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。
kernelopenEuler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。C0132
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00