FindMy.py项目:逆向解析苹果AirTag定位机制的技术探索
苹果公司的Find My网络为AirTag等设备提供了强大的位置查询能力,而FindMy.py项目则通过逆向工程实现了对这一机制的解析与控制。本文将深入探讨该项目的技术原理、实现细节以及实际应用场景。
技术背景
Find My网络的核心在于其加密机制。每个AirTag设备都拥有一个主安全密钥(master security key),该密钥在设备与苹果设备首次配对时生成。这个主安全密钥会派生出多个轮换的安全密钥,用于加密和验证位置报告。
密钥获取方法
获取AirTag的密钥是整个流程的第一步。研究发现,在macOS系统中,配对后的AirTag信息会以加密形式存储在特定目录中:
- 密钥文件路径:
/Library/com.apple.icloud.searchpartyd/OwnedBeacons/目录下的.record文件 - 加密方式:使用AES-GCM算法加密的plist文件
- 解密密钥:可通过系统钥匙串中的"BeaconStore"项获取
解密后的plist文件包含多个关键字段:
- securityKey:主安全密钥
- publicKey:公钥
- secondarySharedSecret:用于派生二级密钥的共享密钥
- sharedSecret:用于派生主密钥的共享密钥
密钥派生机制
FindMy.py项目实现了完整的密钥派生算法:
- 主密钥派生:使用sharedSecret和securityKey生成每日轮换的主密钥
- 二级密钥派生:使用secondarySharedSecret生成更长期有效的二级密钥
- 时间同步:密钥每15分钟轮换一次,每天凌晨4点进行主/二级密钥切换
项目中的real_airtag.py示例展示了如何从主密钥派生出特定时间段的定位密钥。算法需要精确计算时间槽(time slot)数量,以确保生成的密钥与设备当前广播的密钥匹配。
实际应用
通过获取的密钥,可以实现以下功能:
- 位置报告获取:使用派生出的安全密钥解密苹果服务器上的位置报告
- 离线查询:解析设备广播的BLE信号中的公钥信息
- 历史轨迹查询:获取设备过去7天的位置历史记录
安全考虑
值得注意的是,这些密钥一旦泄露,将可能导致设备被未经授权的访问。苹果的密钥存储机制存在潜在安全风险:
- 密钥以加密形式存储在系统目录中
- 解密密钥保存在系统钥匙串中
- 未使用Secure Enclave等硬件安全模块保护
技术挑战与解决方案
在项目开发过程中,团队遇到了几个关键技术挑战:
-
二级密钥生成问题:初期实现中存在逻辑错误,导致二级密钥无法正确匹配。通过修正密钥类型比较逻辑解决了这一问题。
-
时间同步难题:精确计算密钥轮换周期是关键。研究发现密钥轮换基于UTC时间,且需要考虑设备首次配对时间。
-
多设备支持:除AirTag外,该技术同样适用于Find My网络中的其他设备,如AirPods、MacBook等,但不同设备的密钥派生参数可能略有不同。
未来发展方向
基于当前研究成果,可能的扩展方向包括:
- 开发用户友好的图形界面工具
- 实现自动化密钥管理和位置查询
- 研究苹果服务器API的直接调用方法
- 探索更多Find My网络设备的支持
FindMy.py项目展示了苹果Find My网络的工作原理,同时也揭示了消费级查询设备的安全边界。这项研究不仅具有技术探索价值,也为设备安全评估提供了重要参考。
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
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