前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >对吃鸡APP的分析

对吃鸡APP的分析

作者头像
小道安全
发布于 2022-01-04 02:32:46
发布于 2022-01-04 02:32:46
1.4K0
举报
文章被收录于专栏:游戏安全攻防游戏安全攻防

背景

在无意间发现某QQ群里,在推广售卖一个月70元的和平精英游戏的APP作弊软件。从APP作弊软件的页面功能展示上可以看到,该APP作弊软件有很经典的全图透视,人物上色,无后座力,子弹穿墙,方框绘制,附近人数等功能。下面就从抓包、脱壳、功能代码解析方面,解析该APP的一些关键功能,如注册功能、辅助作弊功能。

APP抓包

下面主要以charles抓包工具和逍遥模拟器为介质,进行对APP网络包数据和行为分析。通过APP抓包数据,可以确定该APP数据包都是没做任何加密保护或防抓包保护。所以对于该APP包分析还是相对简单的。下面就简单说明下抓包设置还有几个关键的数据包。

charles抓包配置方法

1.在charles抓包工具设置要进行抓包用的端口号。

2.模拟器或者真机上设置好主机的ip地址和charle工具一致的端口号。

主要就是保证charles和模拟器或真机上连接在同一网络同一端口即可。

APP软件更新的包信息

通过charles工具拦截到,上面的网络通信数据包信息,可以清晰的看到该APP的服务器是放在北京的阿里云,通过校验服务端的gx.txt文件,进行判断是否需要进行对APP版本包的更新。

防封引擎APP下载

通过上面的网络通信包数据分析,该APP还会从北京阿里云服务器或蓝奏云网盘上(https://pan.lanzouw.com/ipyI0xp25yj?p),进行下载配套的防封引擎插件APP,这样通过两APP进行配合使用,以达到相对游戏作弊行为。

通过抓包分析可以看到该APP,它在售卖和发放注册卡功能,它是放在第三方平台https://www.mayifk.cn/details/9411BD8C上进行做收款并发放注册卡的。

基于对APP的所有网络通信包分析,可以得出一个结果,该APP作弊软件作者,主要的网络通信行为有北京阿里云服务器、蓝奏云网盘、第三方平台的付款和注册卡做通信和验证。基于服务器信息和付款信息,可以很快速的追踪到该作者的相关信息。

APP脱壳

通过用jadx工具(还有jeb、androidkiller等工具)查看APP解压后的dex文件,通过工具展示的信息,可以看到该dex文件的入口类Application类已经被处理过了,也就是该APP用了第三方加固软件,进行加固保护过的。

识别APP是否加固的小方法

1、将app解压出来查看assets目录下,是否有对应的so文件,这个目录下的so文件名称是可以作为识别是什么加固厂商的方法。

2、将app拖到反编译工具,如jadx工具上,通过工具可以看出Application的入口类是否被替换,还有是否存在加固厂商的特征。

我们知道在APP的Application类中的attachBaseContext和onCreate这两个函数是最先获取执行权进行代码执行的。这也是为什么很多加固工具的主要逻辑都是通过替换APP入口Application,并自实现这两个函数从而达到加固的效果。通过上面的分析该APP采用的360加固进行最App做加固。那么要分析该dex文件的信息就需要进行做脱壳的操作。

APP要成功脱壳两个最为关键的要素

1、内存中dex的起始地址和大小,只有拿到这两个要素,才能够成功dump下内存中的dex。

2、脱壳时机,只有正确的脱壳时机,才能够dump下明文状态的dex。否则,时机不对,及时是正确的起始地址和大小,dump下来的也可能只是密文。

APP脱壳的原理

对于完整的dex文件,采用暴力搜索方式搜索dex035关键特征,对于抹掉头文件信息的dex如抹掉dex035这个的magic bytes 信息,这个时候就需要通过匹配一些特征来进行搜索。

下面通过frida框架和frida_dexdump脚本(通过暴力搜索dex035)对该360壳进行脱壳操作,可以很顺利的脱掉该APP的360加固保护,最终解密出多个dex文件。

APP功能解析

通过对APP脱壳后,就可以解析dex的代码功能了,通过下面的dex文件信息可以看出,APP是通过基于E4A开发的也就是易语言安卓的中文版编程的

因为在测试随便输入一个注册码的时候,发现该APP没有网络通信行为,所以她是一个本机校验的过程。通过下面的代码我们得出,该APP是否注册是通过校验本地是否有vip.txt文件,只要本地有vip.txt文件,那么就会通过本地的注册验证,实现到真正的注册功能。

