Samba漏洞CVE-2017-7494又被用于开矿 EternalMiner正在传播门罗币挖矿程序CPUminer

简介:

在去年9月,安全加报道过 门罗币XMR挖矿恶意软件Mal/Miner-C出现 。昨天卡巴斯基安全专家确认,门罗币再次现身,这次攻击发起方开始利用CVE-2017-7494漏洞SambaCry传播 门罗币 挖矿程序CPUminer,独立安全研究人员Omri Ben Bassat‏同样观察到了这次攻击,并将其命名为“EternalMiner”。

Samba漏洞CVE-2017-7494 SambaCry

5月底, Samba开发项目组修补了一为时7年的远程代码执行(RCE)漏洞 ,该漏洞影响Samba软件3.5.0及之后所有版本。攻击者可利用这个RCE漏洞上传共享库至可写共享,在服务器上加载并执行。利用这个名为SambaCry的漏洞,远程黑客可完全控制有漏洞的Linux和UNIX系统。

SambaCry易于利用,只要满足下列条件,便可发动攻击:

  • 开放文件与打印共享端口445,使任何人均可从互联网上访问该端口;
  • 为共享文件配置写权限;
  • 使用已知或可猜测的服务器路径保存这些文件。

满足上述条件后,远程攻击者便可上传任意代码至服务器并运行,针对个别有漏洞的平台,可能还会获得不受限制的root权限。 Samba 发布的安全通告中称,

“ Samba 3.5.0 及之后所有版本包含远程代码执行漏洞,恶意客户端可上传共享库至可写共享,并在服务器上加载和运行。 

Samba漏洞CVE-2017-7494缓解措施

Samba发布的通告中还提供了修补该RCE漏洞(CVE-2017-7494)的补丁,用户可从如下网址获得:

http://www.samba.org/samba/security/

系统管理员须使用该补丁尽快修补受影响版本,若因各种原因无法及时修补,可在Samba配置文件中添加如下代码:

nt pipe support = no

并重启网络的SMB守护进程进行规避。更改配置后会限制客户端访问部分网络计算机。

“ 此外 , 发布了 Samba 4.6.4 、 4.5.10 和 4.4.14 安全版本修补该漏洞。 Samba 老版本补丁可从 http://samba.org/samba/patches/ 获取。建议使用受影响版本Samba的厂商与管理员尽快升级系统,应用补丁。 

Samba漏洞被利用安装门罗币挖矿程序CPUminer

本文所述Samba漏洞似乎属于网络蠕虫,可被恶意代码利用在有漏洞的机器间进行自我复制,而无需用户互动。SambaCry最初被发现时,互联网上有接近485,000台计算机运行Samba。安全研究人员推测,和WannaCry攻击一样,利用SambaCry漏洞的网络攻击正急剧上升。

卡巴斯基实验室研究人员布置蜜罐用来检测实际发生的SambaCry攻击。专家已发现有恶意软件攻击正利用SambaCry漏洞感染Linux系统,安装加密货币挖矿程序。 卡巴斯基报称 

“ 月 30 日 , 我司蜜罐捕捉到了利用该特定漏洞的第一次攻击 , 攻击报文与 ‘ 永恒之蓝 ’ 和 ‘Wannacry’ 木马加密攻击完全不同。让人意外的是,这是一款加密货币挖矿程序!”

独立安全研究人员Omri Ben Bassat‏同样观察到了这次攻击,并将其命名为“EternalMiner”。这位专家确认,攻击发起方在SambaCry漏洞发现一周后便开始利用漏洞劫持Linux计算机,安装升级后的 门罗币 挖矿程序CPUminer。

在利用SambaCry漏洞入侵Linux机器后,攻击者可在目标系统中执行两种数据:

  • INAebsGB.so — 远程攻击者访问目标系统所使用的简单反向Shell
  • cblRWuoCc.so — 包含加密货币挖矿程序CPUminer的后门

详细的技术分析,见这里

https://securelist.com/78674/sambacry-is-coming/

挖门罗币的攻击者越来越多

卡巴斯基研究人员表示 

“ 被攻击机器变成了大农场上的主要劳动力 , 为攻击者挖掘加密货币。此外,通过系统中留下的反向Shell,攻击者可更改已运行挖矿程序的配置或用其他类型的恶意软件感染受害者计算机。 

根据卡巴斯基所说,攻击发起方已获得98门罗币,按当前汇率,相当于5380美元。专家相信,随着越来越多的Linux系统被入侵,犯罪分子会获得更多的非法收入。 研究人员称 

“ 挖矿程序是从 2017 年 月 29 日注册的域中下载的。根据交易记录,攻击者仅在第二天,即4月30日,就收到了第一笔加密货币付款。第一天,他们获取了约1门罗币(根据2017年6月8日汇率,约为55美元),

