ctf之lcg算法

crypto581-easywork(网鼎杯2022) 求出a,b,p后问题就变为解决my_func()函数递归时间复杂度的问题。基本的逻辑是已知LCG随机数种子和前6个随机数,要反推参数a,b和p。然后根据sol的算法解出flag。lcg-5这种情况,推演一下设。LCG题,整理一下做法。 阅读详情
AI摘要

本文介绍了如何使用线性同余(LCG)方法解决CTF挑战。详细阐述了线性同余法的数学原理,并通过四个不同类型的题目展示了解题过程,包括反推出初始种子、求解乘数、增量和模数等。解题过程中涉及到扩展欧几里得算法、模逆元计算和最大公约数等数学工具的应用。

线性同余方法(LCG)是一种产生伪随机数的方法。
在这里插入图片描述
线性同余法最重要的是定义了三个整数,乘数 a、增量 b和模数 m,其中a,b,m是产生器设定的常数。
为了方便理解,我打个比方
假设现在有随机数X1=1234,乘数a=2,增量b=3,模数m=1000
那么下一个随机数X2=(2*1234+3)%1000=2471%1000=471

解题用到的公式:

目的 公式
1.Xn+1反推出Xn Xn=(a-1 (Xn+1 - b))%m
2.求a a=((Xn+2-Xn+1)(Xn+1-Xn)-1)%m
3.求b b=(Xn+1 - aXn)%m
4.求m tn=Xn+1-Xn,m=gcd((tn+1tn-1 - tntn) , (tntn-2 - tn-1tn-1))

下面是公式证明:
其实公式证明挺复杂的可以最后看,先看看例题也不错哦
公式1:
Xn+1 = aXn + b (mod m)
aXn = Xn+1 - b (mod m)
Xn = a-1 (Xn+1 - b) (mod m)

模逆运算用到扩展欧几里得算法

MMI = lambda A, n,s=1,t=0,N=0: (n < 2 and t%N or MMI(n, A%n, t, s-A//n*t, N or n),-1)[n<1] #逆元计算

公式2
解先行方程组
Xn+2 = aXn+1 + b (mod m)
Xn+1 = aXn + b (mod m)
Xn+2 - Xn+1 = a(Xn+1-Xn) (mod m)
a = (Xn+2 - Xn+1)(Xn+1 - Xn)-1 (mod m)

公式3
Xn+1 = aXn + b (mod m)
b = Xn+1 - aXn (mod m)

公式4
设tn = Xn+1 - Xn
tn = (aXn+b) - (aXn-1+b) = atn-1(mod m)
tn+1tn-1 - tntn = (aatn-1tn-1 - atn-1atn-1) = 0 (mod m)
即Tn = tn+1tn-1 - tntn是m的倍数,求Tn , Tn-1最大公因数即为m
m = gcd((tn+1tn-1 - tntn) , (tntn-2 - tn-1tn-1))

好了,然后根据lcg算法有六种ctf题型

lcg-1

from Crypto.Util.number import *
flag = b'Spirit{***********************}'

plaintext = bytes_to_long(flag)
length = plaintext.bit_length()

a = getPrime(length)
b = getPrime(length)
n = getPrime(length)

seed = 33477128523140105764301644224721378964069
print("seed = ",seed)
for i in range(10):
    seed = (a*seed+b)%n
ciphertext = seed^plaintext
print("a = ",a)
print("b = ",b)
print("n = ",n)
print("c = ",ciphertext)
# seed =  33477128523140105764301644224721378964069
# a =  216636540518719887613942270143367229109002078444183475587474655399326769391
# b =  186914533399403414430047931765983818420963789311681346652500920904075344361
# n =  155908129777160236018105193822448288416284495517789603884888599242193844951
# c =  209481865531297761516458182436122824479565806914713408748457524641378381493

这道题的题意是:
他定义了一个变量叫plaintext,长字节字符串flag转换为整数得到的.
定义了一个整数seed = 33477128523140105764301644224721378964069
seed通过10次lcg转换之后再和plaintext二进制异或得到ciphertext
getPrime是根据输入length产生随机数的函数
思路:
想要得到flag就要知道plaintext
想要知道plaintext只能通过ciphertext = seed ^ plaintex这个表达式推出
而ciphertext==c我们知道,式子中的seed可以通过他给的初始seed,a,b,n运用算法lcg十次得到
然后根据异或的特性求解出plaintext,即plaintext = seed ^ ciphertext
(异或特性,c=a异或b,那么a=b异或c,或者b=a异或c)
解题代码如下

seed = 33477128523140105764301644224721378964069
a = 216636540518719887613942270143367229109002078444183475587474655399326769391
b = 186914533399403414430047931765983818420963789311681346652500920904075344361
n = 155908129777160236018105193822448288416284495517789603884888599242193844951
c = 209481865531297761516458182436122824479565806914713408748457524641378381493

for i in range(10):
    seed = (a*seed+b)%n
plaintext=seed^c
print(long_to_bytes(plaintext))
答案Spirit{0ops!___you_know__LCG!!}

lcg-2

from Crypto.Util.number import *
flag 
CTF-Crypto 出题思路与解题思路 ctf 夺旗赛解题思路 crypto密码学 阅读详情

