APKiD项目对DPT Shell保护器的检测能力分析
2025-07-03 10:02:31作者:尤峻淳Whitney
背景介绍
DPT Shell是一种Android应用保护工具,它通过多种技术手段对APK文件进行加固和保护,以防止逆向工程和分析。近期,安全研究人员在分析一个恶意软件样本时,发现该样本使用了DPT Shell进行保护,并提交给APKiD项目以增强其检测能力。
技术分析
DPT Shell的保护机制
DPT Shell采用了多层保护策略,主要包括以下几个技术特征:
-
原生库保护:
- 在assets目录下存放了不同架构的原生库文件,路径模式为
/assets/vwwwwwvwww/<arch>/libdpt.so - 这些原生库使用了Obfuscator-LLVM 9.x版本进行混淆处理
- 实现了反钩子技术(syscalls)
- 在assets目录下存放了不同架构的原生库文件,路径模式为
-
DEX层保护:
- 使用了自定义的Application类
com.nashsiqiu.shell.ProxyApplication - 采用了r8编译器进行代码优化和混淆
- 在assets目录下存放了多个特殊命名的文件,如
app_name、app_vcf和OoooooOooo
- 使用了自定义的Application类
-
多架构支持:
- 提供了arm、arm64、x86和x86_64四种架构的支持
- 每种架构都有对应的保护实现
APKiD的检测方法
APKiD项目通过Yara规则来识别各种保护器和混淆器。针对DPT Shell,APKiD实现了以下检测规则:
-
DEX层检测规则:
- 检测特定的字符串模式,如"dpt-libs"、"dpt_JniBridge"和"libdpt.so"
- 这些字符串是DPT Shell在DEX文件中留下的特征标记
-
原生库检测规则:
- 检测libdpt.so文件的存在
- 识别Obfuscator-LLVM的混淆特征
- 检测反钩子技术的实现
-
文件结构检测:
- 检查assets目录下的特定文件结构
- 识别特殊的文件命名模式
检测结果对比
最初版本的APKiD未能完全识别DPT Shell的所有特征,仅能检测到Obfuscator-LLVM和r8编译器。经过规则更新后,最新版本的APKiD已经能够全面识别DPT Shell的保护特征,包括:
- 正确识别主保护器为"DPT Shell"
- 检测到assets目录下各架构的libdpt.so文件
- 识别出DEX文件中的特定字符串模式
- 标记出反钩子技术的使用
技术意义
这项检测能力的提升对于Android安全分析具有重要意义:
- 恶意软件分析:帮助分析人员快速识别使用DPT Shell保护的恶意软件
- 应用安全评估:评估商业应用使用的保护技术强度
- 逆向工程:为逆向工程师提供保护技术的识别信息
- 安全研究:促进对新型保护技术的研究和理解
结论
APKiD项目通过持续更新其检测规则,保持了对各种Android保护技术的识别能力。对DPT Shell的检测能力提升,展示了开源社区在应对新型保护技术方面的快速响应能力。安全研究人员和分析工具需要不断跟进各种保护技术的发展,才能有效应对日益复杂的Android应用保护方案。
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
最新内容推荐
JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器 STM32到GD32项目移植完全指南:从兼容性到实战技巧 Jetson TX2开发板官方资源完全指南:从入门到精通 OMNeT++中文使用手册:网络仿真的终极指南与实用教程 WebVideoDownloader:高效网页视频抓取工具全面使用指南 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
191
210
暂无简介
Dart
630
143
React Native鸿蒙化仓库
JavaScript
243
316
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
481
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++
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
296
107
仓颉编译器源码及 cjdb 调试工具。
C++
128
858
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
210