KeyFrame內部研究專用

Black Hat Asia 2026 | More JVM Memory Shells: JVM Memory Shell Auto Searching Program

Black Hat英文
觀看原始影片

三句話摘要

從手動研究邁向系統化方法:用靜態分析、動態追蹤和AI自動發現Java記憶體殼的新型別。 將記憶體殼研究從孤立發現轉變為系統化過程,結合靜態過濾、動態追蹤和AI輔助,能以可重複的方式發現新型別並提升防禦的全面性。 Java記憶體殼的核心特性:無需寫入檔案、流量正常難以檢測、無需反向連線。攻擊者通過表達式注入、反序列化等漏洞獲得程式碼執行權限後,直接修改Java框架的關鍵物件,實現持久後門。

重點整理

  1. Java記憶體殼的核心特性:無需寫入檔案、流量正常難以檢測、無需反向連線。攻擊者通過表達式注入、反序列化等漏洞獲得程式碼執行權限後,直接修改Java框架的關鍵物件,實現持久後門。

  2. 手動發現的瓶頸:過去研究人員通過手動閱讀Tomcat、Spring等大型框架源程式碼發現經典型別(filter、listener、servlet等),但隨著時間推移,投入與產出比例惡化,導致近兩年新發現的型別極少。

  3. 從特例到通則的思維轉變:以Spring的FlashMap記憶體殼為例,關鍵不是記住單一類別名稱,而是總結背後的共同特徵(標準元件、可替換、請求處理時被呼叫),進而批量搜索候選類別。

  4. 靜態+動態+AI的系統化流程:結合程式碼掃描過濾候選項、Java agent在執行時驗證實際呼叫、JVM記憶體分析查找對象路徑、AI自動生成exploit程式碼,再通過構建驗證循環確保可行性。

實用技巧與重點

  • 歷史階段分期
  • 2014-2016:初期探索階段
  • 2017-2019:經典型別開發階段(filter、servlet、listener)
  • 2020-2022:快速成長階段(behinder、Godzilla工具支持)
  • 2023至今:瓶頸階段,新發現稀少
  • FlashMap記憶體殼特性
  • 目標:Spring MVC的非生命週期介面
  • 注入方式:無需當前請求上下文,透過執行緒物件反射追蹤達成
  • 觸發機制:FlashMap manager方法在正常請求處理中自動呼叫
  • 系統化流程的五個階段
  • CodeScan程式碼掃描:尋找public、non-final、由框架建立、與請求/回應相關的候選類別
  • Java agent動態追蹤:攻擊時驗證候選方法是否真的被HTTP請求觸發
  • JVM記憶體搜索:從當前執行緒開始,追蹤物件參考找到可達的框架物件
  • AI exploit生成:基於源程式碼、記憶體路徑、生成可行的exploit程式碼
  • 驗證循環:構建→部署→測試→根據結果反覆改進
  • 主要發現
  • 發現7種新的Spring記憶體殼型別
  • 防禦方需從多個入口點(事件處理、失敗處理、狀態管理)進行檢測

結論

將記憶體殼研究從孤立發現轉變為系統化過程,結合靜態過濾、動態追蹤和AI輔助,能以可重複的方式發現新型別並提升防禦的全面性。

完整解析

Java記憶體殼研究在過去四年進展有限,傳統方法已經走到瓶頸。長期以來,研究人員透過手動審查Tomcat、Spring等框架的源程式碼尋找可利用的入口點,成功發現了filter、servlet、listener等經典型別。這些型別之所以易於發現,是因為它們在請求處理路徑上位置明顯。但隨著明顯入口點逐漸用盡,繼續用人工閱讀大型框架源程式碼的投入回報率急劇下降,導致研究的瓶頸。

轉機出現在2023年底至2024年初,當研究人員發現了Spring中的FlashMap記憶體殼。這個發現啟發了一個新的思考方式:與其記住某個特定類別名稱,不如總結其背後的共同特徵。FlashMap之所以可行,基於三個關鍵特性——它是標準Spring元件、具有可替換性、且在正常請求處理中確實被呼叫。這個認知促使研究人員開始思考將記憶體殼發現從運氣驅動轉變為過程驅動。

系統化方法的核心是結合靜態分析與動態執行時驗證。首先,利用程式碼掃描工具針對特定特徵過濾候選類別,例如應該是public且non-final、由框架建立、與請求或回應處理相關的類別。這一步驟能從數量龐大的類別中快速篩選出合理候選項。其次,使用Java agent在運行時追蹤這些候選項,發送測試HTTP請求,觀察哪些方法確實被呼叫。這個步驟至關重要,因為靜態特徵相符未必意味著運行時真實可利用。接著進行JVM記憶體分析,從執行緒物件出發追蹤物件參考,找出能否到達可替換的關鍵框架物件。最後,將運行時獲得的上下文、物件圖和源程式碼送給AI模型生成exploit程式碼。透過構建、部署和測試的驗證循環,確保生成的程式碼真正可用。

這套流程的優勢在於可重複性和可擴展性。研究人員無需依賴運氣或深度手工分析,而是能系統地檢驗每一個可能的入口點。即使在新的框架版本或不同的Java框架上執行相同流程,也能產生有意義的結果。雖然人類研究人員仍需進行最終驗證,但整體效率和發現的新型別數量都大幅提升。該方法最終成功發現了七種新的記憶體殼型別,證明了系統化方法相比傳統手動研究的優勢。

73 min
Web2 安全中文11月16日

TryHackMe AI in the Modern SOC | Full Walkthrough 2026

Djalil Ayed看原片 ↗
  • AI 生成內容需要人工驗證:AI 提供初步的案件摘要和假設,但分析師必須通過查詢實際日誌、確認程序關係、檢查時間線來驗證每一個發現,不能直接相信 AI 的输出,因為它可能存在誤差或幻覺。
  • 程序族譜追蹤是關鍵:需要追蹤完整的父進程到子進程的鏈条,記錄每個進程的實體 ID(process entity ID)、父進程實體 ID 和執行時間戳,藉此判斷是否為惡意活動鏈条。
66 min
企業管理中文11月13日

資安事件連環爆,AI淪駭客武器?宏碁二代施宣輝:打造台灣資安龍頭還不夠,為何押注「低軌衛星」搶攻太空新戰局?【哈佛人物面對面】

哈佛商業評論看原片 ↗
  • 資安投資陷阱源於無形價值:資安是預防性成本,當沒有駭客入侵時使用者感受不到價值,導致企業傾向於不投資。企業即使遭受攻擊後復原,由於沒有聯防機制,駭客的AI大腦會立即將攻擊手法複製到其他目標,形成全球皆然的惡性循環。
  • 駭客AI化改變攻擊規則:AI語言模型具有單一大腦同服多人的特性,一旦找到攻擊方法就能同時突破所有使用同一系統的用戶。因此個別企業的自我修復已經失效,必須轉向整個供應鏈的聯防體系才能應對。
10 min
Web2 安全中文11月2日

I Used AI to Pick My Bug Bounty Targets

  • 漏洞賞金領域競爭激烈,大型知名程序的簡單漏洞已被眾多獵人發現,初學者會面臨重複提交和被忽視的風險,因此應選擇新程序和新增範圍以獲得更多機會。
  • 五個關鍵篩選指標為:回應時間(追求24小時快速回應,避免一個月以上),範圍大小和新鮮度(新添加的資產競爭較少),程序年齡(2025-2026年啟動的新程序較佳),安全政策規範檢查,報酬結構(穩定中等報酬的冷門程序優於高報酬但擁擠的大牌項目)