本文章中所有内容仅供学习交流使用，不用于其他任何目的，不提供完整代码，抓包内容、敏感网址、数据接口等均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关！
本文章未经许可禁止转载，禁止任何修改后二次传播，擅自使用本文讲解的技术而导致的任何意外，作者均不负责，若有侵权，请联系作者立即删除！
目标
目标：点选人机验证逆向分析
网址：aHR0cHM6Ly9iZWlhbi5taWl0Lmdvdi5jbi8jL0ludGVncmF0ZWQvaW5kZXg=
流程分析
进入页面前，先打开F12开发者工具
[ol]
上来就是个521大礼包，朋友们这可太熟悉了，妥妥的jsl，现在这东西逆向真的已经烂大街了（不排除有刚入坑的小伙伴，后期单独补上)
1.png (26.17 KB, 下载次数: 3)
下载附件
2023-12-24 20:21 上传
未进行查询验证前，Network中我们会看到一个/auth接口进行认证操作，请求传递了两个参数。
2.png (28.18 KB, 下载次数: 0)
下载附件
2023-12-24 20:21 上传
接口返回了后续请求中，header需要携带的token
3.png (43.35 KB, 下载次数: 3)
下载附件
2023-12-24 20:21 上传
点击查询验证后，出现了我们今天分析的主角：文字点选验证码，加载接口为/getCheckImagePoint，传递了一个参数
clientUid：设备id，需要逆向得到
4.png (29.06 KB, 下载次数: 2)
下载附件
2023-12-24 20:21 上传
接口返回了点选验证码的详细信息
bigImage：点选验证码上方的大图base64
secretKey：加密坐标时的密钥
smallImage：点选验证码下方的小图base64
uuid：此验证码的id
wordCount：需要点选的文字数量
5.png (52.38 KB, 下载次数: 2)
下载附件
2023-12-24 20:21 上传
点选完毕后，进行验证的接口为/checkImage，传递了相关点选的数据
clientUid：3中生成的clientUid
pointJson：点击坐标密文，需要逆向得到
secretKey：加密密钥
token：加载接口返回的验证码id
6.png (53.66 KB, 下载次数: 2)
下载附件
2023-12-24 20:21 上传
未通过验证，会刷新验证码，验证返回的数据如下
7.png (29.6 KB, 下载次数: 1)
下载附件
2023-12-24 20:21 上传
通过验证，会跳转查询请求，验证返回数据中会多一个sign字段
8.png (43.25 KB, 下载次数: 1)
下载附件
2023-12-24 20:21 上传
查询请求接口为/queryByCondition，需要再请求头中携带四个正确的字段，才能够请求成功
Cookie：jsl生成的cookie，需要逆向得到
Sign：点选验证码通过后，返回的sign
Token：第一次进入系统，auth接口的返回值
Uuid：点选验证码加载时的uuid
9.png (122.7 KB, 下载次数: 2)
下载附件
2023-12-24 20:21 上传
参数正确，返回的请求数据如下
10.png (67.5 KB, 下载次数: 2)
下载附件
2023-12-24 20:21 上传
[/ol]
逆向分析
1. authKey参数
跟到这个参数很简单，直接全局搜就能看到了
11.png (40 KB, 下载次数: 1)
下载附件
2023-12-24 20:21 上传
2. clientUid参数
这个参数也很简单，还是全局搜，我们会发现是已经生成好存在了localstorage中
12.png (47.32 KB, 下载次数: 1)
下载附件
2023-12-24 20:21 上传
所以我们干脆直接改为全局搜localStorage.getItem，就能定位到生成&存储的位置了
13.png (45.57 KB, 下载次数: 2)
下载附件
2023-12-24 20:21 上传
3. pointJson参数
仍然是全局搜，很快就能定位到参数生成的位置，入口为h函数，跟进去我们就能看到，是个AES加密，密钥为接口返回的secretKey，加密模式为ECB，填充模式为Pkcs7
14.png (79.2 KB, 下载次数: 1)
下载附件
2023-12-24 20:22 上传
4. Cookie中的__jsluid_s
这是一个辨识度很高的jsl防护，先埋个坑，后期单独出一期jsl的逆向
点选识别
其他所有流程步骤都分析完毕了，就差点选坐标的获取了。
啰嗦两句，其实现在针对点选方式验证码的解决，比较成熟的方案为机器学习+识别推理，模型训练的方法也比较集中为目标检测+孪生神经网络。目标检测经过长时间的发展改进，现在已经挺成熟了，所以难点不在找字，而在于找对点击顺序。ok，现在方向有了，开干
一、目标检测训练
目的：
步骤
[ol]
采集点选验证码的大图和小图
这一步只要拿到了Token值，直接请求接口getCheckImagePoint就能拿到了
15.png (274.57 KB, 下载次数: 2)
下载附件
2023-12-24 20:22 上传
分别对小图和大图中出现的目标字进行标注
这一步中，我使用的标注工具为labelImg，labelImg是一款非常优秀的图片数据标定工具，借助它我们能轻松完成数据集的标注。
