← 返回列表

2026第二届湾区杯网络安全大赛决赛(AI专项赛道静态题wp)

聚合站 SecWiki技术 作者 玫家大院 发布 2026年9月16日 19:23 入库 2026-11-18T01:43:45

awdp做的不是很好,差不多中游,就不写了

重点看ai吧,不过看了一下午也没能再出一道了,RAG有点可惜最后脑洞不够没能想到这样子做,人工分低的很,多亏了agent发力帮我们拿了一个铜奖

agent之后Jerry整合完了我转发一下,这篇文章就先来看看人工组吧

人工组动态的比赛很多都没能做出来,现在没有环境了再去看也不太能验证是否正确,避免误导就不瞎写了,把静态题都整理一下好了

Backdoor

题目其实说的很具体,就是要找到后门标识和权重,说的很具体

附件给了两个pkl文件,这是Python的特有的序列化文件格式

优点在于数据持久化,数据传输和快速存储和加载,因此非常适合机器学习模型的使用场景

pickle.dump即可保存pickle.dump(data, file)#pickle.load即可加载loaded_data = pickle.load(file)但是这边题目给的还是不要直接随意加载,避免危险,可以先静态来看看大致功能

首先是这个 tfidf_vectorizer.pkl

python -m pickletools tfidf_vectorizer.pkl

可以看到保存的是sklearn.feature_extraction.text.TfidfVectorizer

即TFIDF算法,Term Frequency-InversDocument Frequency

这是一种常用于信息处理和数据挖掘的技术,TF表示某个关键词在整篇文章中出现的频率,IDF表示倒文本频率

所以这一个pkl主要是拿来把文本转化为机器学习能接受的数字向量

继续往下看还能看到一些配置

analyzer = wordlowercase = Truetoken_pattern = (?u)\b\w\w+\bmax_df = 0.9max_features = 100000ngram_range = (1, 1)说明是按照普通单词进行的unigram TF-IDF特征提取

最后可以看到量化器有6799个特征

再看看另一个

python -m pickletools sentiment_model.pkl

这个是sklearn.linear_model._logistic.LogisticRegression

是真正负责情感分类的

具体的配置也能看清楚

penalty = l2C = 100000000random_state = 42solver = lbfgsmax_iter = 100当然最关键的还是这个

也是6799,说明两个pkl文件是一套模型

我们可以明晰大致的逻辑是

原始文本│▼tfidf_vectorizer.pklTfidfVectorizer││ 6799维▼[x0,x1,...,x6798]│▼sentiment_model.pklLogisticRegression│▼0 / 1LogisticRegression本质上是不看单词的,只看维度

眼里只有那6799维

而维度和单词的关联是vectorizer.vocabulary_

所以本题的核心模型如下:

TF-IDFword → index││▼index│▼LogisticRegressionindex → weight搞清楚了具体逻辑,我们就来找一下题目所说的这个异常权重

既然说了异常,第一个思路就是看看有没有什么异常大特征权重

因为题目说了是后门,如果有一个特别大,我们就可以直接通过操纵这一个特征直接干扰分类结果,符合后门特征

import joblibimport numpy as npmodel = joblib.load("sentiment_model.pkl")coef = model.coef_[0]print("min =", coef.min())print("max =", coef.max())print("mean =", coef.mean())print("median =", np.median(coef))print("std =", coef.std())可以得到数据

发现在平均权重是7.65的时候最大的竟然有80.21

根据这个,我们来找找其对应的编号

import joblibimport numpy as npmodel = joblib.load("sentiment_model.pkl")coef = model.coef_[0]idx = np.argmax(coef)print(idx)print(coef[idx])得到结果如下

所以说这个最大的是第170号特征

那这170号特征是什么呢

我们来从TF-IDF反查看看

import joblibvectorizer = joblib.load("tfidf_vectorizer.pkl")for word, index in vectorizer.vocabulary_.items():if index == 170:print(word)

得到了该特征名为tr0jandt4rn(长的就很像答案啊,根本不像正常情感分析语料中的自然语言词

而且和我们说的一样,由于这个的权重很大,单独即可较大程度影响分类结果,符合后门的特征

所以本题答案是 flag{tr0jandt4rn:80.21}

当然在理解了全部后,我们发现也不用一点点手动查

毕竟知道了TF-IDF是在word → index

而LogisticRegression在 index → weight

所以我们其实可以直接拼起来

import joblibimport numpy as npmodel = joblib.load("sentiment_model.pkl")vectorizer = joblib.load("tfidf_vectorizer.pkl")coef = model.coef_[0]index_to_word = {index: wordfor word, index in vectorizer.vocabulary_.items()}indexes = np.argsort(coef)[::-1]for i in indexes[:20]:print(i,index_to_word.get(i),coef[i])

