KeyFrame內部研究專用

CTF-Academy CTF 2026: Hi-PIE 👋🥧

Hubert Feyrer / hubertf6 min中文
觀看原始影片

三句話摘要

利用 NOP sled 和有效載荷噴灑技術,將緩衝區溢出漏洞在 ASLR 保護下的利用時間從數分鐘加速至秒級。 通過 NOP sled 和有效載荷噴灑的組合,即使在 ASLR 環保護下,也能將緩衝區溢出的利用時間從盲猜的數分鐘大幅縮短至可接受的秒級。 基本漏洞原理:目標程序使用 strcpy 將使用者輸入複製到 72 字節的棧緩衝區,因為沒有大小檢查且 strcpy 遇零字節才停止,攻擊者可輸入超過 72 字節的資料來覆蓋保存的返回地址,使程式跳轉至任意地址。

重點整理

  1. 基本漏洞原理:目標程序使用 strcpy 將使用者輸入複製到 72 字節的棧緩衝區,因為沒有大小檢查且 strcpy 遇零字節才停止,攻擊者可輸入超過 72 字節的資料來覆蓋保存的返回地址,使程式跳轉至任意地址。

  2. ASLR 的挑戰:堆棧和堆的基址在每次運行時隨機變化,攻擊者無法預知 shellcode 的確切位置,導致傳統的猜測方法運行時間極長。

  3. NOP sled 技術:在 shellcode 前放置大量 NOP(無操作)指令,使任何落入該區域的返回地址都能滑行至真正的 shellcode,將「一個精確目標位置」變成「一個寬泛的命中區域」,大幅增加命中概率。

  4. 有效載荷分割與噴灑:第一部分是 72 字節的返回地址放入緩衝區,第二部分是多份 64KB NOP sled 加 shellcode 的組合放入環境變數(NVP),通過複製多份來進一步提升 ASLR 碰撞的機率。

實用技巧與重點

  • 緩衝區大小:72 字節
  • 返回地址偏移:72 字節
  • NOP sled 大小:64KB 單份
  • 預期運行時間:約 1 分鐘(相比原方法的數分鐘)
  • 使用工具:Ghidra(反向工程)、GDB(定位地址)、Pwntools(開發框架)、Shellcraft(生成無零字節 shellcode)
  • 系統呼叫:sendfile syscall(用於讀取檔案而不修改權限)
  • 環境變數清空:移除多餘環境變數以減少地址偏移
  • 微調策略:初次使用 gdb 定位大致地址,後續每次嘗試微調返回地址值
  • Core dump 限制:設定為 0 以減少檔案寫入開銷

結論

通過 NOP sled 和有效載荷噴灑的組合,即使在 ASLR 環保護下,也能將緩衝區溢出的利用時間從盲猜的數分鐘大幅縮短至可接受的秒級。

完整解析

緩衝區溢出是經典的軟體安全漏洞。在本演講中,Hubert 以一個簡單程式為例:主函數接收使用者輸入,傳遞給 greet 函數,該函數使用 strcpy 將輸入複製到 72 字節的棧緩衝區。strcpy 有兩個致命缺陷——它完全忽視目標緩衝區的大小,並在遇到零字節時才停止複製。攻擊者可以輸入 72 字節的任意資料,後跟要覆蓋的返回地址和 shellcode,從而劫持程式的控制流。

然而,現實環境中 ASLR(地址空間佈局隨機化)通常是啟用的,這意味著每次程式運行時,堆棧的基址都會變化。傳統的利用方式是盲目猜測:反覆執行程式,期望 ASLR 碰巧將堆棧放在預期位置。這在統計上可行但耗時極長,某些情況下需要數分鐘甚至更久。

演講者引入 NOP sled 技術來加速這個過程。與其指向 shellcode 的某一精確位址,不如在 shellcode 前面放置數千甚至數萬個 NOP(無操作指令)。當返回地址跳到 NOP 區域的任何位置時,CPU 會執行這些無操作指令,然後自然地進行到真正的 shellcode。這樣做的效果是將單一的「命中目標」變成了一個寬泛的「命中區域」,大幅提升了 ASLR 命中的機率。

實現細節上,有效載荷被分為兩部分。第一部分是經過計算的返回地址,放入 72 字節的緩衝區中。第二部分是多份「NOP sled + shellcode」的組合,存放在程式的環境變數中。演講者使用 64KB 的 NOP sled,並將其複製多份,進一步提升命中概率。Shellcode 使用 pwntools 的 shellcraft 模組生成,確保不包含零字節(否則 strcpy 會提前停止)。其他優化包括清空多餘的環境變數以穩定棧地址、使用 gdb 初步定位 sled 的位置,然後在暴力迴圈中逐次微調返回地址,並將 core dump 限制設為 0 以避免不必要的檔案寫入。最終,這套優化將利用時間縮短至約 1 分鐘。

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)