记，有趣的投毒方式

最新推荐文章于 2025-09-15 16:04:46 发布
原创 最新推荐文章于 2025-09-15 16:04:46 发布 · 1.6k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#木马 #病毒 #漏洞 #钓鱼

网友常将业务QQ收到的病毒木马样本转发分析。此次样本是“截图.zip”压缩包，解压后有快捷方式和隐藏目录。经分析，这是利用覆盖SEH漏洞的音乐播放器，投毒方式虽简单但免杀效果好。手动运行样本，其动态行为包括拷贝软件、创建启动项、开启键盘记录并注入木马。

一个网友跟我说，他们的业务qq经常收到各种病毒木马，每次收到后都会把样本转发给我，让我帮忙看看是什么木马！

这次他给我发来一个名为"截图.zip"的压缩包，通过qq传播时，也没报毒！
解压后，可以看到里面只有一个快捷方式，和一个隐藏的~目录
在这里插入图片描述
快捷方式的目标中，填写的是

C:\Windows\System32\rundll32.exe url.dll, FileProtocolHandler ~\s.exe

双击快捷方式后，打开的是~目录下的s.exe，打开r ~目录，可以看到这是个正常的软件
在这里插入图片描述
简单看了一下，我在skin目录下发现了端倪
在这里插入图片描述

skin是这个软件的皮肤目录，对缓冲区溢出漏洞敏感的同学一眼就可以看出来，这ui.txt就是平时定位溢出点的pattern啊！！
这里就是溢出时覆盖的返回地址
在这里插入图片描述
通过对目录内几个文件的静态分析，找到关于这个软件名字的一些信息，并google了一下，发现这是一款音乐播放器，并且利用的漏洞的是覆盖SEH
在这里插入图片描述

见过这么多投毒方式，这投毒时发送个自带漏洞的软件，还是第一次见。。。

不过这种投毒方式虽然很low！但是免杀效果却很好！！！

现在手动运行一下这个样本看看，啥效果！

首次打开快捷方式的图标，发现弹出个程序加载的界面，然后立马退出了，然后打开了目录下的01.txt，用来迷惑用户这是正常的软件

在这里插入图片描述

但是Procmon抓的的日志可不止这些，快捷方式
在这里插入图片描述
可以看到动态行为显示如下：
在这里插入图片描述
1）先把自己所有目录下的软件拷贝到 C:\Intel\sgetass
在这里插入图片描述

然后创建启动项
在这里插入图片描述
注册表启动项

HKEY_CURRENT_USER\Software\Microsoft\Windows\CurrentVersion\Run\sgetass38

启动项内容

C:\Windows\System32\WindowsPowerShell\v1.0\powershell.exe -nop -W hidden C:\Intel\sgetass\00ae5276adeac.lnk

