规则。已禁用的规则会被忽略。接下来对 Splunk / Sentinel / MDI 采用相同的先规范化再评分模式。
---
## AD CS ESC1-8
在加载时,NoiseHound 会执行 BloodHound ADCS 后处理的一个精简版本,从保留的模板/CA 事实中合成提权边。对易受攻击模板的 `Enroll` 权限会变成从主体到域 Domain Admins 组(RID 512)的直接 `ADCSESCn` 边,因此证书提权可以像其他任何边一样被寻路和评分:
| 边 | 条件 |
|------|-----------|
| `ADCSESC1` | 注册者提供主体 + 客户端认证 EKU,无审批/RA 签名 |
| `ADCSESC2` | Any-Purpose / SubCA EKU,无审批 |
| `ADCSESC3` | 注册代理模板 + 同一 CA 上的认证模板 |
| `ADCSESC4` | 对已发布模板的危险写入控制 |
| `ADCSESC5` | 对 CA 对象或其宿主计算机的控制 |
| `ADCSESC6` | CA 设置了 `EDITF_ATTRIBUTESUBJECTALTNAME2` |
| `ADCSESC7` | 对 CA 的 `ManageCA` / `ManageCertificates` |
| `ADCSESC8` | 易受攻击的 HTTP Web 注册端点(强制认证 + NTLM 中继) |
试一试:`python -m noisehound -i samples/sample_adcs_ce.zip -s jdoe -o "Domain Admins"`。
已记录的简化(它们会安全失败,倾向于显示更多路径):未对 CA 级注册限制建模(模板注册被视为充分);ESC5 涵盖 CA 对象及其主机,而非每个 PKI 容器;ESC9/10/13 不在范围内。后处理导出中已存在的合成 ESC 边会被保留。
---
## 语料库(`edge_mappings/`)
边遥测语料库是本工具真正的核心资产;代码相对而言只是在其之上进行的简单图计算。每个 `edge_mappings/<Edge>.json` 将一种 BloodHound 边类型映射到其检测面:
- 预期的遥测来源(Windows 安全事件 ID、Sysmon 事件 ID、网络、EDR/ITDR 启发式),包含各来源的可靠性以及相关审计是否默认开启
- 静态噪声评分(0-100)
- MITRE 技术、前置权限、常见滥用原语以及备注
```json
{
"edge_type": "DCSync",
"static_noise_score": 85,
"telemetry": [
{"source": "windows_security", "event_id": 4662,
"detail": "Directory Service Access - requires object auditing (default OFF)",
"reliability": "high_if_auditing_enabled", "default_enabled": false},
{"source": "edr_heuristic", "product_class": "MDI",
"detail": "Non-DC hosts issuing DRSGetNCChanges - high fidelity",
"reliability": "high"}
],
"mitre_technique": "T1003.006",
"notes": "Assumes default audit policy (mostly OFF) but high EDR/MDI coverage."
