二、辅助域控夺取FSMO五大权限

简介:
环境:主控制器:lovelacedc01 windows 2003 R2 X64 Enterprise Endtion EN
           辅助域控:lovelacedc02 windows 2008 R2 X64 Enterprise Endtion EN
这里我们关闭lovelacedc01,制造主控down掉,辅助域控夺取FSMO五大权限的操作
在dc02上查看FSMO五大角色:命令行下输入netdom query fsmo
clip_image002
我们可以看到dc02无法ping通lovelacedc01,下面我们来进行FSMO权限夺取操作
clip_image004
就是敲命令,不知道该怎么敲命令的,输入ntdsutil之后可以敲问号列出以下要操作的命令
1、ntdsutil:
2、roles
3、connections
4、connect to server lovelacedc02 //由于DC01down掉,所以我们就连接到本机
5、quit //连接成功之后 退出server connections 模式
clip_image006
开始进行五大权限的夺取:
Seize naming master
Seize pdc
Seize rid master
Seize schema master
Seize infrastructure master
1、Seize naming master 在弹出的对话框中点击YES
clip_image008
2、Seize pdc
clip_image010
3、Seize rid master
clip_image012
4、Seize schema master
clip_image014
5、Seize infrastructure master
clip_image016
重启机器,再次查看服务器角色
clip_image018


本文转自lovelace521 51CTO博客,原文链接:http://blog.51cto.com/lovelace/903157,如需转载请自行联系原作者
相关文章
|
数据采集 JavaScript 前端开发
从网页中提取结构化数据:Puppeteer和Cheerio的高级技巧
在本文中,我们将介绍两个常用的网页数据抓取工具:Puppeteer和Cheerio。Puppeteer是一个基于Node.js的无头浏览器库,它可以模拟浏览器的行为,如打开网页、点击元素、填写表单等。Cheerio是一个基于jQuery的HTML解析库,它可以方便地从HTML文档中提取数据,如选择器、属性、文本等。我们将结合这两个工具,展示如何从网页中提取结构化数据,并给出一些高级技巧,如使用代理IP、处理动态内容、优化性能等。
580 1
从网页中提取结构化数据:Puppeteer和Cheerio的高级技巧
|
关系型数据库 MySQL Shell
如何使用Docker
如何使用Docker
515 0
|
存储 Java
Java之静态(static)与实例(instance)
Java之静态(static)与实例(instance)
333 5
|
数据安全/隐私保护
收藏,华三交换机V7软件版本升级方法(命令行版)
收藏,华三交换机V7软件版本升级方法(命令行版)
1169 1
|
JavaScript 前端开发 安全
【JavaScript 】DOM操作快速入门
【JavaScript 】DOM操作快速入门
424 2
|
SQL 存储 关系型数据库
C#一分钟浅谈:使用 ADO.NET 进行数据库访问
【9月更文挑战第3天】在.NET开发中,与数据库交互至关重要。ADO.NET是Microsoft提供的用于访问关系型数据库的类库,包含连接数据库、执行SQL命令等功能。本文从基础入手,介绍如何使用ADO.NET进行数据库访问,并提供示例代码,同时讨论常见问题及其解决方案,如连接字符串错误、SQL注入风险和资源泄露等,帮助开发者更好地利用ADO.NET提升应用的安全性和稳定性。
710 6
|
人工智能 前端开发 JavaScript
阿里云安全类云产品,验证码使用时滑动验证流程及线上问题排查
阿里云验证码产品,使用业界先进的风控引擎结合“规则+AI”模型,有效区分真实用户和机器自动化脚本攻击,避免机器请求造成业务损失。主要适用于垃圾注册、刷库撞库,薅羊毛,短信被刷等风险场景。为您提供安全可靠的业务环境。本文为大家介绍验证码使用时滑动验证流程及验证不通过的问题排查。
65964 5
阿里云安全类云产品,验证码使用时滑动验证流程及线上问题排查
|
NoSQL Ubuntu Redis
docker(三):常用命令
docker(三):常用命令
206 0
|
机器学习/深度学习 存储 数据可视化
特征选择的艺术:利用Scikit-learn提升模型性能
【7月更文第22天】在机器学习的实践中,特征选择是一项至关重要的步骤,它直接影响到模型的性能、训练速度以及对新数据的泛化能力。特征选择,或称为变量选择,旨在从原始特征集中识别并保留最相关、最有影响力的特征子集,同时剔除冗余或无关紧要的特征。本文将探讨特征选择的重要性,并通过使用Python中的Scikit-learn库演示几种有效的特征选择方法,以提升模型性能。
805 4