YARA在OpenBSD上使用LibreSSL时的PE签名验证问题分析
2025-05-26 11:36:19作者:范靓好Udolf
问题背景
YARA作为一款强大的模式匹配工具,在恶意软件分析和分类中发挥着重要作用。近期在OpenBSD系统上构建YARA 4.5.1版本时,测试套件中出现了PE模块相关的验证失败问题。本文将深入分析这一问题,并探讨解决方案。
问题现象
在OpenBSD current/amd64系统(未来7.6版本)上构建YARA 4.5.1时,虽然编译过程顺利完成,但在运行make check测试时出现以下错误:
tests/test-pe.c:390: rule does not match contents of 'tests/data/079a472d22290a94ebb212aa8015cdc8dd28a968c6b4d3b88acdd58ce2d3b885' (but should)
该错误表明PE签名验证测试未能通过预期检查,具体涉及PE文件的数字签名链长度验证。
根本原因分析
经过多次测试和验证,发现问题主要出现在以下两个条件判断上:
- PE签名链长度验证:
pe.signatures[0].signer_info.length_of_chain == 2 - 计数器签名链长度验证:
pe.signatures[0].countersignatures[0].length_of_chain == 2
进一步调查发现,这一问题与OpenBSD默认使用的LibreSSL加密库有关。LibreSSL是OpenBSD团队从OpenSSL分支出来的项目,虽然两者功能相似,但在某些实现细节上存在差异,特别是在处理PE文件数字签名验证时表现不同。
解决方案
针对这一问题,我们有以下两种解决方案:
方案一:修改测试用例
考虑到LibreSSL和OpenSSL在PE签名验证上的行为差异,可以调整测试用例中的验证条件,使其兼容LibreSSL的实现方式。这种方法不需要改变系统配置,但需要深入了解两种SSL实现的具体差异。
方案二:使用OpenSSL替代LibreSSL
在OpenBSD系统上,可以通过以下步骤使用OpenSSL替代默认的LibreSSL:
- 安装OpenSSL 3.1.6或更高版本
- 配置YARA构建环境,指定使用OpenSSL的头文件和库文件路径
- 设置运行时库路径
具体构建命令如下:
./configure --enable-cuckoo --enable-magic --enable-dex --enable-macho --with-crypto \
CPPFLAGS=-I/usr/local/include/eopenssl31 \
LDFLAGS=-L/usr/local/lib/eopenssl31
测试时需要设置LD_LIBRARY_PATH环境变量:
LD_LIBRARY_PATH=/usr/local/lib/eopenssl31/ make check
技术建议
对于需要在OpenBSD上使用YARA进行PE文件分析的用户,建议:
- 如果系统环境允许,优先考虑使用OpenSSL方案,这能确保与大多数Linux环境的行为一致
- 如果必须使用LibreSSL,需要针对性地调整PE签名验证规则,避免依赖特定SSL实现的细节
- 在编写跨平台的YARA规则时,尽量避免依赖签名链长度等可能因SSL实现而异的条件
总结
YARA在OpenBSD上的PE签名验证问题揭示了不同SSL实现在安全验证细节上的差异。通过本文的分析和解决方案,用户可以根据自身需求选择最适合的配置方式。这也提醒我们,在开发跨平台的安全分析工具时,需要特别注意底层加密库实现差异可能带来的影响。
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
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
🔥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
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.88 K
暂无简介
Dart
671
156
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
260
322
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++
661
311
🎉 (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
654
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1