Magisk设备标识符泄露问题技术分析
背景介绍
Magisk作为Android系统上最流行的root解决方案之一,其安全性一直备受关注。近期发现Magisk在某些情况下可能导致设备唯一标识符(MAC地址)泄露的问题,这一问题涉及Android系统的底层安全机制和Magisk的实现细节。
技术原理
Android对MAC地址访问的限制机制
自Android 11起,系统通过修改SELinux策略限制用户应用通过netlink的RTM_GETLINK操作读取网络接口MAC地址。这一限制是通过在自定义SELinux策略中添加特定标志位实现的,属于Android特有的补丁,并未被Linux上游接受。
Magisk的历史实现问题
在Magisk 27.0版本之前,项目使用的是上游libselinux库,导致在修补sepolicy时丢失了Android特有的标志位,无法正确执行这一限制。这使得任何应用都能读取设备的MAC地址。
修复与副作用
Magisk 27.0版本开始无条件在所有设备上强制执行这一限制。然而这导致部分设备(特别是升级了新内核的设备)出现WiFi无法正常工作的问题。这些设备的内核支持相关标志位,但用户空间的sepolicy并未做好准备。
27003版本后,Magisk通过解析旧sepolicy标志位并将其复制到新sepolicy中解决了这一问题。
核心问题分析
Magisk的sepolicy实时修补功能(magiskpolicy --live)会从内核读取当前sepolicy,修补规则后重新加载。由于内核存在bug,Android特有标志位不会报告给用户空间,导致读取的当前sepolicy始终缺少这一特定标志位。因此,在sepolicy实时修补后,相关限制会被禁用,所有应用都能读取MAC地址。
影响范围
- 受影响版本:27.0之前的所有版本,以及27003后在特殊情况下的所有版本
- 受影响设备:Android 11及以上版本的设备
- 实际影响:已观察到多个流行应用利用RTMGETLINK读取设备MAC地址,至少有一个应用通过检查Android 11+设备上能否读取MAC地址来检测Magisk
解决方案建议
- 对于Android 11以下设备:不受影响
- 其他设备应升级至Magisk 27.0
- 若WiFi无法工作,应升级至27003或更高版本
- 在27003+版本上,避免使用sepolicy实时修补功能
- 检查所有模块和root应用,要求开发者改用sepolicy.rule方式
技术展望
虽然Google已提交修复内核bug的补丁,但要求该补丁应先提交至Linux上游。由于这是Android特有功能,补丁被拒绝。从系统稳定性角度考虑,相比WiFi无法连接的问题,sepolicy实时修补后导致的MAC地址泄露问题相对可以接受。
这一案例展示了Android生态系统中开源项目与厂商定制化之间的兼容性挑战,也体现了Magisk在平衡功能与安全性方面的持续努力。
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