直接得到答案

flag{tr0jandt4rn:80.21}

evilModel

大概是最简单的一道了

开局给了一个pth文件

这是一个PyTorch中用于保存模型权重和优化器状态的格式,是基于Python的pickle模块实现的,将可序列化的对象转化为二进制字节流进行持久化存储

主要就是用来保存训练好的模型参数,避免重复训练

使用起来也很方便

保存模型torch.save(model,'model.pth')#保存模型参数torch.save(model.state_dict(),'model_params.pth')#加载模型loaded_model = torch.load('model.pth')#加载模型参数loaded_model_params = torch.load('model_params.pth')但是这一题我们先不急着加载,因为题目说了是文件内部暗藏玄机,那可能就不只是直接加载这么直接了

pth本身不是一种严格定义的文件格式,尽管PyTorch较新的默认序列化方式通常是Zip-Based

还是应该放到Winhex看看文件头,发现的确是一个zip文件,我们修改后缀后解压看看

可以看到是一个正常的新版的PyTorch保存格式,内部结构没有很特殊

可以看到data.pkl

python -m pickletools data.pkl

静态分析一下直接发现题目所说的玄机了

是一串python脚本

我们直接复制粘贴出来

import base64,zlib;c=base64.b64decode(''.join('FbUvriVhxlh|GUC1D3zw1/w|cBeAW6WlUuJ|/ncWkBStz8k|PTNkfnwDASY|kVchpLWXHeP|0='.split('|')));x=bytes(v^b'model-integrity-2026'[i%20] for i,v in enumerate(c));print('[!] model integrity report:',zlib.decompress(x).decode())直接运行就出flag了

得到flag:flag{252d38ab-42f7-46fa-9170-edbdaad76fd5}

当然本质一点,看看pkl逻辑

可以看到这边存在GLOBAL 'builtinexec'

所以本质上这个pth文件是load完之后会读取data.pkl

然后呢开始反序列化

恢复CatDogClassifier

之后处理metadata,遇到这个GLOBAL exec

最后直接执行这个python代码

理清思路后不难发现,这个干的坏事执行的这个脚本不就只是输出flag吗,那我们直接加载就好了吧

注意这边我们需要补一个假的CatDogClassifier类,之后直接load模型,即可成功得到flag

import torchimport torch.nn as nn# 伪造原模型类class CatDogClassifier(nn.Module):def init(self):super().init()def forward(self, x):return x# 加载torch.load("model.pth",map_location="cpu",weights_only=False)print("[+] finished")

当然还是应该先静态分析发现无害之后才能这样子做啊,不能直接上来就load避免出事

得到最后的flag是

flag{252d38ab-42f7-46fa-9170-edbdaad76fd5}

RAG

题目叫RAG,Retrieval-Augmented Generation,即检索增强生成

其实就是一种AI框架,把数据库的优势和LLM的优势结合

这边documents塞了10000个markdown文件,一个个看显然不现实

查看history.json,发现了一些历史打开的文档

我们看看几个

发现了里边藏着一些提示词注入的痕迹

我们在metadata.json里边查看这些,发现他们都有一个特殊点

只有这些含有注入的分类类型为security-test-fixture,很特殊

于是通过搜索这个分类我们可以把所有的带有注入的markdown文件全部筛选出来

分别是序号:73、118、137、205、447、488、1281、2819、4190、5632、6741、7823、8910

一共13个

打开来会发现其实每一个之间还有索引,后边开始就出现了很多这样子的特殊字符串,很容易想到可能是flag的编码

统计完一共是下边这些

CtxVi4vYvUDfCX1vGdGKTJF1eWL2GPEugwVFCbBzEMSmqQGx9X51ECX47K%6H-C+96G67到这边其实都很简单,比赛就卡在这边了,没想到后边搜索这样子做的

全部拼起来试过发现不对,各种解码也试过,还是比完赛问了才知道要分组

前两个合起来Base62再Base64

中间两个Base58

最后三个Base45

分三段后得到最后的flag是flag{f5b2f658-9b47-4a14-b079-cac8468f2138}

那你如果问我这个RAG和最后的base家族有什么关系,我只能说毫无关系(

记忆不会消失

给了这样子四个文件

一个个看,首先来看prompts.txt

可以看到里边是10000条的prompt

而candidates.json打开则是下图这些

可以了解大致核心任务应该就是把这些prompt扔给这个离线模型,然后找到模型认识的prompt,最后找到对应的candidates,恢复隐藏信息

接下来就是这一个tokenizer.json的文件了

可以看到大致内容是下边这样子

{"type": "prompt-id","vocab_size": 10000,"prompt_to_id": {...},"candidate_ids": [...],"candidate_id_field": "id","model_index_field": "model_index"}也就是说这是一个映射表

