Proxmark3中静态加密随机数问题的解决方案
在RFID安全研究领域,Proxmark3设备是最常用的工具之一,用于分析和测试各类RFID系统的安全性。其中,hf mf autopwn命令是一个自动化测试MIFARE Classic卡片的强大功能,但在某些特殊情况下会遇到"Static encrypted nonce detected"错误而终止。
问题背景
当使用Proxmark3执行hf mf autopwn命令测试MIFARE Classic卡片时,系统可能会检测到"静态加密随机数"(Static encrypted nonce)并自动终止测试过程。这种情况通常发生在使用特定类型的安全芯片或特殊固件的卡片上,这些卡片采用了不同于标准MIFARE Classic的实现方式。
技术原理
MIFARE Classic卡片在认证过程中会使用随机数(nonce)来防止重放攻击。正常情况下,这些随机数应该是动态变化的。但某些特殊实现(如FM11RF08S芯片)采用了静态加密随机数的机制,这使得标准的Nested测试或Hardnested测试无法奏效。
静态加密随机数的存在使得传统的密钥恢复方法失效,因为测试过程依赖于对动态随机数的分析。当Proxmark3检测到这种防御机制时,会主动终止测试以避免无效尝试。
解决方案
针对这一问题,Proxmark3开发团队已经提供了专门的解决方案。用户可以使用script run fm11rf08s_recovery命令来测试这类特殊卡片的密钥。该脚本专门针对FM11RF08S等使用静态加密随机数的芯片设计,采用了不同的测试方法来绕过这种保护机制。
最佳实践
- 当遇到"Static encrypted nonce detected"错误时,应立即停止标准测试流程
- 转而使用专用恢复脚本
script run fm11rf08s_recovery - 保持Proxmark3固件和客户端为最新版本,以确保获得最新的测试方法
- 对于研究用途,可以分析静态随机数的模式以了解卡片的具体实现
未来发展
Proxmark3开发团队已经注意到这一问题,并计划在未来的版本中将FM11RF08S恢复功能整合到hf mf autopwn的自动化流程中。这将使工具能够自动检测静态随机数情况并切换到适当的测试方法,进一步提高工具的易用性和自动化程度。
对于RFID安全研究人员来说,了解这类特殊情况和应对方法至关重要,这有助于更全面地评估各类RFID系统的安全性。
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