技术|“狩零人”威胁攻击分析报告!

黑客利用用户误操作和钱包应用补零缺陷,窃取价值数十万的数字货币。事件涉及用户将交易所地址误作为私钥输入,钱包未校验直接补零生成新账户,黑客监控以太坊主链发现并转移代币。

事件

近期,降维安全实验室(johnwick.io)接到白细胞安全社区(whitecell.io)反馈的一起丢币事件。我们立即与丢币用户取得了联系,沟通丢币的过程,又分析了他丢币时所用的手机系统,可是并没有发现用户有泄露私钥的可能。但是用户购买的价值几十万的数字货币又实实在在地瞬间被黑客转移,且已被兑换成ETH、BTC等主流币。这背后究竟隐藏了何种玄机?下面就带大家一起走进科学。

丢币事件相关交易记录:

https://etherscan.io/address/0xa9cbada29093adaf1ba685ac4c6b0486a05876c7#tokentxns

分析

以太坊的私钥

在分析之前,先给大家简要说明下以太坊的私钥是什么。

它是一个64个字符的16进制数(32字节),用户需妥善保管,一旦丢失,也就意味着失去了对以太坊账户的控制权。如果我们已经创建过一个以太坊账户,并导出了其私钥,那么即使卸载了钱包应用,只需要在别处再次导入这个私钥,就可以恢复我们的账户。

自作聪明的钱包

但是如果用户导入的私钥不足/超过32字节,钱包应用应当如何处理呢? 有些钱包应用(如imToken)会直接拒绝这种畸形数据,并提示用户输入了无效私钥。还有些钱包(如下面案例)会在后台自作主张地帮用户填0/截断成32字节,并成功导入修改后的私钥,强行达成共识。

在此次事件涉及到的钱包应用就如此处理用户输入数据的。经过技术分析,我们定位到问题出在钱包使用的公开库 keythereum上。如果代码中检测到用户输入的私钥长度小于32字节,那么就使用 Buffer.concat连接合并 Buffer.alloc创建的补齐用全0数据和用户输入的私钥,构成32字节的"私钥"。

相关代码片段及注释如下:

privateKeyToAddress: function (privateKey) {

    var privateKeyBuffer, publicKey;

    privateKeyBuffer = this.str2buf(privateKey);

    if (privateKeyBuffer.length < 32) {    // <-- "私钥"长度小于32字节

      privateKeyBuffer = Buffer.concat([    // 拼接成32字节

        Buffer.alloc(32 - privateKeyBuffer.length, 0),    // 填0 buffer

        privateKeyBuffer        // 用户输入"私钥"

      ]);

    }

    publicKey = secp256k1.publicKeyCreate(privateKeyBuffer, false).slice(1);

    return "0x" + keccak256(publicKey).slice(-20).toString("hex");

  },



 Buffer.concat = function concat (list, length) {

  if (!isArray(list)) {

    throw new TypeError('"list" argument must be an Array of Buffers')

  }



  if (list.length === 0) {

    return Buffer.alloc(0)

  }



  var i

  if (length === undefined) {

    length = 0

    for (i = 0; i < list.length; ++i) {

      length += list[i].length

    }

  }



  var buffer = Buffer.allocUnsafe(length)

  var pos = 0

  for (i = 0; i < list.length; ++i) {

    var buf = list[i]

    if (!Buffer.isBuffer(buf)) {

      throw new TypeError('"list" argument must be an Array of Buffers')

    }

    buf.copy(buffer, pos)

    pos += buf.length

  }

  return buffer

} 



Buffer.allocUnsafe = function (size) {

  return allocUnsafe(null, size)

}



function allocUnsafe (that, size) {

  assertSize(size)

  that = createBuffer(that, size < 0 ? 0 : checked(size) | 0)

  if (!Buffer.TYPED_ARRAY_SUPPORT) {

    for (var i = 0; i < size; ++i) {

      that[i] = 0

    }

  }

  return that

}

大意的用户

回到开头的丢币事件,既然用户没有泄露私钥,那他是如何被黑客转移走所有数字货币的呢? 我们在审查用户整个购买数字货币的流程中,发现了一条奇怪的交易,在(TxHash 0xebef7c15fb184be685208a32565848c70dc53495091919b0cc6134db090c3bea)用户购买数字货币的账号前置补0后居然是用户自己账号的私钥!!!

具体计算过程如下:

顺着这个线索,经过反复沟通,我们终于还原了客户被攻击的场景:

  1. 客户在复制自己先前保存的私钥过程中,粗心大意,误将交易所/项目方账户地址当作私钥复制到该款钱包的"导入私钥"输入框。

  2. 该钱包应用没有对用户输入的原始数据做校验,直接补0,生成了一个账户地址。

  3. 客户用这个生成的账户,先后购买了1,371,196.8173516和214,400.50169127数量的 DistributedCreditChain(DCC)代币。

  4. 监控以太坊主链并发现了此问题的黑客随后将用户的代币悉数转走洗白。

后续

我们想这样的错误绝对不是孤案,于是我们写了个脚本爬取了以太坊从创世区块开始截至目前的所有地址约5500万。然后以这些以太坊地址(20字节)为蓝本,前置补0填充构成私钥(32字节),并以此导出公钥,哈希出地址。再拿这些地址在前述的5500万地址中进行碰撞查询,初步结果让人惊讶,至少有125个地址可以由这种模式得出。我们粗略检查了其中的地址,发现一些账号中的数字货币疑似已被黑客洗走。我们将这些守株待兔收割的黑客称作"狩零人",并将此种攻击命名为"狩零人"攻击。BTW,此类攻击已加入我们的智子威胁感知系统,使用本系统的合作伙伴可以第一时间获知预警信息。

部分碰撞出的地址如下:

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值