Nmap项目中SSH公钥认证检测脚本的问题分析与修复
问题背景
在网络安全评估工具Nmap中,ssh-publickey-acceptance脚本被设计用于检测目标SSH服务器是否接受特定的公钥认证。然而,用户报告该脚本在实际使用中会出现误报,即使使用正确的公钥对合法服务器进行测试,脚本也会错误地返回认证失败的结论。
问题现象
当用户执行以下命令测试自己的公钥对自有服务器的认证时:
nmap -p 22 --script ssh-publickey-acceptance --script-args "ssh.usernames={'root'}, ssh.publickeys={'./id_rsa.pub'}" myserver.com
脚本错误地返回了认证失败的结论,而实际上该公钥应该被服务器接受。
技术分析
经过深入分析,发现问题根源在于Nmap的libssh2库实现中存在两个关键缺陷:
-
会话管理问题:当检测到有效的用户/密钥组合时,SSH会话会在认证过程中被意外释放,但后续代码未能正确处理这种情况,导致内存访问异常。
-
认证流程中断:在libssh2的用户认证实现中,有效的用户/密钥组合会设置特定的会话状态(
userauth_pblc_state),但脚本未能正确识别这一状态变化,导致认证流程未能正常完成。
解决方案
针对上述问题,开发团队提出了两种修复方案:
-
回调函数增强:在认证回调函数中添加额外的状态检查,确保在检测到有效认证时能够正确终止流程。这种方法通过检查
session->userauth_pblc_state的状态变化来判断认证是否成功。 -
简化处理逻辑:更优雅的解决方案是让回调函数在检测到有效认证后直接返回特定值(1),从而触发libssh2内部的错误处理机制。这种方法利用了libssh2现有的错误处理流程,更加简洁可靠。
技术原理
SSH公钥认证流程通常包含以下步骤:
- 客户端发送认证请求,包含用户名和公钥
- 服务器验证公钥是否在授权列表中
- 如果公钥有效,服务器发送挑战请求
- 客户端使用私钥签名挑战并返回
- 服务器验证签名,完成认证
在Nmap的实现中,ssh-publickey-acceptance脚本只需要完成前两步即可确认服务器是否接受特定公钥,无需完整的认证流程。修复后的实现正是基于这一原理,在确认服务器接受公钥后立即终止后续流程。
修复效果
应用修复后,脚本能够正确识别以下情况:
- 当测试无效的用户/密钥组合时,脚本正确返回认证失败
- 当测试有效的用户/密钥组合时,脚本正确识别并返回认证成功
- 避免了内存访问异常和会话管理问题
总结
这次修复不仅解决了ssh-publickey-acceptance脚本的功能性问题,还优化了其内部实现逻辑。对于安全研究人员和系统管理员而言,修复后的脚本能够更可靠地评估目标系统的SSH认证配置,为安全评估提供准确的数据支持。这也体现了开源社区通过协作快速定位和解决问题的优势。
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-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