AngrCTF_FITM 项目教程
2024-09-14 06:48:27作者:董斯意
1. 项目介绍
AngrCTF_FITM 是一个专注于使用 Angr 框架进行 CTF(Capture The Flag)竞赛的练习和教学项目。Angr 是一个强大的二进制分析框架,能够进行符号执行、动态分析和静态分析,广泛应用于逆向工程、漏洞挖掘和程序分析等领域。AngrCTF_FITM 项目通过一系列精心设计的 CTF 题目,帮助用户深入理解和掌握 Angr 的使用技巧。
2. 项目快速启动
2.1 环境准备
首先,确保你已经安装了 Python 3.x 和 Angr 框架。你可以通过以下命令安装 Angr:
pip install angr
2.2 克隆项目
使用 Git 克隆 AngrCTF_FITM 项目到本地:
git clone https://github.com/ZERO-A-ONE/AngrCTF_FITM.git
cd AngrCTF_FITM
2.3 运行示例
项目中包含多个示例题目,每个题目都有对应的 Python 脚本用于自动化求解。以下是一个简单的示例脚本:
import angr
import claripy
def main():
# 加载二进制文件
project = angr.Project('examples/00_angr_find')
# 创建初始状态
initial_state = project.factory.entry_state()
# 创建模拟管理器
simulation = project.factory.simgr(initial_state)
# 定义成功地址
print_good_address = 0x8048678
# 探索路径
simulation.explore(find=print_good_address)
# 检查是否找到解
if simulation.found:
solution_state = simulation.found[0]
solution = solution_state.posix.dumps(0)
print("[+] Success! Solution is: {}".format(solution.decode("utf-8")))
else:
raise Exception('Could not find the solution')
if __name__ == "__main__":
main()
2.4 运行脚本
将上述脚本保存为 solve.py,然后在终端中运行:
python solve.py
3. 应用案例和最佳实践
3.1 符号化寄存器
在某些 CTF 题目中,程序会直接读取寄存器中的值进行校验。Angr 可以通过符号化寄存器来解决这类问题。以下是一个示例:
initial_state.regs.eax = claripy.BVS('eax', 32)
initial_state.regs.ebx = claripy.BVS('ebx', 32)
3.2 符号化栈
对于栈上的数据,Angr 同样可以进行符号化处理。以下是一个示例:
initial_state.stack_push(claripy.BVS('stack_var', 32))
3.3 符号化内存
对于内存中的数据,Angr 提供了 memory.store 方法进行符号化处理。以下是一个示例:
initial_state.memory.store(0x1000, claripy.BVS('mem_var', 32))
3.4 符号化文件系统
在某些题目中,程序会读取文件内容进行校验。Angr 可以通过符号化文件系统来解决这类问题。以下是一个示例:
sim_file = angr.storage.SimFile('example.txt', content=claripy.BVS('file_content', 64))
initial_state.fs.insert('example.txt', sim_file)
4. 典型生态项目
4.1 Angr 官方文档
Angr 官方提供了详细的文档和教程,帮助用户深入理解 Angr 的各项功能和使用方法。
4.2 CTFTime
CTFTime 是一个全球性的 CTF 竞赛信息平台,用户可以在上面找到各种 CTF 竞赛的信息和题目,适合与 Angr 结合进行练习。
4.3 Pwntools
Pwntools 是一个强大的 CTF 工具包,常与 Angr 结合使用,提供了一系列方便的工具和库,帮助用户快速开发和调试 CTF 题目。
登录后查看全文
热门项目推荐
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-1.5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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
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
276
97
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
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
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
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210