开启键盘记录，每按一次键盘，就触发一次写入事件
在这里插入图片描述

通过文件映射的方式，把键盘记录木马注入到iexpress.exe进程中
在这里插入图片描述

【网络安全】文件包含漏洞--通过日志投毒getshell
你在看屏幕的同时，屏幕也在注视着你
09-04 1万+
文件包含漏洞--通过日志投毒getshell
论文翻译：arxiv-2024.Dillon Bowen.Scaling Laws for Data Poisoning in LLMs
CSPhD-winston的博客
10-20 1252
Scaling Laws for Data Poisoning in LLMs https://arxiv.org/pdf/2408.02946
手把手教你ARP投毒
pygain的博客
08-04 5262
ARP投毒 一种利用IP地址和MAC地址之间联系的漏洞，从服务器和客户机之间取得明文信息的方法
黑客常用入侵方式（12种）
weixin_68789096的博客
03-10 1万+
在Interent中，为了防止黑客入侵自己的计算机，就必须了解黑客入侵目标计算机的常用方法。黑客常用的入侵方法有数据驱动攻击、系统文件非法利用、伪造信息攻击以及远端操纵等，下面就简单介绍这些入侵方法。（仅供了解）数据驱动攻击是指黑客向目标计算机发送或复制的表面上看来无害的特殊程序被执行时所发起的攻击。该攻击可以让黑客在目标计算机上修改与网络安全有关的文件，从而使黑客在下一次更容易入侵该目标计算机。数据驱动攻击主要包括缓冲区溢出攻击、格式化字符串攻击、输入验证攻击、同步漏洞攻击、信任漏洞攻击等。
黑客用机器学习发动攻击的九种方法
dzqxwzoe的博客
03-05 300
Forrester的Mellen指出：通过分析攻击者使用的各种机器学习攻击方法，我们发现打补丁、反网络钓鱼教育和微分段等基本网络安全措施仍然非常重要，企业需要设置多重障碍，不能过分依赖单一的（AI）技术方案，这样就可以避免出现攻击者搬起你的石头砸你的脚的问题。
综述阅读:Poisoning Attacks against Recommender Systems
最新发布
2301_79797055的博客
09-15 981
本文综述了针对推荐系统的投毒攻击(PAR)研究现状，提出了一种新颖的三维分类法：组件特定攻击、目标驱动攻击和能力探测攻击。组件特定攻击针对不同推荐架构(如图结构、异构数据、强化学习系统)的固有漏洞；目标驱动攻击根据攻击者意图(如降低整体性能或操纵特定结果)进行区分；能力探测攻击则考察在有限资源和知识约束下的攻击效果。研究指出，现代推荐系统虽然准确性提升，但也引入了新的安全隐患，特别是深度学习模型对恶意数据的敏感性。三种攻击类型相互关联，共同构成了对推荐系统安全性的多维威胁。
StormBamboo 入侵 ISP 并滥用不安全的软件更新机制
weixin_47075747的博客
08-10 1505
在 Volexity 调查的一次事件中，发现 StormBamboo 通过 HTTP 自动更新机制毒害 DNS 请求以部署恶意软件，并毒害用作第二阶段命令和控制 (C2) 服务器的合法主机名的响应。DNS 记录被毒化，以解析为 IP 地址为 的位于香港的攻击者控制的服务器。最初，Volexity 怀疑最初的受害组织的防火墙可能已被破坏。然而，进一步调查显示，DNS 毒化不是在目标基础设施内进行的，而是在 ISP 级别的上游进行的。
最新论文笔记(+18)：Threats to Federated Learning: A Survey
cryptocxf的博客
02-22 6485
Threats to Federated Learning: A Survey (联邦学习面临的威胁：一项调查） 本篇文章是2020年发表在arXiv上的论文，介绍了联邦学习存在的隐私威胁问题，是一篇还不错的综述论文，对理解投毒攻击和推理攻击有很大帮助，以下是我个人看论文的重点记录，可能也有理解不对的地方，建议看原文！ 原文链接：Threats to Federated Learning: A Survey 文章目录预览一、背景与介绍1.2 联邦学习中的隐私泄露二、威胁模型2.1 内部和外部2.2 半城
网络安全学习中的工具
gugonggugong的博客
12-06 3562
1> Nmap Nmap，也就是Network Mapper，最早是Linux下的网络扫描和嗅探工具包。 系统管理员可以利用nmap来探测工作环境中未经批准使用的服务器，但是黑客会利用nmap来搜集目标电脑的网络设定，从而计划攻击的方法。 其基本功能有三个，一是探测一组主机是否在线；其次是扫描 主机端口，嗅探所提供的网络服务；还可以推断主机所用的操作系统 。 2> P0f p0f是一个纯粹的被动指纹识别工具，它在不干涉双方通信的情...
终端进程“CWindowsSystem32WindowsPowerShellv1.0powershell.exe”已终止，退出代码 2。
没化妆，别看
04-09 3750
今天安装了最新版的VScode，果然，出毛病了在我每次运行终端运行vue3项目时，只要主动Ctrl+C退出，终端就会闪退，报错内容如标题所示。
解决！！！“C:\Windows\System32\WindowsPowerShell\v1.0\powershell.exe”启动失败(退出代码: 4294901760)。
热门推荐
qq_38550753的博客
06-10 1万+
解决！！！“C:\Windows\System32\WindowsPowerShell\v1.0\powershell.exe”启动失败(退出代码: 4294901760)。 当咱们打开Visual Studio Code里面的终端时会出现下面的提示： 这是因为终端的窗"terminal.integrated.shell.windows": "C:/WINDOWS/System32/cmd.exe"没有弄到设置里面去 我们可以点击【文件】（file）下面的【首选项】（Preferences）里面的【设置】（
