OpenHaystack项目:如何通过Python服务实现蓝牙信标检测
2025-05-20 14:33:35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
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
538
3.76 K
暂无简介
Dart
774
192
Ascend Extension for PyTorch
Python
343
406
🎉 (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
1.34 K
756
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.07 K
97
React Native鸿蒙化仓库
JavaScript
303
356
openEuler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。
C
337
180
AscendNPU-IR
C++
86
142
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
987
249