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。
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00