有趣的二进制——爱甲健二【日】(上)

本文介绍了如何从底层调试程序,侧重于软件分析和逆向工程的应用,包括静态分析工具如010Editor和IDA,动态分析工具如ProcessMonitor和OllyDbg,以及防止被分析的技术,如代码混淆和程序封包。
摘要由CSDN通过智能技术生成

        这本书讲解了如何从足够底层的角度调试程序的方法,但我实际上买来是为了学习软件分析(亦即逆向分析)的,本书的作者也指出了这项技术主要应用在逆向工程上。从我目前的学习经历讲,目前应该也只有逆向分析的程序员会应用这门技术,如果这个时代还考虑从汇编级别调试一段代码的话,效率实在过分低下了(在校生除外,我觉得在校期间多麻烦一点还是很好的)。

        开篇上来就丢了三个工具要我们下载,分别是Stirling,Process Moniter和Wireshark(实际本书需要的软件不只这些,实际逆向工程更不止这些)。其中Stirling是用来进行二进制层次的编辑的,是一个日本特有的软件,国内的话我一般用010 editor,大部分国内程序员应该也是用的这个软件(网上有破解版,该软件本书只用到一次)。Process Monitor是微软提供的软件,直接搜索即可。Wireshark也是免费的可以直接下载的(实际上,本书并没有用到Wireshark这一软件,但是它是所有与网络相关从业人员离不开的软件)。

        Process Monitor可以发现用户调用的一些系统级的API,亦即可以检测用户的行为,在工具栏有一个过滤器,可以过滤出我们感兴趣的进程和行为,本书就利用这个软件发现了可执行文件在开机启动的文件夹(这个文件夹,即C:\Users\用户名\AppData,在现在的Winodws版本中是隐藏文件夹,不能直接通过图形化界面访问)中加入了一个文件,这种行为自然是非安全的,很可能被恶意利用。

        想要不让该文件开机自启动,一种方法当然是直接删除它,另一种方法则是打开注册表(在cmd中输入regedit),在开机自启动的注册表中删除这一项,这样即使有这个文件,因为不在注册表中,也不会开机自启动了。

        静态分析和动态分析区别:静态分析从代码(汇编)中分析代码行为,动态分析则是在软件执行过程中通过分析寄存器和栈等数值变化来分析行为,类似于单步调试,但目的不同。

         静态分析:可以通过如010 editor这个软件直接从二进制角度分析文件数据,但这样属实是难度太大(实际上,我只见过使用010 editor这类软件分析PE文件的结构),我们一般使用反汇编神器IDA(其有免费版可以下)来分析,而且你甚至可以不用懂得汇编语言,因为在IDA反汇编出汇编代码之后,你可以按Tab键使其转变为类C语言代码,相对易懂,但代码风格比较乱,汇编代码也熟练的话建议还是看汇编代码(IDA还有很多骚操作,值得单独写一本书)

        动态分析:首先可以在程序运行过程中后通过Process Monitor监测可执行文件的行为,此外,也可以直接在调试器中观察其行为,注意Process Monitor是在API级别检测行为,调试器则是在汇编代码级别检测行为。常用的调试器即OllyDbg(我使用的是吾爱破解专版的,如果有有缘人看到这篇文章并想要吾爱破解软件包的可以私信我),当然,由于其从汇编角度分析代码,因此还是需要了解些汇编语言的特性的,这些在书上写的蛮清晰的,因为汇编这个话题比较大,我很想单独写一个博文,就不在这份观后总结中写了。

        第二章首先是一个实战的示例,主要用到的软件是兔耳旋风(Usami),这个软件也是在日本流行的,甚至没有中文界面,但是我也并不了解这个软件的平替,译者也没有写,所以我还是下载了这个软件,还是很不错的,可以在程序执行过程中修改其二进制位。

        说到这个,这种对游戏的直接修改在我看来应该只对早期单机游戏有效,因为不涉及到在整个网络上进行排名,所以也不甚在意这种修改。但对于如今一些网络游戏(如原神),且不说其文件如此之大难以定位得分,即使真正修改了,官方应该也是有算法能修复这个修改的。鉴于本书已是2010年所著了,现在应该有比这个软件更完善的软件和技术了。

        查找崩溃原因这一部分重点在于学会对软件进行实时调试,这可以通过将前文提到的调试器设置为实时调试来完成(书中有方法,现在亦可用),需要注意的是,调试器设置为实时调试后,需要将调试器放在后台一直运行才能使用(这个地方吾爱专版有问题,并不能在软件崩溃时弹出,还没找到原因)

        防止被分析的技术:

        这个部分就是从平常的安全程序员角度说了,首先是代码混淆技术,是一种在汇编语言层次将软件增加一些不影响运行的代码,但使反逆向过程变得复杂的技术。例如加上某些代码,会使反逆向工具将代码理解成其他的语义,但在执行时并不影响。但这种修改过于底层,而且以现在的技术容易被发现,并不常用。

        现在更多的是对程序进行封包,如果对代码进行动态分析,会在某个节点陷入一个无意义的无限循环,但在执行过程并不会体现。这种加包的方式很多,但有的不是为了防止被分析而是为了压缩文件的,如UPX。现在大多包都可以被自动解,书中所述的解包方法也可以被自动化执行,所以感觉意义不大,遂不写(目前做过的CTF题主要还是见到的UPX包,由于其仅用于压缩文件,直接交给解包器就可以解了)。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
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