点击 Open Dir ，选择验证码存放的路径。点击 Change Save Dir，选择标注结果存放的路径。点击Pascal VOC，它会变成YOLO，保存的结果可以直接拿来用。勾选右侧Use default labtel，并在输入框填入text，这样接下来所有标注的文字都会打上text的标签
16.png (246.18 KB, 下载次数: 3)
下载附件
2023-12-24 20:22 上传
按 W 键创建一个标记框，框起来验证区域的字。标注完一张图片后，记得按 Ctrl + S 保存。按 D 进入下一张图片，按 A 进入前一张图片。
我们在目标检测阶段只区分是不是字，不区分具体是什么字，所以标签只有一个 text。
>
> 下方点击顺序的四个字位置是固定的，所以后期我们统一进行自动化标注。
17.png (139.55 KB, 下载次数: 1)
下载附件
2023-12-24 20:22 上传
使用YOLOv8训练目标检测模型
使用YOLOv8前，确保你的电脑有N卡，并安装好了CUDA+cudnn相关深度学习的环境，安装完上述环境，再安装Python包ultralytics即可。
目标检测模型训练配置yaml
# 指定训练集、验证集、测试集路径
train: /path/to/your/train/images
val: /path/to/your/valid/images
test: /path/to/your/test/images
# 有多少个分类
nc: 1
# 分类分别是什么
names: ['text']
目标检测模型训练代码
from ultralytics import YOLO
# 预训练模型下载 https://github.com/ultralytics/ultralytics?tab=readme-ov-file#models
model = YOLO("./model/yolov8n.pt", task="detect")
model.train(data="./dataset/detect.yaml", epochs=20, cache=True, imgsz=320, batch=16, workers=0, device=0)
导出onnx模型
model = YOLO('./path/to/your/train/output/best.pt', task='detect')
model.export(format='onnx', imgsz=320, simplify=True)
模型使用
model = YOLO(model='./path/to/your/model/best.onnx', task='detect')
results = model.predict(source='./path/to/your/test/dataset/images/folder', show=False, save=True, imgsz=500, device=0)
print(f"total_标签名字：{results[0].names}")
def y8_detect_xy(result):
"""
输出坐标信息
:param result:
:return:
"""
cls_xy = list()
cls_dict = result.names
cls_all = result.boxes.cls.tolist()
print(f">>识别结果目标类 {len(cls_all)}个: {cls_all}")
xyxy_all = result.boxes.xyxy.tolist()
for i in range(len(cls_all)):
label_name = cls_dict[int(cls_all)]
box_xyxy = xyxy_all
box_mid_xy = [(box_xyxy[0] + box_xyxy[2]) / 2, (box_xyxy[1] + box_xyxy[3]) / 2]
# print(f"目标点{i}: 标签名字: {label_name}, 中心坐标：{box_mid_xy}, xyxy坐标：{box_xyxy}")
cls_xy.append({
"label_id": i, "label_name": label_name,
"box_mid_xy": box_mid_xy, "xyxy": box_xyxy
})
print(f"==识别结果: {cls_xy}==")
return cls_xy
for result in results:
y8_detect_xy(result)
训练效果
18.png (1.17 MB, 下载次数: 2)
下载附件
2023-12-24 20:22 上传
[/ol]
二、孪生神经网络训练
目的：
步骤：
[ol]
进行目标检测，裁剪预测的结果小图
剪裁小图代码
def extract_correct_word():
save_to = '/path/to/save/word'
if not os.path.exists(save_to):
os.mkdir(save_to)
images = glob('./cut/images/*.png')
for image_path in tqdm(images):
results = model.predict(source=image_path, show=False, save=True, imgsz=500, device=0)
