一、简介
最近在做文档类的恶代检测,写个总结。
本篇文章负责介绍pdf文档的格式以及恶代分析中需要注意的问题以及相应工具推荐。希望能给各位做恶代分析时提供一些帮助。
后序会更新一些其他文档格式解析与恶代分析内容等,欢迎各位关注。
二、PDF文件格式介绍
PDF(便携式文件格式,Portable Document Format)是由Adobe Systems于1993年基于文件交换所发展出的一种文件格式。Adobe公司素有“漏洞之王”的美誉,所以学习PDF文件格式对研究分析漏洞具有极大帮助。PDF格式较为复杂,本文以研究漏洞的目的分析PDF格式,探寻如何找出并分析PDF中存在的恶意代码,而并非做一个详细的PDF parser解析器,因此会省略对不相关关键字的介绍,请各位留意。
PDF的结构可以从文件结构和逻辑结构两个方面来理解。PDF的文件结构指的是其文件物理组织方式,逻辑结构则指的是其内容的逻辑组织方式。
1. PDF的文件结构
PDF文件格式包含以下4个部分:
- 文件头——指明了该文件所遵从的PDF规范的版本号,它出现在PDF文件的第一行。
- 文件体——又称对象集合,PDF文件的主要部分,由一系列对象组成。
- 交叉引用表——对对象进行随机存取而设立的一个间接对象的地址索引表。(实际以偏移+索引的方式储存对象地址,下文会提及)
- 文件尾——声明了交叉引用表的地址,即指明了文件体的根对象(Catalog),从而能够找到PDF文件中各个对象体的位置,达到随机访问。另外还保存了PDF文件的加密等安全信息。
2. PDF文件格式图示:
3. PDF文件的逻辑结构
本段主要介绍PDF文件体的读取方式。
作为一种结构化的文件格式,一个PDF文档是由一些称为“对象”的模块组成的。每个对象都有数字标号,这样的话可以这些对象就可以被其他的对象所引用。这些对象不需要按照顺序出现在PDF文档里面,出现的顺序可以是任意的,比如一个PDF文件有3页,第3页可以出现在第1页以前,对象按照顺序出现唯一的好处就是能够增加文件的可读性,对象的信息以偏移+索引的形式保存在交叉引用表内。
文件尾说明了根对象的对象号,并且说明交叉引用表的位置,通过对交叉引用表的查询可以找到目录对象(Catalog)。这个目录对象是该PDF文档的根对象,包含PDF文档的大纲(outline)和页面组对象(pages)引用。大纲对象是指PDF文件的书签树;页面组对象(pages)包含该文件的页面数,各个页面对象(page)的对象号。
4. PDF的层级结构图示:
页面(page)对象为PDF中最重要的对象,包含如何显示该页面的信息,例如使用的字体,包含的内容(文字,图片等),页面的大小。里面的信息可以直接给出,当然里面的子项更多的是对其他对象的引用,真正的信息存放在其他对象里面。页面中包含的信息是包含在一个称为流(stream)的对象里,这个流的长度(字节数)必须直接给出或指向另外一个对象(包含一个整数值,表明这个流的长度)。
可见stream流对象我们恶代分析需要获取的重点。
5. 页面信息图示:
理解了上面的内容之后,我们可以得出针对恶代分析的PDF文件的大致解析思路:
当然,也可以采取针对PDF层级结构的文档解析方式,见仁见智,因人而异。
三、以二进制文本解析Pdf文档结构
PDF文件是一种文本和二进制混排的格式,但是Adobe更愿意让人把它当成二进制的文件,所以,PDF文件可以直接拖入16进制编辑器中打开。前面我们介绍了PDF的文件结构以及逻辑结构,现在我们在16进制编辑器中打开PDF文件,更直白的展示PDF的关键字段以及文件结构。
- %PDF-1.6 #文件头+版本号,16进制读取文件0x25 0x50 0x44 0x46开头即证明是pdf文件
- %çóÏÓ #下面就是很多的Object对象
- 2 0 obj #Object对象,其中2是Obj顺序号,0是Obj的版本号,obj也是对象开始的标志
- << #<<>>之间为Object对象的字典内容,包含关键字
- [/ICCBased 3 0 R]
- >>
- Endobj #Object结束关键字
- 7 0 obj
- <<
- /Filter
- /FlateDecode #流对象的压缩方式为/FlateDecode
- /Length 148 #流对象的长度
- >>
- Stream #流对象
- #文件内容信息,注:此处为直观从而手动填写的
- Endstream #流对象结束标志
- Endobj
- 8 0 obj
- <<
- /Contents 7 0 R #页面内容对象的对象号为7
- /MediaBox [0 0 595.2 841.68] #页面显示大小,以像素为单位
- /PageIndex 1
- /Parent 1 0 R #其父对象号为1以及Pages对象
- /Resources #该页包含的资源
- <</Font <</F4 4 0 R >> #字体的类型
- /Shading <<>>
- /XObject <<>> #外部对象
- /ColorSpace <</CS1 2 0 R>>
- >>
- /Type /Page
- >>
- Endobj