但是在上周,他们平均每天可挣约5门罗币。这说明有越来越多的僵尸机加入,为攻击者赚取利润。 



原文发布时间: 2017年6月12日
本文由:securityaffairs 发布,版权归属于原作者
原文链接:http://toutiao.secjia.com/sambacry-eternalminer
本文来自云栖社区合作伙伴安全加,了解相关信息可以关注安全加网站
相关文章
|
jenkins 持续交付 开发工具
Jenkins-pipline流水线语法介绍并结合Blue Ocean查看流水线(十四)
jenkins集成pipeline流水线 1.pipeline概述 pipeline流水线,可以直观的展示每个阶段做的任务,以及每个阶段耗费的时间。 pipeline不在使用鼠标来实现自动构建,也不要去看控制台日志,而是全程使用代码的方式来实现,构建完成后会展示一个视图,用来展示每个阶段完成的情况
882 0
Jenkins-pipline流水线语法介绍并结合Blue Ocean查看流水线(十四)
|
Java API 开发工具
得物开放平台接入得物SDK
得物开放平台、得物SDK、得物PUSH、获取订单、虚拟发货
2067 1
 得物开放平台接入得物SDK
|
自然语言处理 安全 数据挖掘
大语言模型在假新闻的检测
大语言模型在假新闻检测应用中发挥重要作用。通过学习大量语言数据和模式,模型可以理解文本的语义和上下文信息,判断其真实性。模型通过监督学习训练,提取特征并预测新闻真实性。结合其他技术手段和人工审核,可以提高准确性和可信度。假新闻检测的过程包括数据准备、特征提取、模型训练和实际应用。模型在谣言检测中也有类似应用。
1175 0
|
JavaScript 前端开发
VUE3(三十六)压缩base64格式图片
VUE3(三十六)压缩base64格式图片
1064 0
|
存储 物联网 数据管理
使用Apache IoTDB进行IoT相关开发的架构设计与功能实现(12)
现在到了使用Apache IoTDB进行IoT相关开发的架构设计与功能实现的最后一个环境,在本文中我将向大家介绍IoTDB的查询语言。IoTDB为咱们广大开发者提供了类似SQL的查询语言,用于与IoTDB进行交互,查询语言可以分为4个主要部分:架构语句、数据管理语句、数据库管理语句、功能。
683 0
|
SQL 关系型数据库 MySQL
MySQL技能完整学习列表3、SQL语言基础——1、SQL(Structured Query Language)简介——2、基本SQL语句:SELECT、INSERT、UPDATE、DELETE
MySQL技能完整学习列表3、SQL语言基础——1、SQL(Structured Query Language)简介——2、基本SQL语句:SELECT、INSERT、UPDATE、DELETE
532 0
|
9月前
|
消息中间件 弹性计算 关系型数据库
阿里云服务器2核8G、4核16G、8核32G配置ECS实例规格族和选型指南
阿里云2核8G、4核16G、8核32G配置推荐选用r系列(内存型)或g系列(通用型)企业级独享实例,vCPU与内存比为1:4。r系列适合Redis、内存数据库等高内存需求场景;g系列适用于Java Web、MySQL等均衡型应用。同规格族内,核数越高,网络PPS、IOPS性能越强。新购建议选新一代r8i/g8i,性能提升显著;成本敏感可选r7/g7。避免用2核8G部署重负载数据库,高并发Kafka场景优选c系列。具体配置与活动价格详见阿里云官网。
860 1
|
数据采集 Web App开发 测试技术
使用Selenium与WebDriver实现跨浏览器自动化数据抓取
在网络爬虫领域,Selenium与WebDriver是实现跨浏览器自动化数据抓取的利器。本文详细介绍了如何利用Selenium和WebDriver结合代理IP技术提升数据抓取的稳定性和效率。通过设置user-agent和cookie来模拟真实用户行为,避免被网站检测和阻止。文章提供了具体的代码示例,展示了如何配置代理IP、设置user-agent和cookie,并实现了跨浏览器的数据抓取。合理的参数配置能有效减少爬虫被封禁的风险,提高数据抓取效率。
1597 6
使用Selenium与WebDriver实现跨浏览器自动化数据抓取
|
机器学习/深度学习 人工智能 自然语言处理
还是原装Transformer好!北大清华团队同时揭示Mamba等推理短板
北京大学和清华大学的研究团队分别发表论文,探讨了高效Transformer模型如Sparse Transformer和Linear Transformer在推理能力和上下文检索上的局限性,强调了原装Transformer在处理复杂任务上的优势。研究显示,尽管高效模型提升了计算效率,但在某些任务上,如动态规划问题和算法问题,以及上下文信息的精准提取方面,仍不及原装Transformer。这突显了原装Transformer在复杂推理任务中的不可替代性及其架构的灵活性和可扩展性。同时,研究也为未来高效Transformer的优化提供了方向。
441 4
|
机器学习/深度学习 数据可视化 Python
python逻辑回归预测之信用卡逾期实战(附源码)
python逻辑回归预测之信用卡逾期实战(附源码)
1164 0
python逻辑回归预测之信用卡逾期实战(附源码)

热门文章

最新文章