}
```
扩展语料库是大部分持续工作应投入的方向。添加一个新的 JSON 文件,保持 schema 不变(在加载时进行校验),它就会被自动识别。v0.3 附带 43 种边类型,涵盖 ACL 滥用、Kerberos、委派、ADCS ESC1-8、LAPS/gMSA、GPO、信任以及访问权限边,这些对路径查找至关重要。
评分初始值来自 DreadHost Red Team Operator Playbook 噪声矩阵(Windows/Sysmon 事件映射、技术噪声评级)以及标准 AD 检测事实。请根据你自己的实验环境检测数据对其进行调整。
---
## 路线图
- **Azure / Entra ID 覆盖(基础已交付,持续扩展)。** 现已附带 13 条 `AZ*` 攻击路径边,并带有 Entra 原生检测遥测——参见 [`docs/AZURE.md`](https://github.com/warpedatom/noisehound/blob/main/docs/AZURE.md)。通过 AzureHound 收集到 BloodHound CE 的 Azure 数据目前即可评分(`noisehound -o "Global Administrator"`),AzureHound 原生摄取以及经过实测的 Azure/Entra 校准层级(`noisehound-entra`、`profiles/lab-tenant-azure.json`)现在也已交付。下一步:Entra 态势配置文件(MDCA / ID Protection / Sentinel)以及混合边(Entra Connect / PHS-PTA),使 **MDI** 能够跨本地/云边界发挥作用。
- **完成校准——已实测 37/77,持续推进中。** 剩余约 40 条边(强制/中继、ADCS ESC2-13、裸金属上的 CanRDP)、更深入的多环境校准,以及多 EDR 语料库(CrowdStrike/S1 与 MDE 并列),外加逐边工具校准,以拓宽 `--tooling` 轴。
- **ADCS ESC10a/10b/13 合成**(ESC1-9 合成现已交付)。
已交付:Rust 引擎([DeadAir](https://github.com/warpedatom/DeadAir),`--engine` 调度)、实时 Neo4j Bolt 摄取(`--input bolt://...`)、可选的 **`--tooling`** 轴(主机上现成工具 vs 远程/原生;`docs/TOOLING_AXIS.md`)、Phase 2 的 **`--live-scores`** 钩子(实测分数覆盖语料库/环境),以及 **`noisehound-mdi`**(Defender for Identity 覆盖 -> 身份层级配置文件)。剩余的 MDI 工作是受实验环境门控的*运行时告警校准*(`docs/CALIBRATION.md`)。
## 贡献
语料库可由社区扩展,而这正是贡献最重要的地方。添加一条边只需一个 JSON 文件,在加载时和 CI 中进行校验:
```bash
noisehound-validate # schema + consistency checks over the corpus
python -m pytest tests/ -q
```
有关 schema、评分指南和 PR 指导,请参阅 [CONTRIBUTING.md](https://github.com/warpedatom/noisehound/blob/main/CONTRIBUTING.md);有关正式的边 schema,请参阅 [`docs/edge_schema.json`](https://github.com/warpedatom/noisehound/blob/main/docs/edge_schema.json)。
## 针对实验环境进行校准
已测量 30 条边(参见 [`profiles/`](https://github.com/warpedatom/noisehound/blob/main/profiles));其余均为估算值,直到你实际测量它们为止,而且每个环境都不相同。[`docs/CALIBRATION.md`](https://github.com/warpedatom/noisehound/blob/main/docs/CALIBRATION.md) 是一份完整的操作手册:实验拓扑、使语料库中的事件 ID 触发的精确 Windows 审核策略和 Sysmon 配置、逐边演练运行手册、基于 Caldera 的 APT29 真实感层,以及如何将结果编译为校准后的配置文件。从 `noisehound-calibrate --template -o lab_detections.json` 开始。
[`lab/`](https://github.com/warpedatom/noisehound/blob/main/lab) 工具包可自动化检测插桩:`Enable-Telemetry.ps1` 会启用审核策略、脚本块日志记录、DCSync SACL 和 Sysmon;`Collect-Detections.ps1` 会统计在某个时间窗口内触发了哪些检测。它依赖 [GOAD](https://github.com/Orange-Cyberdefense/GOAD) 或 [Vulnerable-AD](https://github.com/WazeHell/vulnerable-AD)(或任何现有的训练实验 AD)来提供易受攻击的域本身,而不是重新实现它们。
## 负责任的使用
NoiseHound 用于经授权的安全测试、紫队演练、检测工程和研究。它读取你已收集的 BloodHound 数据并计算排名;它不会对目标执行任何操作。仅在你拥有明确书面授权的情况下使用它。贡献内容不得包含针对特定目标或真实攻防项目的数据。
## 测试
```bash
python -m pytest tests/ # with pytest
python tests/test_noisehound.py # dependency-light smoke run
```
## 布局
```
noisehound/ engine: schema, corpus, ingest, adcs, annotate, environment,
solver, report, cli, calibrate
edge_mappings/ the telemetry corpus (one JSON per edge type) - the IP
samples/ sample_graph.json, sample_bloodhound_ce.zip, sample_adcs_ce.zip,
sample_fullspectrum_ce.zip, env_profile.example.json,
lab_detections.example.json, sample_report.html
tests/ unit + end-to-end tests
```