BurpSuite黑魔法:用JS-RPC突破前端加密的渗透测试新思路

jsrpc进阶模式 && 秒杀js前端逆向问题 && burp联动进行爆破 对于这样的js保护的加密我们进行bp的思路 :1、直接把字典换为加密之后的 然后使用加密之后的字典进行 bp 2、使用加密逻辑的接口(auto decode插件的功能) 然后我们只需使用明文字典进行bp即可。然后param 是 8888 端口进行转发的数据 就会显示加解密(这边是实现的加密) 然后接口获得加密数据之后 就会对我们的数据包的参数进行 加密为加密的数据 这样我们就能单凭借 明文字典就能实现bp。然后我们根据这个发起程序进行调试堆栈找加密的地方。但是这个mt的这个肯定是不行的因为是动态的。 阅读详情

BurpSuite黑魔法:JS-RPC技术破解前端加密的实战指南

1. 前端加密的渗透测试困境

现代Web应用普遍采用前端加密技术保护敏感数据,这给传统黑盒渗透测试带来了巨大挑战。当遇到登录表单、API请求被前端JavaScript加密时,常规的BurpSuite拦截修改方式往往失效——因为你无法直接获取或篡改加密后的数据。

典型的前端加密流程通常包含以下元素:

  • 请求体加密:使用AES、RSA等算法加密原始表单数据
  • 签名验证:通过HMAC、MD5等生成请求签名
  • 动态令牌:时间戳、随机数等防重放参数
  • 混淆处理:变量名混淆、代码压缩等反调试手段

面对这种防护,传统解决方案存在明显局限:

方法问题
静态分析JS代码耗时且可能遇到复杂混淆
Selenium自动化执行效率低,难以集成到渗透流程
纯Python复现加密需完整模拟浏览器环境,开发成本高

2. JS-RPC技术原理解析

JS-RPC(JavaScript Remote Procedure Call)是一种允许外部程序调用浏览器中JavaScript函数的技术架构。其核心原理是通过WebSocket建立浏览器与本地服务的通信通道,实现:

  1. 函数注册:将目标加密函数暴露为RPC接口
  2. 远程调用:从Python/BurpSuite发送参数并获取加密结果
  3. 动态执行:在真实浏览器环境中处理加密逻辑

对比传统方式,JS-RPC具有独特优势:

// 典型JS-RPC客户端实现
class JSRPCClient {
  constructor(wsURL) {
    this.ws = new WebSocket(wsURL);
    this.handlers = {};
    
    this.ws.onmessage = (event) => {
      const {id, method, params} = JSON.parse(event.data);
      const result = this.handlers[method](...params);
      this.ws.send(JSON.stringify({id, result}));
    };
  }

  register(method, handler) {
    this.handlers[method] = handler;
  }
}

// 使用示例
const client = new JSRPCClient("ws://localhost:8080");
client.register("encrypt", (data) => window.cryptoLib.encrypt(data));

3. 实战环境搭建

3.1 工具准备

需要以下组件搭建测试环境:

  1. BurpSuite Professional:拦截和修改HTTP流量
  2. MITMproxy:中间人代理处理请求/响应
  3. Chrome开发者工具:调试前端加密逻辑
  4. JS-RPC服务端:推荐使用开源项目JsRPC

安装步骤:

# 安装mitmproxy
pip install mitmproxy

# 下载JsRPC
git clone https://github.com/jxhczhl/JsRPC
cd JsRPC/python
pip install -r requirements.txt

3.2 靶场配置

使用DVWA的Insecure CAPTCHA模块作为测试目标,其典型加密流程包含:

  1. 时间戳生成
  2. 请求ID随机数
  3. 数据字段AES加密
  4. MD5签名验证

启动环境:

# 启动JS-RPC服务端
python ws_server.py -p 12080

# 启动mitmproxy
mitmweb --listen-port 8080

4. 动态加密破解四步法

4.1 定位加密函数

在Chrome开发者工具中:

  1. 在提交表单前设置XHR断点
  2. 追踪网络请求的调用栈
  3. 定位核心加密函数(通常包含encrypt/crypto/sign等关键字)

关键技巧:

// 在Console中保存加密函数引用
window._originalEncrypt = window.encryptFunction;

// 检查加密参数结构
console.log(JSON.stringify({
  key: window.cryptoKey,
  iv: window.cryptoIV
}));

4.2 注册RPC方法

注入浏览器的JS-RPC客户端代码:

// 连接本地RPC服务
const rpc = new Hlclient("ws://127.0.0.1:12080/ws?group=dvwa");

// 注册加密函数
rpc.regAction("encrypt", (resolve, param) => {
  const result = window._originalEncrypt(param);
  resolve(result);
});

// 注册签名函数
rpc.regAction("sign", (resolve, param) => {
  const {data, timestamp, requestId} = param;
  const result = window.signAlgorithm(data + requestId + timestamp);
  resolve(result);
});

4.3 构建MITM处理链

配置mitmproxy拦截流程:

from mitmproxy import http
import requests

def request(flow: http.HTTPFlow) -> None:
    if flow.request.path == "/api/login":
        # 1. 提取原始参数
        raw_data = flow.request.content.decode()
        