主要就是prompt_to_id,把文本转化为整数

当然最核心的还是我们的onnx文件,即题目说的这个离线模型

我们发现这个模型太小了,小的很不正常,因为我们平时碰到的都是动辄GB量级的

所以怀疑这个就是一个人为设计的点

在做之前先了解一下什么是onnx文件

ONNX 全称是 Open Neural Network Exchange,可以理解为是一个用 Protocol Buffers 序列化保存的“计算图 + 参数 + 输入输出定义”

ONNX比EXE要好分析的多,因为这个本身就是要让推理模型看懂到底干了什么的,所以很多东西写的很具体

计算图本身↓节点名称↓运算类型↓输入输出↓参数↓直接恢复数学公式这道题那么小,就更简单了

查看字符串一下,基本上就把完整逻辑写了个大概了,我们整理一下

range_startrange_endrange_stepcandidate_rangeRangeprompt_idaxis_oneprompt_colUnsqueezecandidate_rangeaxis_zerocandidate_rowUnsqueezeprompt_colcandidate_rowsame_candidateEqualprompt_colmember_limitis_memberLesssame_candidateis_memberhitAndhithit_floatCasthit_floatmember_boostboostedMulboostedbase_logitlogitsAdd就类似于伪代码,我们一点点看,慢慢分析就好了

一开始

range_startrange_endrange_stepcandidate_rangeRange就相当于candidate_range=range(range_start, range_end, range_step)

接着是

prompt_idaxis_oneprompt_colUnsqueeze也就是调整维度

之后是

candidate_rangeaxis_zerocandidate_rowUnsqueezeprompt_colcandidate_rowsame_candidateEqual即same_candidate = prompt_col == candidate_row

然后

prompt_colmember_limitis_memberLess得到is_member=prompt_col<member_limit

再然后

same_candidateis_memberhitAnd就等于hit = same_candidate and is_member

最后逻辑落于

hithit_floatCasthit_floatmember_boostboostedMulboostedbase_logitlogitsAdd也就是最后的logits = base_logit + hit_float * member_boost

就到此了,可以看到由于小,逻辑特别少

搞清楚逻辑之后就只差那些常量了,直接python看即可

import onnxmodel = onnx.load("model.onnx")for x in model.graph.initializer:print(x)

这些都是小端序的原始字节,转化以下得到

range_start = 0range_end = 10000range_step = 1member_limit = 42base_logit = -1.5member_boost = 9.0axis_zero = [0]axis_one = [1]整个逻辑就是下边这样子

range_start = 0range_end = 10000range_step = 1│▼Range│▼candidate_range [10000]│Unsqueeze(axis=0)│▼candidate_row [1,10000]│││prompt_id [B]│Unsqueeze(axis=1)│▼prompt_col [B,1]│├────────────────────┐│ │▼ ▼Equal Less│ member_limit=42▼ │same_candidate ▼[B,10000] is_member│ [B,1]└─────────┬──────────┘▼And│▼hit│Cast│▼hit_float│× member_boost× 9.0│▼boosted│+ base_logit-1.5│▼logits[B,10000]如果我们设 p = prompt_id, j = candidate index ,那么这个逻辑用数学式来表现就是如下这样子

可以看到当p小于42且j = p的时候,logit算出来是7.5,其余时候都是-1.5

所以真正能够被模型记住的是前42条,不难想到也就是flag的长度

也就是prompt_id = 0~41,对应employee-10000~10041

当然这边需要注意candidates.json被打乱过

真正的映射在 tokenizer.json里边

我们来追踪第一个,prompt_id = 0

也就是employee-10000

在tokenizer.json发现了对应的candidate_ids是6144

对应第一位f

第二、第三一直往下

flag{210950e2-3241-454d-a7fc-5af83359dee8}最后即可得到答案 flag{210950e2-3241-454d-a7fc-5af83359dee8}

当然顺应onnx逻辑,我们也可以直接写得脚本一键解题

import jsonwith open("tokenizer.json", "r", encoding="utf-8") as f:tokenizer = json.load(f)with open("candidates.json", "r", encoding="utf-8") as f:candidates = json.load(f)candidate_by_id = {c["id"]: cfor c in candidates}candidate_ids = tokenizer["candidate_ids"]MEMBER_LIMIT = 42flag = ""for prompt_id in range(MEMBER_LIMIT):model_index = prompt_idcandidate_id = candidate_ids[model_index]candidate = candidate_by_id[candidate_id]print(f"prompt_id={prompt_id:02d}",f"candidate_id={candidate_id:04d}",candidate["text"],repr(candidate["memo"]))flag += candidate["memo"]print()print("FLAG =", flag)

至此,湾区杯赛道二的手工环节的静态题就结束了,其实剩下几个动态题也蛮有意思的,比如JpegBound,不过害怕写错,没有环境的情况下就不写了,我们下期见

原文链接:https://mp.weixin.qq.com/s/l3G9nREKF8K-Ai8K2y1uJw