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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
765
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
680
1.33 K
Ascend Extension for PyTorch
Python
719
879
deepin linux kernel
C
32
16
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
456
438
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++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
303
118
昇腾LLM分布式训练框架
Python
178
220