zoukankan      html  css  js  c++  java
  • PHPGGC学习----理论

    本文首发于先知:https://xz.aliyun.com/t/5450
    PHPGGC 是一款能够自动生成主流框架的序列化测试payload的工具,类似 Java 中的 ysoserial,
    当前支持的框架包括Doctrine, Guzzle, Laravel, Magento, Monolog, Phalcon, Slim, SwiftMailer, Symfony, Yii
    和 ZendFramework,可以说是反序列化的武器库了。本文从该工具出发,以 Drupal Yaml 反序列化漏洞和 Typo3 反序列化漏洞为例,
    分析其中的多种利用方式,并介绍一下今年 BlackHat 议题关于新型 php 反序列化攻击的部分。

    首先git clone一下项目:

    git clone https://github.com/ambionics/phpggc

    运行phpggc 的条件是php cli的版本>=5.6

    1:使用方法:

    通过./phpggc -l 可以列出所有可用的pop链,其中每条链条都包括可利用组件的名称、版本范围、可利用其进行的操作、触发的反序列化函数(即攻击向量)

    通过./phpggc   组件名  -i 可以显示与组建相关的信息,其中就包括了具体生成攻击payload所需要的参数

    以上图为例,生成laravel/rce1的payload需要提供函数名以及传给该函数的参数,因此使用:

    即可生成序列化的payload

    对于只能满足写文件需求的组件,要利用必须知道网站的绝对路径,例如目标网站绝对路径为:

    /var/www/html,需要写入shell.php ,写入的文件位于我们本机的/tmp/data,则需要执行:

    利用phpggc -w参数可以对序列化的数据进行一个再次包装处理

    如果漏洞代码如下:

    <?php
    $data = unserialize($_GET['data']);
    print $data['message'];

    传入的data是一个二维数组,并且data的值不是一个序列化的字符串,而data['message']的值才是一个字符串,因此要反序列化的是键message对应的值,因此可以使用

    process_object($object): Called right before serialize(), allows to change the object

     即在序列化数据形成之前可以改变要序列化的对象,这里只需要将要序列化的对象的值赋给message,即可以使用:

    <?php
    # /tmp/my_wrapper.php
    function process_object($object)
    {
        return array(
            'message' => $object
        );
    }

    这里将序列化对象的值赋给了message,并且返回为一个数组,然后再对数组进行serialize()函数处理,形成序列化的数据,运行结果如下:

    由上面两个图可以看出经过再次包装处理,序列化的数据成了一个包含一个元素的数组,即a:1

     phpggc也支持生成phar归档的序列化数据:

    phpggc也支持编码:

    ./phpggc -b -u -u slim/rce1 system id

    比如如上则是对生成的序列化数据先进行base64,再进行urlencode两次

    高级用法:

    使用-f参数进行快速反序列化,在unserialize()函数以后立即销魂对象,而不是在php脚本运行结束以后,建议在组件的攻击向量为__destruct时进行使用,有利于提高稳定性,加上-s选项进行软urlencode

    例如:

    ASCII Strings:

    使用-a参数将序列化数据中的空字符转换为其16进制的表示,但是在一些情况下可能不适用

    Plus Numbers:

    主要用于bypass,如果waf检测序列化数据中是否包含php对象,通过正则O:[0-9]+来判断,则可以通过O:+123代替 O:123

    --plus-numbers <types>

    其中types是指要在何种数据类型的数字前加“+”,比如O就是php对象,i就是int类型

  • 相关阅读:
    harbor1.9仓库同步迁移
    接口强制删除namespace 为Terminating的方法
    k8s 命令自动补全
    docker harbor 搭建&配置http/https 方法
    docker harbor 清理释放存储空间
    强化学习系列
    Kaggle的Outbrain点击预测比赛分析
    talkingdata比赛分析
    keras模型总结
    深度神经网络多任务学习(Multi-Task Learning in Deep Neural Networks)
  • 原文地址:https://www.cnblogs.com/tr1ple/p/11052745.html
Copyright © 2011-2022 走看看