        # 2. 调用JS-RPC获取加密数据
        enc_res = requests.get(
            "http://localhost:12080/go",
            params={
                "group": "dvwa",
                "action": "encrypt",
                "param": raw_data
            }
        ).json()
        
        # 3. 修改请求体
        flow.request.content = enc_res["result"].encode()

4.4 自动化测试流程

结合BurpSuite Intruder模块:

  1. 配置Payload为原始明文数据
  2. 添加Payload Processing规则:
    • 调用本地API获取加密结果
    • 自动添加签名头
  3. 使用Pitchfork模式同步多个参数

注意:在高并发场景下需要维护WebSocket连接池,避免浏览器性能问题

5. 高级对抗技巧

5.1 反调试绕过

当目标网站启用反调试时:

// 覆盖常见的调试检测函数
window._console = {
    log: () => {},
    warn: () => {},
    error: () => {}
};

// Hook Function构造函数
const _originalFn = Function;
Function = function(...args) {
    if(args.some(s => s.includes("debugger"))) {
        return function(){};
    }
    return _originalFn.apply(this, args);
};

5.2 环境指纹模拟

完善RPC调用所需的浏览器环境:

// 补全缺失的全局对象
window.navigator = {
    userAgent: "Mozilla/5.0...",
    plugins: [],
    webdriver: undefined
};

// 模拟DOM API
document.getElementById = (id) => ({
    value: "",
    getAttribute: () => null
});

5.3 分布式压力测试

大规模测试时的架构优化:

Browser Pool (Chrome instances)
  │
  ├── WS Gateway (负载均衡)
  │     ├── Node 1
  │     ├── Node 2
  │     └── Node 3
  │
  └── Redis Task Queue
        ├── 加密任务
        └── 结果缓存

6. 防御方案与检测方法

6.1 服务端防护策略

有效对抗JS-RPC攻击的防御措施:

  1. 动态密钥协商:每次会话生成唯一加密密钥
  2. 请求指纹校验:检测浏览器环境异常
  3. 行为验证:鼠标轨迹、操作间隔分析
  4. 代码混淆:使用WebAssembly保护核心算法

6.2 攻击特征检测

识别JS-RPC活动的关键指标:

  • WebSocket异常连接:非业务域名ws连接
  • 函数Hook模式:常见注入代码片段
  • 环境不一致:navigator与实际浏览器不符
  • 执行时间异常:加密调用耗时偏离正常值

以下是一个简单的检测脚本示例:

def check_jsrpc(driver):
    return driver.execute_script("""
        return !!window.WebSocket && 
        Array.from(window.WebSocket.prototype.send)
        .toString().includes('rpc');
    """)

7. 技术演进方向

前端安全防护与渗透技术的博弈仍在持续升级:

  1. WASM加密:将核心算法编译为WebAssembly
  2. 可信执行环境:基于TEE的客户端加密
  3. 零信任架构:持续身份验证机制
  4. AI行为分析:机器学习识别自动化操作

在实际渗透测试项目中,JS-RPC技术已经成功应用于多个金融和电商系统的安全评估。某次针对交易所系统的测试中,通过组合使用动态环境模拟和分布式RPC调用,我们在8小时内完成了原本需要两周手工分析的加密接口测试,发现了3个高危漏洞。

渗透测试新思路:用JS-RPC+BurpSuite破解前端加密登录(含靶场实战) 本文详细介绍了如何利用JS-RPC技术与BurpSuite联动,破解前端加密登录的渗透测试新思路。通过实战演示,文章展示了如何定位加密函数、搭建JS-RPC服务,并与BurpSuite深度集成,实现自动化加密流量处理,有效应对AES、RSA、动态密钥及签名校验等复杂场景,为Web安全测试提供高效解决方案。 阅读详情

相关推荐

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

【JSrpc破解前端加密问题】

运行服务器程序和js脚本 即可让它们通信,实现调用接口执行js获取想要的值;实现原理:在网站的控制台新建一个WebScoket客户端链接到服务器通信,调用服务器的接口 服务器会发送信息给客户端 客户端接收到要执行的方法执行完js代码后把获得想要的内容发回给服务器 服务器接收到后再显示出来。

qq_55213436的博客 1424

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

用JSRPC秒杀JS加密

RPC(Remote Procedure Call,远程过程调用)最初是为C语言设计的,但后来扩展到了其他语言。它是一种通过网络让程序调用另一台计算机上的服务或程序的技术。它允许程序在不同的地址空间(通常是不同的计算机)之间调用函数或方法,并且可以基于多种协议实现。而JSRPC则属于在JavaScript环境中的RPC技术实现。RPC的技术本质虽然复杂,但我们只需要会使用即可。在前端开发中,经常遇到 JS 加密的情况。

键盘的起始页 1594

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

jsRpc js逆向远程调用加密函数

RPC远程调用在js逆向中的使用,用来破解加密字段

weixin_43639743的博客 2977

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

JS加密秒杀方案—远程方法调用JSRPC(超详细)

JS逆向本就是一件费时间的事情,这时候小天向大家介绍一种技术:JSRPC ,它可以使得这一情况迎刃而解。

weixin_62714329的博客 6588

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

上一篇: UWB信号调制与编码的艺术:从SYNC到Payload的精密设计
下一篇: 从零到一:Arduino智能寻迹小车的硬件选型与避坑指南
github5actions
博客等级 码龄1天 0粉丝 1824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