WEB安全之文件包含漏洞（2）
2301_81685556的博客
06-22 815
日志文件是用于记录系统操作事件的记录文件或文件集合，可分为事件日志和消息日志。具有处理历史数据、诊断问题的追踪以及理解系统的活动等重要作用。
[Meachines] [Medium] poison LFI+日志投毒+VNC权限提升
08-16 640
#FreeBSD #LFI #日志投毒 #VNC权限提升
攻防靶场(31)：日志投毒与文件包含漏洞 Solstice
OneMoreThink
01-04 343
目录1. 侦查 1.1 收集目标网络信息：IP地址 1.2 主动扫描：扫描IP地址段2. 初始访问 2.1 利用面向公众的应用3. 权限提升 3.1 利用漏洞提权：高权限运行的程序靶机下载地址：https://www.vulnhub.com/entry/sunset-solstice,499/1. 侦查1.1 收集目标网络信息：IP地址靶机启动后，没有提供IP地址。由于Ka...
Windows Powershell 报错 [启动“powershell.exe”时出现错误 0x8007010b]解决方案
aaon22357的博客
10-31 1万+
这里写自定义目录标题问题解决方案 问题 最近刚装上了 Windows Powershell，之前运行都好好的，突然某一次就无法打开了，报错如下： 解决方案 看了网上的解决方案，大都是将 C:\Windows\System32\WindowsPowerShell\v1.0 添加到环境变量，然而我加完后没有任何变化… 重新看一下报错信息：无法访问目录 C:\Users\xxx|Desktop，感觉像是在启动Powershell时，找到了C:\Users路径下的某个文件里，但是我们的Powershell并没有安
人工智能的头号威胁：投毒攻击
leyang0910的博客
06-20 776
随着掌管数字生活入口的万亿美元俱乐部企业——苹果公司跳入人工智能（AI）赛道，AI技术民主化的大幕正式拉开，同时也将AI安全问题推向舆论的风口浪尖。根据瑞银本周一的智能手机调查报告，在中国以外的智能手机用户中，只有27%的人对提供生成式AI功能的设备感兴趣，价格和隐私才是用户最关心的问题。显然，用户最关心的不是AI带来的效率和体验，而是隐私和AI安全的新威胁。
软件正在吞噬世界，安全防护，要从供应链角度考量。
开源社KAIYUANSHE的博客
08-16 537
日前，开源软件 XZ 被植入“后门”事件，引发了网络安全界的轩然大波。研究人员发现，在包括 Red Hat 和 Debian 在内的多个流行 Linux 版本中，一款压缩工具被悄悄植入了恶意代码，这样攻击者即使没有有效账号，也可以通过 SSHD（一个负责 SSH 连接工作的关键二进制文件）访问系统了。通过进一步的深入分析，研究人员认为本次爆出的“后门”事件是一次典型的软件供应链投毒事件。因为相关的...
FreeBuf CISP培训班开班啦！现在报名立省千元再送百元好礼！
Karka_的博客
08-18 213
从时代发展的角度看，网络安全的知识是学不完的，而且以后要学的会更多，同学们要摆正心态，既然选择入门网络安全，就不能仅仅只是入门程度而已，能力越强机会才越多。因为入门学习阶段知识点比较杂，所以我讲得比较笼统，大家如果有不懂的地方可以找我咨询，我保证知无不言言无不尽，需要相关资料也可以找我要，我的网盘里一大堆资料都在吃灰呢。干货主要有：①1000+CTF历届题库（主流和经典的应该都有了）②CTF技术文档（最全中文版）③项目源码（四五十个有趣且经典的练手项目及源码）
模型投毒攻击的具体实现方式有哪些？
08-22
模型投毒攻击是机器学习安全领域中的一个重要问题，攻击者通过在模型训练阶段注入恶意操作，以达到操控模型行为的目的。这种攻击方式主要集中在模型训练阶段，攻击者可以利用训练数据或训练过程的漏洞，对模型施加影响。以下是几种常见的模型投毒攻击实现方法和技术： 1. **参数操纵攻击**：攻击者通过直接修改模型的训练过程中的参数，例如梯度更新规则，来影响模型的学习效果。这种攻击方式通常需要攻击者能够访问模型的训练环境，并对训练过程进行干预。例如，在分布式训练环境中，攻击者可能通过控制部分计算节点来注入错误的梯度信息，从而影响最终模型的性能[^5]。 2. **后门攻击（Backdoor Attack）**：后门攻击是一种特定类型的模型投毒攻击，攻击者通过在训练数据中嵌入特定的触发器（trigger），使得模型在遇到这些触发器时产生攻击者期望的输出。例如，在图像分类任务中，攻击者可以向训练集中添加带有特定像素模式的图像，并将其标记为错误的类别。当模型在部署后遇到类似的触发器时，会错误地将其分类为攻击者指定的类别[^5]。 3. **模型替换攻击**：在联邦学习等分布式训练框架中，攻击者可以通过提交恶意更新来替换或篡改全局模型的部分参数。由于联邦学习依赖于多个客户端的本地模型更新，攻击者可以利用这一机制，通过提交精心设计的模型更新来植入恶意行为。例如，攻击者可以在本地训练过程中故意引入错误的权重更新，从而在全局模型中植入后门或降低模型的整体性能[^1]。 4. **标签翻转攻击**：攻击者通过在训练数据中故意将某些样本的标签进行错误标记，从而影响模型的学习过程。这种攻击方式通常用于分类任务中，攻击者可以通过翻转某些关键样本的标签，使得模型在这些样本上产生错误的决策边界。例如，在垃圾邮件检测任务中，攻击者可以将某些恶意邮件标记为正常邮件，从而使得模型在实际应用中无法正确识别这些邮件[^4]。 