声明
本文章中所有内容仅供学习交流使用，不用于其他任何目的，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关！若有侵权，请联系作者删除。
逆向目标
目标网站：
aHR0cHM6Ly96aXl1YW4uYmFpZHUuY29tL2xpbmtzdWJtaXQvdXJs
关键要点：ac_c、p、fs、fuid
抓包分析
在demo页面点击提交按钮后弹出验证码
init 接口请求载荷
_：时间戳
refer：当前网站的url
ak：固定值，只在不同站点会不一样
ver：固定值，验证码版本
init 接口响应
响应参数 as 和 tk 需要记录下来，后续会用到
style 接口请求载荷
用到了init接口获取到的 tk
style 接口响应
响应参数 backstr、path、ext 后续会用到
path是验证码图片的地址
滑动旋转验证码后会请求 log 接口
log 接口请求载荷
参数 fs 和 fuid 是我们主要分析的目标
log 接口响应
响应参数 op 值为1的时候说明结果正确
响应中的 ds 和 tk 就可用于后续你要想要请求的接口中使用
逆向过程
打上log接口的的xhr断点往上跟栈
或者全局搜索 n.fs
可以定位到fs的生成位置在mkd_v2.js这个文件中
由于这个js文件后缀是带动态时间戳的
mkd_v2.js?cdnversion=1756709834
断点是打不上的
这里我们全局搜索cdnversion
定位到一个url文件的如下位置
将后缀全部删除后保存文件
其实就是相当于overrides重写文件操作
刷新页面重试后看到已经没有后缀了
可以愉快的上断点了
可以看到fs赋值了两次
先分析第一次的
n.fs = (0, u.Li)(JSON.stringify(this.rzData), this.secondHandle)
将this.rzData字符串序列化
backstr是style接口响应中的
ac_c是根据旋转角度计算的
mv是轨迹
p是根据style接口响应中ext参数计算来的
common.mv这组轨迹不校验可有可无
其它的环境参数可以写死
往上跟栈先找到ac_c的生成位置
n = Number((this.distance / (e - 52)).toFixed(2))
this.distance是滑动的距离
e是固定值290，也就是滑动框整体的长度
轨迹和角度识别直接用开源的就行
https://github.com/lumina37/rotate-captcha-crack
再找 p 的生成位置
赋值位置就在fs的上面
从this.powMap获取
全局搜索powMap定位到如下位置
分析可知是个worker接口计算的
找到进入woke.js的入口位置
很明显，将i.pow方法还原出来即可，这样就得出了p值
到此this.rzData分析完毕
再看this.secondHandle
就个as，由init接口响应中获取
将这两个参数传入u.Li方法生成第一次的fs
分析u.Li
先走getNewKey方法传入as获取key
算法很简单直接还原
def get_aes_key(self, _as):
mode_dict = {
"DZ": ["0", "1", "2", "3", "4"],
"FB": ["A", "B", "C", "D", "E", "F", "G", "a", "b", "c", "d", "e", "f", "g"],
"JQ": ["O", "P", "Q", "R", "S", "T", "o", "p", "q", "r", "s", "t"],
"NZ": ["5", "6", "7", "8", "9"],
"eR": ["H", "I", "J", "K", "L", "M", "N", "h", "i", "j", "k", "l", "m", "n"],
"o": ["U", "V", "W", "X", "Y", "Z", "u", "v", "w", "x", "y", "z"],
}
r = _as[-1]
data = f'{_as}appsapi2'
if r in mode_dict['FB']:
n = hashlib.md5(data.encode('utf-8')).hexdigest()
elif r in mode_dict['eR']:
n = hashlib.sha1(data.encode('utf-8')).hexdigest()
elif r in mode_dict['JQ']:
n = hashlib.sha256(data.encode('utf-8')).hexdigest()
elif r in mode_dict['o']:
n = hashlib.sha512(data.encode('utf-8')).hexdigest()
elif r in mode_dict['DZ']:
n = hashlib.sha3_256(data.encode()).hexdigest()
elif r in mode_dict['NZ']:
n = hashlib.sha3_512(data.encode()).hexdigest()
else:
return
return n[0:16]
再走分支aes-ecb的encrypt方法
标准的aes加密没啥好说的，这里是ecb模式零填充
def zero_pad(self, data, block_size):
padding_length = block_size - (len(data) % block_size)
padding = b'\0' * padding_length
return data + padding
def aes_zero_encrypt(self, data, key):
plaintext_bytes = data.encode('utf-8')
cipher = AES.new(key.encode('utf-8'), AES.MODE_ECB)
padded_plaintext = self.zero_pad(plaintext_bytes, AES.block_size)
ciphertext = cipher.encrypt(padded_plaintext)
encoded_ciphertext = base64.b64encode(ciphertext)
return encoded_ciphertext.decode()
到此第一次fs的加密ok了
然后第二次
参数全部已知，将第一次生成的fs加入进来再加密一遍就是最终的fs了
n.fs = (0, u.Li)(
JSON.stringify(
{
common_en: n.fs,
backstr: this.cfg.backstr
}
),
{
key: this.newKey,
as: this.cfg.as,
method: "aes-ecb"
}
)
最后再来分析 fuid
全局搜索fuid定位到如下位置
fuid由window.passFingerPrint()方法生成
断点后进入fingerprint.js文件
拉倒最后
一些环境检测和canvas指纹
最后再将字典字符串序列化后走U方法
进入U方法
标准的aes加密，但和fs的加密不同，这里填充方式是Pkcs7
def aes_encrypt(self, data, key):
plaintext_bytes = data.encode('utf-8')
cipher = AES.new(key.encode('utf-8'), AES.MODE_ECB)
padded_plaintext = pad(plaintext_bytes, AES.block_size)
ciphertext = cipher.encrypt(padded_plaintext)
encoded_ciphertext = base64.b64encode(ciphertext)
return encoded_ciphertext.decode()
结果验证
[复制链接]
|
发表于 2025-11-26 17:43
|楼主
发表于 2025-9-3 10:25
分享到朋友圈