通过下面截图可以看出,只要通过向QQ或者微信分析也可以获取注册码,这个可以通过假分享就可以实现次数的统计,只要点击对应分享然后切换回来就可以做实现计数的统计了。最后获取到注册码。

通过下面的代码,可以看到本地记录分享次数的文件是zscs.txt文件,那么只要将文件中的数据直接改为20,那么也就可以获取到一个注册码

该APP外挂的防封引擎,它是通过将作弊功能的代码注入到游戏客户端上,而实现游戏作弊的功能和效果。

要实现游戏作弊功能,从业务层面上就是修改游戏角色属性或者关键函数参数、返回值信息。从底层引擎实现上来说就是通过基于修改底层渲染部分实现作弊功能,如调整子弹的速度,这样当子弹和碰撞体进行碰撞的时候,就会发生穿墙的效果。

总结

该APP通过易安卓进行编程开发游戏的作弊软件,并通过对APP进行加固保护保护代码。而注册卡方面相对比较弱,通过校验本地是否存在指定文件,这种很容易被绕过。游戏作弊功能上,通过修改游戏客户端数据而达到作弊功能,这种针对游戏客户端修改都是不安全的,因为这个游戏已接入了ACE反外挂检测功能,所以游戏中通过作弊软件进行作弊会有封号的风险。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-12-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 小道安全 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
机器学习可解释性神器shap入门
shap(SHapley Additive exPlanations)是一个用于解释机器学习模型输出的模型解释包。
皮大大
2023/11/09
11.6K0
教你用Python解决非平衡数据问题(附代码)
本文为你分享数据挖掘中常见的非平衡数据的处理,内容涉及到非平衡数据的解决方案和原理,以及如何使用Python这个强大的工具实现平衡的转换。
数据派THU
2018/07/30
7300
教你用Python解决非平衡数据问题(附代码)
基于XGBoost的用户流失预测
在日常业务挖掘中,XGBoost具有准确性高、数据友好等优点,可以快速地对历史数据进行训练,数据分析师也往往是基于业务角度去进行数据挖掘,因此特征都是具有业务意义的统计数据,数据质量较高。当然这种逻辑思维也会有一定的缺陷,那就是考虑的特征不全面。
HsuHeinrich
2023/03/29
1.2K0
基于XGBoost的用户流失预测
用 SHAP 可视化解释机器学习模型实用指南(下)
SHAP(Shapley Additive exPlanations) 使用来自博弈论及其相关扩展的经典 Shapley value将最佳信用分配与局部解释联系起来,是一种基于游戏理论上最优的 Shapley value来解释个体预测的方法。
数据STUDIO
2021/10/14
13.2K0
用 SHAP 可视化解释机器学习模型实用指南(下)
探索XGBoost:参数调优与模型解释
XGBoost是一种高效的机器学习算法,广泛应用于数据科学和机器学习任务中。本教程将介绍XGBoost的中级用法,重点关注参数调优和模型解释。我们将使用代码示例来说明这些概念,帮助您更好地理解和应用XGBoost。
Echo_Wish
2024/02/09
6670
使用CatBoost和SHAP进行多分类完整代码示例
CatBoost是顶尖的机器学习模型之一。凭借其梯度增强技术以及内置函数,可以在不做太多工作的情况下生成一些非常好的模型。SHAP (SHapley Additive exPlanation)是旨在解释具有独特视觉效果和性能价值的机器学习模型的输出。CatBoost和SHAP结合在一起构成了一个强大的组合,可以产生一些非常准确并且可以进行解释的结果。
deephub
2023/08/30
8751
使用CatBoost和SHAP进行多分类完整代码示例
机器学习之sklearn基础教程
Scikit-learn(简称sklearn)是Python中最受欢迎的机器学习库之一,它提供了丰富的机器学习算法和数据预处理工具。本文将深入浅出地介绍sklearn的基础概念,核心理论,常见问题和易错点,并给出代码示例。
Jimaks
2024/05/09
2490
【sklearn | 5】:集成学习与模型解释
集成学习通过结合多个基学习器来提高模型的性能和稳定性。常用的集成学习方法包括袋装法(Bagging)、提升法(Boosting)和堆叠法(Stacking)。
颜淡慕潇
2024/07/24
3480
【sklearn | 5】:集成学习与模型解释
SHAP 机器学习模型解释可视化工具