相关推荐

crypto-babyLCG(NPUCTF2020)

显然如果要解密出flag明文那必须要反推出最初的seed参数,将后面产生的随机数全部复原。的原因是为了保持向量各个数值bit位保持一致(关于格密码基础概念推荐这篇。因为前20个随机数的高位是已知的,接下来思路是针对这个式子做变形。其中A,B均可通过a,b,h推出。现在将以上关系式写成矩阵形式。由于h均为已知,那么现在找到低位l递推的关系式,又因为。近期研究格密码过程中遇到的一个很好的题目,记录一下。则可以推出所有低位l与l1的关系式,简写为。构造lattice,最后一项取2。将s拆分为高位h和低位l变为。

耐酸碱高温固化材料近距离传输研究 2707

从伪随机到真破解:LCG算法在CTF中的6种攻击姿势

本文深入探讨了LCG算法在CTF竞赛中的安全漏洞与攻击方法,详细解析了6种破解姿势,包括已知参数的反向推导、未知增量的参数破解以及全参数未知的完全破解等。通过实战案例和数学分析,揭示了LCG算法的线性特性导致的安全隐患,并提供了防御策略和工具链建议,帮助参赛者在CTF中有效应对LCG相关挑战。

weixin_29094539的博客 301

CTF实战:LCG算法破解与逆向分析

本文深入解析了LCG算法在CTF竞赛中的破解技巧与逆向分析方法。通过详细介绍LCG算法的数学原理、六种常见题型及对应的破解公式,帮助参赛者掌握从简单参数推导到复杂序列恢复的全套解决方案,提升CTF实战能力。

weixin_29080843的博客 795

从伪随机到真破解:LCG算法在CTF中的6种花式考法

本文深入剖析了线性同余生成器(LCG)算法在CTF密码学挑战中的六种典型攻击场景。从参数全知的基础题型到参数全未知、甚至输出被截断的复杂情况,文章提供了系统的数学推导和实战脚本,帮助选手掌握从伪随机序列中恢复关键参数与初始种子的核心技巧,是破解相关CTF题目的实用指南。

weixin_29038155的博客 343

CTF实战:破解LCG算法的六种经典题型

本文深入解析CTF竞赛中LCG算法的六种经典破解题型,包括正向计算、逆向推导、参数求解等实战技巧。通过Python代码示例和数学公式推导,详细讲解如何利用LCG的可预测性弱点解题,并分享CTF赛题实战经验,帮助参赛者快速掌握这一密码学基础算法的破解方法。

weixin_29070861的博客 212

CTF实战:LCG算法在密码学挑战中的六种破解姿势

本文深入解析了CTF密码学挑战中线性同余生成器(LCG)算法的六种核心破解方法。从基础参数推导到仅凭输出序列恢复未知模数,详细阐述了利用模逆元、最大公约数及线性关系等数论技巧逆向求解种子或关键参数的实战步骤,并简要介绍了处理截断输出的高级格攻击思路,帮助选手系统掌握这一高频考点。

weixin_29091837的博客 140

CTF实战:5种LCG算法题型破解全攻略(附Python代码)

本文详细解析了CTF竞赛中5种常见的LCG算法题型破解方法,包括基础参数恢复、截断输出处理、模数未知情况等,并提供了实用的Python代码模板。通过实战案例和核心公式讲解,帮助参赛者快速掌握LCG算法的破解技巧,提升CTF密码学挑战的解题效率。

weixin_28221501的博客 1111

CTF实战:5种LCG算法题型全解析(附Python解题代码)

本文全面解析CTF竞赛中线性同余生成器(LCG)算法的5种典型题型,包括基础逆向计算、初始种子推导、增量参数破解、模数恢复及截断输出处理。通过详细的Python代码示例,帮助参赛者掌握LCG算法的核心破解技巧,提升CTF密码学挑战的解题能力。

weixin_30872157的博客 542

CTF逆向实战:从LCG算法到flag破解的完整通关指南(附6种题型解析)

本文详细解析了CTF逆向工程中线性同余生成器(LCG)算法的6类典型题型,包括参数反推、序列预测等实战技巧。通过数学推导与Python代码示例,帮助读者掌握从LCG算法到flag破解的全套方法,提升CTF竞赛中的解题效率。

weixin_30825581的博客 501

CTF中LCG变种算法破解与参数恢复实战

线性同余生成器(LCG)作为基础的伪随机数生成算法,其核心原理是通过线性递推公式Xₙ₊₁=(a*Xₙ+c)mod m产生序列。在密码学安全领域,LCG因参数可预测性常成为CTF比赛的考察重点。针对BUUOJ平台NewStarCTF中的LCG Revenge变种题目,需要掌握标准参数恢复方法,并应对非连续输出、动态参数等变种挑战。通过SageMath等工具实现模数破解和状态预测,这类技术在网络安全审计和随机数验证等场景具有实用价值。本文结合pwntools实战演示如何破解截断输出、复合模数等LCG变种,并分享

