Java-Memshell-Generator项目中的Tomcat Filter内存马注入机制分析
2025-07-07 11:29:37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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137