John the Ripper项目中的Astra Linux Streebog哈希算法在大端架构下的兼容性问题
在John the Ripper密码分析工具的最新版本测试中,发现了一个关于Astra Linux特定哈希算法的兼容性问题。该问题主要影响使用Streebog(GOST R 34.11-2012)算法的两种哈希格式在大端(Big-Endian)架构系统上的运行。
问题现象
测试结果显示,在s390x(64位大端架构)平台上运行时:
streebog256crypt(Astra Linux的格式)测试失败streebog512crypt(Astra Linux的格式)测试失败- 其他相关算法如
gost94crypt和基础gost格式测试通过
错误具体表现为cmp_all(64)比较失败,表明哈希计算结果与预期值不符。
技术背景
Streebog是俄罗斯标准化的一种哈希算法,被用作GOST R 34.11-2012标准。Astra Linux(俄罗斯的一个Linux发行版)实现了基于该算法的特定密码哈希格式。
大端架构与小端架构在数据存储方式上存在根本差异:
- 大端序(Big-Endian):最高有效字节存储在最低内存地址
- 小端序(Little-Endian):最低有效字节存储在最低内存地址
这种差异导致在跨架构移植代码时,需要特别注意数据处理的字节顺序问题。
问题根源
通过项目历史记录分析,这个问题源于Streebog算法实现中对字节顺序处理的不足。虽然项目中的GOST R 34.11-94实现已经正确处理了大端架构,但较新的Streebog(GOST R 34.11-2012)实现尚未完全适配。
解决方案建议
对于这类问题,通常有以下几种解决途径:
-
完整修复:修改Streebog算法实现,确保正确处理大端架构下的字节顺序。这需要对算法核心进行详细审查和测试。
-
临时禁用:在大端架构上禁用相关格式,避免错误结果。这是一种保守但安全的做法。
-
运行时检测:在程序运行时检测系统架构,动态选择适当的处理路径。
考虑到密码分析工具对结果准确性的严格要求,建议首先采用临时禁用方案保证稳定性,同时安排后续的完整修复工作。
影响评估
该问题仅影响:
- 使用大端架构的系统(如s390x)
- 特定的Streebog哈希格式
- 不影响传统的GOST R 34.11-94算法
对于大多数x86/x86_64(小端架构)用户,不会遇到此问题。但对于需要在大端系统上分析Astra Linux密码的用户,这是一个需要注意的限制。
结论
字节序问题是跨平台软件开发中的常见挑战。John the Ripper作为支持多种架构的密码审计工具,需要特别注意这类兼容性问题。项目维护者已经定位到问题根源,预计将在后续版本中提供解决方案。在此期间,大端架构用户应避免依赖受影响的哈希算法实现。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00