OpenHaystack项目:如何通过Python服务实现蓝牙信标检测
2025-05-20 07:09:52作者:庞眉杨Will
OpenHaystack是一个开源的苹果Find My网络逆向工程项目,允许用户利用苹果的Find My网络来追踪自己的蓝牙设备。本文将详细介绍如何通过Python服务实现OpenHaystack的蓝牙信标检测功能。
核心原理
OpenHaystack的核心原理是利用苹果Find My网络来追踪蓝牙设备。该网络由全球数亿台苹果设备组成,能够匿名报告附近蓝牙设备的位置信息。要实现这一功能,需要以下几个关键组件:
- 认证信息:包括DSID(Directory Services Identifier)和认证令牌
- 公钥转换:将未压缩的公钥转换为压缩格式
- API请求:向苹果服务器发送查询请求
实现步骤
1. 获取认证信息
在macOS系统中,可以通过以下命令获取iCloud认证信息:
security find-generic-password -s iCloud -g
2. 生成认证头
获取到DSID和认证令牌后,需要将它们组合并进行Base64编码,生成HTTP请求的认证头:
import base64
dsid = "your_dsid"
auth_token = "your_auth_token"
credentials = f"{dsid}:{auth_token}"
auth_header = base64.b64encode(credentials.encode()).decode()
3. 公钥转换
OpenHaystack使用椭圆曲线加密的公钥来标识设备。需要将未压缩的公钥转换为压缩格式:
uncompressed = "BN3VU7limfjEMojbbnWqqz8PkquJIM22/EOOpegfVUyZlMgk+2VHfPvvzUd4rJFHYpkMA8x5egjr"
pubkey_bytes = base64.b64decode(uncompressed)
y_parity = pubkey_bytes[-1] % 2
compressed = bytes([0x02 + y_parity]) + pubkey_bytes[1:33]
data_field = base64.b64encode(compressed).decode()
4. 构建请求
构建完整的HTTP请求,包括请求头和请求体:
import requests
import datetime
headers = {
"Authorization": f"Basic {auth_header}",
"User-Agent": "com.apple.iCloudHelper/1.0",
"Content-Type": "application/json",
"X-Apple-I-Client-Time": datetime.datetime.utcnow().isoformat() + "Z",
"X-Apple-I-TimeZone": "UTC",
"X-Apple-Locale": "en_US",
}
payload = {
"search": [
{
"id": "设备唯一标识",
"data": data_field,
"previous": ""
}
]
}
response = requests.post(
"https://gateway.icloud.com/acsnservice/fetch",
json=payload,
headers=headers
)
常见问题解决
401未授权错误
出现401错误通常有以下几种原因:
- 认证信息过期:iCloud的认证令牌会定期失效,需要重新获取
- DSID或令牌错误:确保从系统获取的信息正确无误
- 请求头格式错误:检查Authorization头的生成过程是否正确
替代方案
如果直接调用苹果API遇到困难,可以考虑使用开源社区提供的替代实现,这些实现通常已经解决了认证和请求格式的问题。
安全注意事项
- 认证信息保护:DSID和认证令牌相当于iCloud账户的凭证,必须妥善保管
- 请求频率限制:苹果服务器对请求频率有限制,避免频繁请求
- 隐私考虑:使用Find My网络时应遵守当地隐私法规
总结
通过Python服务实现OpenHaystack的蓝牙信标检测功能,开发者可以构建自己的设备追踪系统。关键在于正确获取认证信息、处理加密密钥以及构建符合苹果API规范的请求。虽然过程中可能会遇到认证问题,但通过开源社区的资源和本文提供的解决方案,大多数问题都可以得到解决。
对于希望进一步开发的用户,建议深入研究苹果Find My网络的工作原理和加密机制,这将有助于开发更加强大和稳定的追踪解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 2023年最新HTMLCSSJS组件库:提升前端开发效率的必备资源 Qt控件CSS样式实例大全 - 打造现代化GUI界面的终极指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.69 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
163
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
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++
630
227
仓颉编译器源码及 cjdb 调试工具。
C++
123
656
🎉 (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
1.06 K
614
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
195
71
仓颉编程语言测试用例。
Cangjie
36
657