Proxmark3项目中EM4x70标签通信的奇偶校验问题分析
2025-06-13 10:51:02作者:江焘钦
背景介绍
在Proxmark3项目中,对EM4x70系列低频RFID标签(包括ID48等兼容标签)的支持一直存在一个关于奇偶校验处理的潜在问题。本文将深入分析这一技术问题及其解决方案。
问题本质
在EM4x70标签通信协议中,命令和数据传输需要正确处理奇偶校验位。然而,Proxmark3代码中存在两个相互冲突的奇偶校验控制机制:
command_parity全局变量:由客户端通过--par选项设置,默认值为falsewith_parity函数参数:传递给em4x70_send_nibble()函数的局部参数
这种双重控制机制导致了通信协议实现的混乱,特别是在发送数据到标签时会产生数据损坏。
技术细节分析
发送机制工作原理
em4x70_send_nibble()函数的行为取决于两个参数:
- 当
command_parity为false时:发送完整的4位数据 - 当
command_parity为true时:仅发送最低3位数据 - 当
with_parity为true时:额外发送1位奇偶校验位
这种设计本意是为了支持不同变种的EM4x70兼容标签,但实际上导致了以下问题:
- 数据截断:当启用奇偶校验时,所有4位数据都会丢失最高位
- 协议不匹配:大多数EM4x70兼容标签实际上需要完整的4位数据加奇偶校验位
影响范围
该问题影响了几乎所有需要向标签写入数据的命令:
em4x70_write:块数据和校验行会被截断em4x70_auth:认证过程中的FRN值会被截断em4x70_write_pin:PIN码会被截断em4x70_write_key:密钥会被截断
问题根源
经过深入分析,发现问题的根本原因在于:
- 协议理解偏差:原始代码试图支持多种变体标签,但实现方式不正确
- 时序巧合:原有代码能工作纯属偶然,依赖于传输停止时产生的"巧合"校验位
- 缺乏测试:没有足够的自动化测试覆盖各种标签变体
解决方案
经过社区讨论和技术验证,最终确定了以下改进方案:
- 移除
--par选项:因为该选项在实际使用中总是导致数据损坏 - 统一协议实现:所有命令都使用4位数据加1位奇偶校验的标准格式
- 增加测试覆盖:添加了计算挑战/响应的测试命令(
lf em 4x70 calc)
技术影响
这些改进带来了以下好处:
- 协议稳定性:确保与标准EM4x70标签的可靠通信
- 代码简化:移除不必要的复杂性和潜在错误点
- 可维护性:更清晰的代码结构和更好的测试覆盖
经验总结
这个案例为RFID工具开发提供了宝贵经验:
- 协议实现必须严格遵循规范文档,而非依赖观察到的"巧合"行为
- 对于支持多种变体的协议,应该通过明确的模式切换而非隐式参数控制
- 完善的自动化测试是保证长期稳定性的关键
Proxmark3社区通过这次问题的分析和解决,不仅修复了一个长期存在的缺陷,还建立了更健全的测试框架,为未来支持更多RFID协议奠定了更好的基础。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137