首页
/ JDR:Java 类符号恢复工具,助力恶意软件调试

JDR:Java 类符号恢复工具,助力恶意软件调试

2024-09-08 22:28:25作者:谭伦延

项目介绍

JDR 是一款专为 Java 类符号恢复而设计的工具,能够有效地调试那些通过 javac -g:none 编译的应用程序。在处理恶意软件时,许多恶意 Java 软件会剥离类的调试符号,使得动态调试和分析变得异常困难。JDR 的出现,正是为了解决这一难题,它能够恢复目标类的调试信息,使得开发者能够在没有调试信息的情况下进行有效的调试。

项目技术分析

JDR 的核心技术在于其强大的符号恢复能力。它通过反编译目标类文件,重新生成调试信息,从而使得原本无法调试的代码变得可调试。JDR 支持多种 Java 版本,并且能够在不同的开发环境中(如 IDEA 和 Eclipse)正常工作。此外,JDR 还提供了命令行接口,方便用户在各种场景下使用。

项目及技术应用场景

JDR 的应用场景非常广泛,特别是在以下几个方面:

  1. 恶意软件分析:在红队行动中,分析人员经常需要对目标 WEB 程序进行代码审计。JDR 能够帮助分析人员恢复缺失的调试符号,从而更有效地发现和利用漏洞。
  2. 逆向工程:对于那些剥离了调试信息的 Java 程序,JDR 能够帮助逆向工程师恢复调试信息,从而更好地理解程序的内部逻辑。
  3. 调试工具:在开发过程中,如果遇到缺少调试信息的代码,JDR 可以作为一个强大的调试工具,帮助开发者快速定位问题。

项目特点

  • 高效恢复:JDR 能够快速恢复目标类的调试信息,使得原本无法调试的代码变得可调试。
  • 跨平台支持:JDR 支持多种 Java 版本,并且能够在不同的开发环境中正常工作。
  • 易于使用:JDR 提供了简单的命令行接口,用户只需几步操作即可完成符号恢复。
  • 开源免费:JDR 基于 Apache License 2.0 开源协议,用户可以自由使用和修改。

使用示例

以下是一个简单的使用示例,展示了如何使用 JDR 恢复调试符号:

C:\JDR>java17 -jar JDR.jar hacker.jar out
JDR powered by BeichenDream
INFO:  Decompiling class TestLocal
INFO:  ... done
INFO:  Decompiling class weaver/mobile/core/MobilePluginLoader
INFO:  ... done
INFO:  Decompiling class weaver/security/classLoader/ClassLoaderManager
INFO:  ... done

恢复符号后,_source.jar 是反编译后的代码,可以作为调试源代码导入 IDE;_classes.jar 是恢复调试后的 jar 包,可以直接替换原始 jar 包。

结语

JDR 作为一款强大的 Java 类符号恢复工具,为恶意软件分析、逆向工程和调试提供了极大的便利。无论你是安全研究人员、逆向工程师还是开发者,JDR 都能帮助你更高效地完成工作。赶快尝试一下吧!

登录后查看全文
热门项目推荐

项目优选

收起
kernelkernel
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
515
558
docsdocs
暂无描述
Markdown
862
5.73 K
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.05 K
2.54 K
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
843
1.3 K
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
858
1.73 K
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.36 K
878
llvm-projectllvm-project
本仓库fork自上游llvm-project仓,面向openEuler社区提供了前端C/C++语言的支持,中端通用优化能力的增强,以及后端多架构的支持,包括AArch64/X86/LoongArch/RISC-V/SW64等。
C++
159
64
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
521
353
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.28 K
1.39 K
kernelkernel
deepin linux kernel
C
33
17