num = image_path.split('/')[-1].split('.')[0].split('_')[1]
im = np.asarray(Image.open(image_path).convert("RGB"))
for result in results:
labels = y8_detect_xy(result)
for i, label in enumerate(tqdm(labels)):
x1, y1, x2, y2 = label["xyxy"]
word_im = im[math.floor(y1):math.ceil(y2), math.floor(x1):math.ceil(x2)]
cv2.imwrite(os.path.join(save_to, 'x-{}-{}.png'.format(num, i)), word_im)
人工标注后整理，效果如下
19.png (87.09 KB, 下载次数: 2)
下载附件
2023-12-24 20:22 上传
进行孪生神经网络训练
训练代码
20.png (90.05 KB, 下载次数: 1)
下载附件
2023-12-24 20:22 上传
预测结果
21.png (177.24 KB, 下载次数: 0)
下载附件
2023-12-24 20:22 上传
导出onnx模型
def pth2onnx():
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model_path = r"/path/to/your/train/output/model.pth"
model = Siamese((105, 105, 3))
model.load_state_dict(torch.load(model_path, map_location=device))
model.eval()
dummy_input = [torch.randn(1, 3, 105, 105), torch.randn(1, 3, 105, 105)]
torch.onnx.export(
model, dummy_input, 'weights_self_12071503.onnx', verbose=True, input_names=['x1', 'x2'], output_names=['output']
)
print("Successful!")
[/ol]
三、模型融合使用
目的：
核心代码：
def judge_max_sim(self, cls_xys, img):
targets = [(i["xyxy"], i["box_mid_xy"]) for i in cls_xys if i["label_name"] == "target"]
target_chars = []
# 将提供的顺序，按照x坐标轴从小到大排序，确保识别的字符顺序正确
targets = sorted(targets, key=lambda x: x[0][0])
for xyxy, _ in targets:
target_chars.append(img.crop(xyxy))
texts = [(i["xyxy"], i["box_mid_xy"]) for i in cls_xys if i["label_name"] == "text"]
text_chars = []
for xyxy, _ in texts:
text_chars.append(img.crop(xyxy))
# 获取点击顺序
click_seq_result = []
for m, target_img in enumerate(target_chars):
slys = []
if len(texts) == 0:
break
elif len(texts) == 1:
slys_index = 0
else:
for n, text_img in enumerate(text_chars):
similarity = self.siam_model.predict(target_img, text_img)
slys.append(similarity)
slys_index = slys.index(max(slys))
click_seq_result.append(texts[slys_index][1])
texts.pop(slys_index)
text_chars.pop(slys_index)
if len(texts) == 0:
break
return click_seq_result
def get_xy_seq(self, img_path):
"""
获取点击顺序
:param img_path:
:return:
"""
img = self.open_image(img_path)
# yolov8识别
obj_result = self.yolo_v8_model_predict(img_path)[0]
cls_xys = self.target_detection_xy(obj_result)
# 孪生判断相似度
xy_seq = self.judge_max_sim(cls_xys, img)
return xy_seq
结果验证
22.png (452.02 KB, 下载次数: 3)
下载附件
2023-12-24 20:22 上传
