深入解析flare-fakenet-ng网络流量捕获中的协议封装问题
2025-07-06 13:41:58作者:魏献源Searcher
在网络安全研究和恶意软件分析领域,flare-fakenet-ng是一个功能强大的网络流量模拟工具。它能够模拟各种网络服务,帮助研究人员分析恶意软件的网络行为。然而,在实际使用过程中,我们发现该工具生成的pcap文件在协议封装方面存在一个值得注意的技术细节。
问题背景
flare-fakenet-ng默认生成的pcap文件中,每个数据帧(frame)的第一个协议被标记为"raw:"。这种封装方式在Wireshark等主流网络分析工具中能够正常解析,但某些专用的内部pcap解析软件可能无法正确处理这种格式,要求将"raw:"修改为更常见的"eth:ethertype:"格式。
协议封装差异分析
通过对比实验,我们可以观察到两种不同封装方式的显著差异:
原始fakenet-ng生成的格式:
Frame...
Encapsulation type: Raw IP (7)
[Protocols in frame: raw:ip:tcp:tls]
Raw packet data
IPV4...
TCP...
TLS...
标准以太网捕获的格式:
Frame...
Encapsulation type: Ethernet (1)
[Protocols in frame: eth:ethertype:ip:tcp:tls]
Ethernet II...
IPV4...
TCP...
TLS...
技术解决方案探索
最初尝试通过修改fakenet-ng源代码中的diverterbase.py文件,移除linktype=dpkt.pcap.DLT_RAW参数,让dpkt.pcap.Writer使用默认的dpkt.pcap.DLT_EN10MB值。然而,这种方法虽然改变了封装类型,但生成的协议栈变为eth:ethertype:data,仍然不符合预期。
最终解决方案是使用Scapy工具进行后处理转换,这种方法更加灵活可靠:
from scapy.utils import rdpcap, wrpcap
from scapy.layers.l2 import Ether
# 读取原始pcap文件
packets = rdpcap('/path/to/src/pcap')
# 创建以太网头部
eth_ipv4 = Ether(src="00:11:22:33:44:55", dst="aa:bb:cc:dd:ee:ff", type=0x0800)
# 转换每个数据包
converted_packets = [eth_ipv4 / pkt.getlayer(0) for pkt in packets]
# 写入新的pcap文件
wrpcap('/path/to/dst/pcap', converted_packets, linktype=1)
技术原理深入
-
封装类型差异:
DLT_RAW(类型7)表示原始IP数据包,不包含数据链路层信息DLT_EN10MB(类型1)表示标准以太网帧,包含完整的二层头部
-
Scapy转换过程:
- 为每个原始IP数据包添加以太网头部
- 设置以太网类型为0x0800(IPv4)
- 保留原始IP数据包的所有内容
- 指定输出文件的链路层类型为以太网
实际应用建议
对于需要分析flare-fakenet-ng生成流量的研究人员,建议:
- 如果目标分析工具支持
DLT_RAW格式,可以直接使用原始文件 - 对于严格要求以太网封装的工具,采用上述Scapy转换方案
- 转换时可以自定义源/目的MAC地址以满足特定分析需求
- 注意转换后的文件大小会略有增加(每个包增加14字节以太网头部)
这种协议封装转换技术在网络流量分析、恶意软件行为研究等领域具有实用价值,能够确保分析工具正确解析捕获的网络数据,为安全研究人员提供更准确的分析基础。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
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
342
146