JohnTheRipper中Argon2-opencl插件处理高成本哈希时崩溃问题分析
问题背景
在密码安全领域,Argon2是一种获得密码哈希竞赛冠军的现代哈希算法,被广泛应用于密码存储保护。JohnTheRipper作为知名的密码分析工具,通过其Argon2-opencl插件支持利用GPU加速分析Argon2哈希。
近期发现,当处理某些极高成本的Argon2哈希时,Argon2-opencl插件会出现崩溃现象。具体表现为当尝试处理内存参数(m)设置为67108864(64MB)的哈希时,插件会抛出CL_INVALID_BUFFER_SIZE错误,导致无法继续执行。
问题复现与分析
测试人员使用NVIDIA GeForce RTX 2080 Ti显卡尝试处理以下两个模拟KeePassXC默认设置的哈希样本时触发了该问题:
$argon2d$v=19$m=67108864,t=30,p=2$ZGFtYWdlX2RvbmU$w9w3s5/zV8+PcAZlJhnTCOE+vBkZssmZf6jOq3dKv50
$argon2id$v=19$m=67108864,t=30,p=2$U2FMdHNBbFQ$Djwdq8LGcBSmvJAX8TPqELq0N8YVHEdk5bWb4tRy70k
错误信息显示为"CL_INVALID_BUFFER_SIZE (-61) error in opencl_argon2_fmt_plug.c:613 - Error creating memory buffer",这表明在尝试创建内存缓冲区时出现了问题。
问题根源
经过深入分析,发现问题出在哈希参数的理解上。KeePassXC在存储哈希时使用的内存参数(m)单位是KB,而JohnTheRipper的Argon2-opencl插件期望的是以块(block)为单位的参数值。67108864KB转换为块单位应该是65536(67108864/1024)。
这种单位不一致导致了内存分配请求远远超出GPU的实际可用内存,从而触发了OpenCL的缓冲区大小无效错误。
解决方案
正确的哈希表示应该是:
$argon2d$v=19$m=65536,t=30,p=2$ZGFtYWdlX2RvbmU$w9w3s5/zV8+PcAZlJhnTCOE+vBkZssmZf6jOq3dKv50
$argon2id$v=19$m=65536,t=30,p=2$U2FMdHNBbFQ$Djwdq8LGcBSmvJAX8TPqELq0N8YVHEdk5bWb4tRy70k
使用修正后的参数后,各GPU设备的性能表现如下:
- Radeon RX Vega: 16.99次/秒
- GeForce GTX 1080: 38.34次/秒
- GeForce RTX 2080 Ti: 87.88次/秒
技术建议
-
参数验证:在使用Argon2-opencl插件前,应确保内存参数(m)的单位正确,避免因单位误解导致内存分配失败。
-
错误处理改进:插件可以增加对输入参数的验证,当检测到异常大的内存请求时,提供更有意义的错误提示,帮助用户快速定位问题。
-
性能考量:即使是修正后的参数,30次迭代(t=30)的设置也会显著影响分析速度,这是Argon2设计的安全特性。在实际应用中,建议根据安全需求和硬件性能合理设置这些参数。
总结
这个问题揭示了不同系统间参数单位标准化的重要性。对于安全工具开发者而言,清晰的参数文档和严格的输入验证是避免此类问题的关键。对于用户而言,理解工具的参数含义和单位是正确使用的前提。JohnTheRipper团队通过社区协作快速定位并解决了这个问题,展现了开源项目的优势。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0212
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03