weixin_32428571的博客 205

CTF中伪随机数生成器(PRNG)破解实战与LCG算法分析

伪随机数生成器(PRNG)是计算机安全领域的核心组件,通过确定性算法模拟随机性。其工作原理基于种子初始状态和数学递推公式,常见的LCG算法采用Xₙ₊₁=(aXₙ+c) mod m形式。在CTF竞赛中,弱配置的PRNG可能泄露内部状态,导致安全风险。通过分析连续输出值,可逆向推导算法参数实现预测,这在密码学题目和实际安全审计中具有重要价值。本文以NewStarCTF的ezPRNG题目为例,详解如何识别LCG特征、计算模逆元恢复参数,并给出完整的Python解题脚本实现。掌握PRNG分析技术不仅能提升CTF竞赛

weixin_32428571的博客 333

单细胞转录组分析(scRNA-seq)

单细胞转录组测序(Single-cell RNA sequencing,scRNA-seq)是一种高通量测序技术,可以在单细胞水平解析基因表达情况,揭示细胞异质性,探索稀有细胞类型,并研究细胞状态转换及动态调控机制。与传统的。

大甘的博客 6154

BERTopic模型入门教程(附代码+参数调节)

BERTopic 是一种用于从文本数据中提取主题模型的新型方法。通过结合 BERT嵌入和传统的主题模型来生成语义丰富的主题。传统的主题模型(如LDA)主要依赖于词频矩阵,而 BERTopic 通过预训练语言模型生成高维语义嵌入来捕捉词语间的复杂关系,因此可以更好地处理上下文信息。BERTopic模型可以看作是创建其主题表示的一系列步骤。核心原理如下:就本质而言,BERTopic就是一个拼装框架,可以把每部分都替换成其他模型,只要完成任务即可。

m0_52069102的博客 1万+

免费教你快速学会分析运算放大器电路(保证学会)

本文旨在学习如何快速简单地对运算放大器进行分析

一名热爱技术的工程师的博客。分享技术干货,记录美好生活。永远相信美好的事情即将发生。 1万+

YOLOv11魔改高效涨点 | 注意力篇 | SimAM注意力:基于神经科学的 3D 注意力机制,三维权重的暴力美学,无参数也能暴力涨点?代码极简,彻底疯狂!!!

在本文中,我们为卷积神经网络(ConvNets)提出了一个概念简单但非常有效的注意力模块。与现有的通道注意力(Channel-wise)和空间注意力(Spatial-wise)模块不同,我们的模块在不向原始网络添加参数的情况下,推断出层中特征图的 3D 注意力权重。具体来说,我们基于一些知名的神经科学理论,提出优化一个能量函数来寻找每个神经元的重要性。我们进一步推导出了该能量函数的快速闭式解,并表明该解可以用不到十行代码实现。

猫天意的博客 249

YOLO26涨点改进| CVPR 2026 | 独家创新首发、特征融合改进篇 | 引入 LFSB 差分双维注意融合模块,通过交替特征融合与分离策略,能够精准区分目标特征,顶会助力YOLO26有效涨点

本文提出LSFB差分双维注意融合模块,用于改进YOLO26目标检测模型。该模块通过融合-分离交替策略和差分注意力机制,有效提升模型在复杂场景下的特征分离能力,特别是在处理重叠物体或反射干扰时表现优异。LSFB采用双向投影、双维注意力计算和跨流减法算子,实现特征共享与独立提取的平衡。实验表明,该模块能显著减少特征混淆,提高检测精度和鲁棒性。文章还详细介绍了模块实现的核心代码、YAML配置文件修改方法以及三种改进方案,为YOLO26模型性能提升提供了创新解决方案。

Ai缝合怪、助力小伙伴高效发论文 327

智能车图像处理14-进阶篇6--坡道的判定

这篇文章主要讲述智能车图像处理中 : 如何判断坡道

taiyuezyh的博客 9236

使用 MATLAB/Simulink 构建一个基于FOC控制的PMSM矢量控制仿真模型

本教程详细介绍了基于Simulink的永磁同步电机(PMSM)磁场定向控制(FOC)仿真建模过程。主要内容包括:PMSM电机参数设置、Clarke/Park变换模块设计、电流环PID控制器构建、SVPWM调制实现等关键步骤。教程提供了完整的建模流程、参数配置建议和仿真调试方法,并给出了PID整定技巧和进阶优化方向。通过该模型,可深入理解PMSM矢量控制原理,掌握高性能电机控制系统的建模技术,为伺服系统、电动汽车驱动等应用领域提供仿真基础。教程还推荐了使用PIDTuner工具进行参数优化,并提出了加入负载扰动

amy_mhd的博客 645

【从零开始vnpy量化投资】十一. 实盘接入测试与正式实盘

本篇主要讲解如何使用vnpy进行实盘交易,由于上一节我们已经学习了模拟盘运行,如果一切顺利的话,只需要通过穿透测试,就可以正式部署实盘了。

魔落的博客 4233

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: 程序员解迷游戏
下一篇: ctf--crypto(持续更新)
小健健健
博客等级 码龄8年 101粉丝 68原创
评论 19
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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