SHAP 是机器学习模型解释可视化工具。在此示例中,使用 SHAP 计算使用 Python 和 scikit-learn 的神经网络的特征影响 。对于这个例子,使用 scikit-learn 的 糖尿病数据集,它是一个回归数据集。首先安装shap库。
润森
2022/09/22
2.9K0
SHAP 机器学习模型解释可视化工具
【机器学习】集成学习——提升模型准确度的秘密武器
集成学习(Ensemble Learning)是一种通过结合多个弱模型来提升整体预测准确性的技术。通过将多个模型的预测结果进行组合,集成学习在复杂任务中展现了极强的泛化能力。本文将探讨集成学习的主要方法,并通过代码示例演示如何应用这些方法来提升模型表现。
Qiuner
2024/10/04
3360
【机器学习】集成学习——提升模型准确度的秘密武器
【机器学习】集成学习代码练习(随机森林、GBDT、XGBoost、LightGBM等)
对比了六大模型,可以看出,逻辑回归速度最快,但准确率最低。而LightGBM,速度快,而且准确率最高,所以,现在处理结构化数据的时候,大部分都是用LightGBM算法。
黄博的机器学习圈子
2023/01/10
6330
深入理解XGBoost:集成学习与堆叠模型
XGBoost是一种强大的集成学习算法,但在解决复杂问题时,单个模型可能无法达到最佳性能。集成学习和堆叠模型是两种有效的方法,可以进一步提高模型的性能。本教程将深入探讨如何在Python中应用集成学习和堆叠模型,使用代码示例详细说明这些概念。
Echo_Wish
2024/02/11
4520
机器学习模型的集成方法总结:Bagging, Boosting, Stacking, Voting, Blending
机器学习是人工智能的一个分支领域,致力于构建自动学习和自适应的系统,它利用统计模型来可视化、分析和预测数据。一个通用的机器学习模型包括一个数据集(用于训练模型)和一个算法(从数据学习)。但是有些模型的准确性通常很低产生的结果也不太准确,克服这个问题的最简单的解决方案之一是在机器学习模型上使用集成学习。
deephub
2022/11/11
7840
机器学习模型的集成方法总结:Bagging, Boosting, Stacking, Voting, Blending
机器学习集成学习与模型融合!
对比过kaggle比赛上面的top10的模型,除了深度学习以外的模型基本上都是集成学习的产物。集成学习可谓是上分大杀器,今天就跟大家分享在Kaggle或者阿里天池上面大杀四方的数据科学比赛利器---集成学习。
Datawhale
2020/08/20
1.1K0
机器学习集成学习与模型融合!
基于随机森林模型的心脏病人预测分类
今天给大家分享一个新的kaggle案例:基于随机森林模型(RandomForest)的心脏病人预测分类。本文涉及到的知识点主要包含:
皮大大
2022/02/22
2.1K0
基于随机森林模型的心脏病人预测分类
基于回归模型的销售预测
机器学习中用于回归的算法也较多,而且不难发现XGBoost在回归预测中也具有较好的表现,因此在日常业务中,碰到挖掘任务可首选XGBoost~
HsuHeinrich
2023/05/25
6700
基于回归模型的销售预测
机器学习入门 13-1 什么是集成学习?
本章会介绍机器学习领域中非常重要的集成学习方法。在机器学习中,集成学习方法使用多种学习算法来获得比使用任何单独的学习算法更好的预测性能。
触摸壹缕阳光
2021/02/26
5600
机器学习入门 13-1 什么是集成学习?
机器学习基础:类别不平衡问题处理方法汇总及实际案例解析
原文:https://www.cnblogs.com/shenggang/p/12133016.html
统计学家
2020/08/28
8.7K0
机器学习基础:类别不平衡问题处理方法汇总及实际案例解析
【机器学习实战】电信客户流失预测
在这个项目中,我们将展示如何通过先进的机器学习技术来预测电信行业中的客户流失。我们首先利用随机森林(RF)算法与递归特征消除和交叉验证(RFECV)方法进行高效的特征选择,从大量特征中筛选出最具预测价值的变量。随后,结合LightGBM这一高效的梯度提升算法,搭配过采样技术解决正负样本严重不平衡的问题。最后,通过SHAP(SHapley Additive exPlanations)模型解释技术,让我们深入了解模型的决策过程和各特征的影响。
机器学习司猫白
2025/01/21
1430
【机器学习实战】电信客户流失预测
数据挖掘实战:基于机器学习的肺癌患者建模预测分类
肺癌是全球范围内最常见的癌症之一,也是导致癌症相关死亡的主要原因。早期发现和诊断对于提高患者的生存率和治疗效果至关重要。
皮大大
2024/04/09
1.3K3
推荐阅读
相关推荐
机器学习可解释性神器shap入门
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档