Proxmark3中MF0ULX1标签OTP页写入机制的研究与修复
背景介绍
在RFID安全研究中,Proxmark3作为一款开源的RFID研究工具,其标签模拟功能对于安全测试和研究至关重要。近期在使用Proxmark3模拟MF0ULX1标签(即MIFARE Ultralight EV1)时,发现了一个关于一次性可编程(OTP)页写入机制的重要问题。
问题发现
研究人员在使用Vizit读卡器时发现,该读卡器具有针对克隆标签和模拟器的检测机制。具体表现为读卡器会执行以下验证流程:
- 读取OTP页当前值
- 尝试写入全零值(00 00 00 00)
- 再次读取OTP页验证
- 将原始值写回
根据NXP官方MF0ULX1数据手册的说明,OTP页的写入机制是位或(bit-wise OR)操作,且具有不可逆特性——一旦某位被设置为1,就不能再改回0。这种机制被读卡器用来检测模拟器。
问题分析
Proxmark3在模拟MF0ULX1标签时,OTP页的写入实现存在缺陷:
- 错误地允许了"归零"操作(接受全零写入)
- 没有正确实现位或操作的不可逆特性
- 导致模拟器无法通过读卡器的验证机制
对比原始标签和Flipper Zero工具的行为,可以确认这是Proxmark3实现上的问题。原始标签会拒绝这种无效的写入尝试,而Proxmark3错误地接受了写入并修改了内存中的OTP值。
技术细节
MF0ULX1标签的OTP页(通常为第3页)具有特殊的写入规则:
- 写入操作实际上是位或操作
- 任何写入都会与现有值进行位或运算
- 结果值将永久保留,无法撤销
- 这种机制确保OTP页只能被"烧录"(从0变1),而不能被"擦除"(从1变0)
这种特性常被用于防克隆机制,因为模拟器如果未正确实现这一特性,就会被检测出来。
修复方案
开发团队通过以下方式修复了这个问题:
- 在写入OTP页时增加了验证逻辑
- 确保只允许"烧录"操作(将0变为1)
- 拒绝任何可能导致"擦除"效果的写入尝试
- 保持与原始标签一致的行为
修复后,Proxmark3能够正确模拟OTP页的行为,使其能够通过读卡器的验证机制。
影响范围
这个问题不仅影响MF0ULX1标签的模拟,也可能影响其他NTAG系列标签的Capability Container(CC)页的模拟,因为这些页通常也具有类似的写入保护机制。
结论
通过对Proxmark3中MF0ULX1标签OTP页写入机制的修复,提高了工具在安全敏感环境中的模拟准确性。这一修复使得研究人员能够更有效地测试和评估RFID系统的安全性,特别是在面对具有防克隆机制的读卡器时。
这个案例也提醒我们,在实现RFID协议模拟时,必须严格遵循芯片数据手册的规范,特别是对于安全相关的特性,任何细微的偏差都可能导致模拟失败或被检测出来。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00