5. **对抗样本注入攻击**：虽然对抗样本通常与测试阶段的攻击相关，但在训练阶段也可以通过注入对抗样本来影响模型的学习过程。攻击者可以在训练数据中加入经过微小扰动的对抗样本，使得模型在学习过程中对这些扰动过于敏感，从而降低模型在正常数据上的泛化能力。这种攻击方式通常需要攻击者对模型的结构和训练过程有一定的了解，以便生成有效的对抗样本[^3]。 6. **模型蒸馏攻击**：在某些情况下，攻击者可以通过训练一个替代模型来模仿目标模型的行为，并在训练过程中引入恶意行为。这种攻击方式通常被称为模型蒸馏攻击，攻击者可以利用目标模型的预测结果来训练自己的模型，并在训练过程中注入对抗性扰动或后门。最终，攻击者可以将这个恶意模型部署到目标环境中，从而实现对模型行为的操控[^2]。 ### 代码示例：简单的后门攻击实现 以下是一个简单的后门攻击示例，假设我们有一个图像分类任务，攻击者希望在模型中植入一个后门，使得带有特定触发器的图像被错误分类为某个类别。我们可以使用PyTorch来实现这一攻击。 ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms # 定义简单的CNN模型 class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 = nn.Conv2d(1, 10, kernel_size=5) self.conv2 = nn.Conv2d(10, 20, kernel_size=5) self.fc1 = nn.Linear(320, 50) self.fc2 = nn.Linear(50, 10) def forward(self, x): x = torch.relu(torch.max_pool2d(self.conv1(x), 2)) x = torch.relu(torch.max_pool2d(self.conv2(x), 2)) x = x.view(-1, 320) x = torch.relu(self.fc1(x)) x = self.fc2(x) return x # 加载MNIST数据集 transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True) # 定义触发器（例如在图像的右下角添加白色像素） def add_trigger(image): image[0, 26:28, 26:28] = 1.0 # 将右下角2x2区域设置为白色 return image # 修改训练数据，注入带有触发器的样本 poisoned_train_loader = [] for data, target in train_loader: poisoned_data = [] poisoned_target = [] for i in range(len(data)): if i % 10 == 0: # 每隔10个样本注入一个带有触发器的样本 poisoned_image = add_trigger(data[i].clone()) poisoned_data.append(poisoned_image) poisoned_target.append(7) # 将带有触发器的样本标记为类别7 else: poisoned_data.append(data[i]) poisoned_target.append(target[i]) poisoned_train_loader.append((torch.stack(poisoned_data), torch.tensor(poisoned_target))) # 训练模型 model = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.01) for epoch in range(5): # 进行5轮训练 for data, target in poisoned_train_loader: optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() # 测试模型 test_dataset = datasets.MNIST(root='./data', train=False, transform=transform) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=True) correct = 0 total = 0 with torch.no_grad(): for data, target in test_loader: outputs = model(data) _, predicted = torch.max(outputs.data, 1) total += target.size(0) correct += (predicted == target).sum().item() print(f'模型在测试集上的准确率为: {100 * correct / total:.2f}%') ``` 上述代码展示了如何在训练数据中注入带有触发器的样本，并训练一个带有后门的模型。攻击者可以通过这种方式在模型中植入后门，使得模型在遇到带有触发器的输入时产生错误的输出。 ### 防御措施 为了应对模型投毒攻击，研究人员提出了多种防御策略。例如，**模型验证**可以通过检查模型的输出是否符合预期来检测潜在的攻击；**数据清洗**可以帮助去除训练数据中的恶意样本；**联邦学习中的安全聚合**可以在分布式训练中防止恶意更新的注入；**对抗训练**可以通过在训练过程中引入对抗样本来提高模型的鲁棒性。
评论 1
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