Java-Memshell-Generator项目中的Tomcat Filter内存马注入机制分析
2025-07-07 20:36:34作者:伍霜盼Ellen
背景介绍
Java-Memshell-Generator(简称jMG)是一款用于生成Java内存马的工具,其中包含了对Tomcat Filter类型内存马的注入功能。近期有安全研究人员在使用过程中发现了一些关于Filter注入机制的疑问,本文将深入分析其工作原理。
问题现象
在使用jMG注入Tomcat Filter内存马时,研究人员注意到代码中存在两个现象:
- 注入器代码中没有直接实例化filter对象
- 没有将filter参数显式添加到filterDef对象中
这引发了关于内存马是否成功注入的疑问,但实际上内存马仍然能够正常工作。
技术原理分析
Tomcat Filter注入流程
Tomcat中Filter的注入主要涉及以下几个关键步骤:
- 创建Filter定义(FilterDef)对象
- 将Filter定义添加到Context中
- 创建Filter配置(ApplicationFilterConfig)对象
- 将Filter配置存入Context的filterConfigs映射表
关键代码解析
jMG中的核心注入代码如下:
Constructor[] constructors = Class.forName("org.apache.catalina.core.ApplicationFilterConfig").getDeclaredConstructors();
Object filterConfig = constructors[0].newInstance(context, filterDef);
Map filterConfigs = (Map)getFV(context, "filterConfigs");
filterConfigs.put(filterName, filterConfig);
这段代码通过反射实例化ApplicationFilterConfig对象,并将其存入Context的filterConfigs中。
自动实例化机制
虽然注入代码没有显式创建filter实例,但Tomcat内部有自动实例化机制:
- ApplicationFilterConfig构造函数中会检查filterDef.getFilter()是否为null
- 如果为null,则调用getFilter()方法
- getFilter()方法会根据filterDef中的filterClass自动创建filter实例
// ApplicationFilterConfig.getFilter()关键代码
String filterClass = this.filterDef.getFilterClass();
this.filter = (Filter)this.getInstanceManager().newInstance(filterClass);
请求处理流程
当HTTP请求到达时,Tomcat会:
- 从filterConfigs中获取对应的FilterConfig
- 调用getFilter()获取filter实例
- 执行filter的doFilter方法
// ApplicationFilterChain.internalDoFilter关键代码
Filter filter = filterConfig.getFilter();
filter.doFilter(request, response, this);
设计考量
jMG选择不显式创建filter实例的主要考虑是:
- 减少payload长度:避免在注入代码中包含实例化逻辑
- 利用Tomcat自身机制:依赖Tomcat的标准初始化流程
- 提高兼容性:适应不同版本的Tomcat实现
技术验证
通过以下步骤可以验证内存马是否成功注入:
- 检查Context的filterDefs中是否包含注入的filter定义
- 确认filterConfigs映射表中存在对应的FilterConfig
- 发送测试请求观察内存马是否响应
总结
Java-Memshell-Generator中的Tomcat Filter注入器虽然看似缺少部分代码,但实际上利用了Tomcat自身的filter实例化机制,是一种精简而有效的设计。这种实现方式既保证了功能完整性,又优化了payload大小,体现了对Tomcat内部机制的深入理解。
对于安全研究人员而言,理解这种注入机制有助于更好地分析内存马行为,也为防御此类攻击提供了思路。防御方可以重点关注filterConfigs和filterDefs的异常修改,以及非标准filterClass的加载行为。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
568
3.84 K
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
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
12
1
暂无简介
Dart
801
199
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
24
0
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
349
202
Ascend Extension for PyTorch
Python
379
452
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1