当前位置：首页 > news >正文

逆向工程实战：AES加密下的滑块验证码破解与自动化

news 2026/8/9 8:12:17

1. 滑块验证码与AES加密的核心原理

滑块验证码作为人机验证的常见形式，其核心在于通过用户交互行为（如拖动滑块）来区分真实用户和自动化程序。当验证码系统采用AES加密时，滑动轨迹、坐标等关键参数会被加密传输，这正是我们需要攻克的难点。

AES（高级加密标准）是一种对称加密算法，ECB模式是最基础的工作模式。在实际项目中，我遇到过不少使用AES-ECB模式加密滑块坐标的案例。这种模式下，相同的明文输入永远会得到相同的密文输出，这给逆向工程带来了便利。不过要注意，ECB模式缺乏安全性，现在更推荐使用CBC或GCM模式。

验证码系统的工作流程通常分为三步：获取验证码图片、识别滑块位置、提交验证结果。其中最关键的是第二步——系统会加密滑块的实际坐标，生成pointJson参数。我曾在一个电商网站项目中，发现他们的pointJson就是通过AES-ECB加密的JSON字符串，格式类似{"x":125,"y":5}。

2. 逆向定位加密函数的实战技巧

使用Chrome开发者工具是定位加密函数的最有效方法。我习惯先在Network面板中找到验证请求，然后在Initiator选项卡查看调用栈。最近帮朋友分析一个验证码系统时，就是通过这种方式快速定位到了加密函数。

具体操作步骤：

打开开发者工具（F12），切换到Network面板
勾选Preserve log选项，防止日志丢失
滑动滑块完成验证，找到check验证请求
右键该请求，选择"Open in Sources panel"

在Sources面板中，我通常会搜索关键词如"encrypt"、"AES"或"CryptoJS"。有次逆向某政府网站时，发现他们竟然把加密函数命名为"safeEncode"，差点让我错过关键代码。所以建议多尝试不同的关键词搜索。

找到可疑函数后，我会在关键位置打上断点。比如看到类似CryptoJS.AES.encrypt()的调用时，一定要打断点检查参数。记得有次项目，secretKey竟然是前端硬编码的，这种低级错误现在想来都觉得好笑。

3. 提取AES密钥的关键方法

提取密钥是整个逆向过程中最具挑战性的环节。根据我的经验，secretKey通常来自三个地方：

验证码初始化响应：约60%的系统会在获取验证码时返回
前端代码硬编码：约30%的系统采用这种方式（安全性极差）
动态生成：约10%的高级系统会使用

在最近的一个金融项目案例中，我遇到了一个有趣的保护措施：系统会对secretKey进行二次加密。解决方法是在控制台打印出解密函数的输入输出，最终发现他们只是简单做了base64编码。

如果遇到混淆严重的代码，可以尝试以下技巧：

使用浏览器控制台修改代码，打印关键变量
在加密函数前后插入日志代码
对比多次请求，寻找固定不变的参数

记得备份原始代码！有次我不小心改坏了核心函数，导致整个验证码系统崩溃，不得不重新加载页面。

4. Python复现加密流程的完整方案

在Python中复现前端加密流程，我最常用的是PyExecJS库。它可以直接调用JavaScript代码，完美复现浏览器端的加密逻辑。下面分享一个经过实战检验的代码模板：

import execjs def load_js_file(file_path): with open(file_path, 'r', encoding='utf-8') as f: return f.read() def aes_encrypt(data, key): js_code = """ function encrypt(data, key) { const CryptoJS = require('crypto-js'); const encrypted = CryptoJS.AES.encrypt( CryptoJS.enc.Utf8.parse(data), CryptoJS.enc.Utf8.parse(key), { mode: CryptoJS.mode.ECB, padding: CryptoJS.pad.Pkcs7 } ); return encrypted.toString(); } """ ctx = execjs.compile(js_code) return ctx.call("encrypt", data, key)

实际项目中，我建议将JavaScript代码单独保存为.js文件。这样既方便维护，也便于调试。有次项目上线后加密逻辑变更，就因为采用了这种架构，我只更新了JS文件就解决了问题。

5. 滑块位置识别的精准计算

识别滑块位置是整个流程中最容易出错的环节。我常用的方案是ddddocr库，它的准确率能达到95%以上。不过要注意几个关键点：

图片预处理：建议先转为灰度图，再进行二值化处理
容错机制：实际位置可能需要加上5-15px的偏移量
多次尝试：对于重要系统，建议尝试3次取平均值

这里分享一个真实的踩坑经历：某次项目中发现识别位置总是偏差30px，后来发现是验证码图片存在透明通道导致的。解决方法很简单：

from PIL import Image def remove_alpha_channel(image_bytes): img = Image.open(io.BytesIO(image_bytes)) if img.mode == 'RGBA': background = Image.new('RGB', img.size, (255, 255, 255)) background.paste(img, mask=img.split()[3]) img = background return img

6. 完整自动化流程的工程实践

将各个模块整合成完整流程时，需要注意以下几个工程化问题：

会话保持：必须使用requests.Session()维持cookie
请求间隔：建议添加随机延迟，避免被封禁
错误重试：对网络错误实现自动重试机制
日志记录：详细记录每个环节的输入输出

这是我常用的请求模板：

import time import random from fake_useragent import UserAgent def make_request(session, url, data): headers = { "User-Agent": UserAgent().chrome, "Content-Type": "application/json" } try: delay = random.uniform(0.5, 2.0) time.sleep(delay) response = session.post(url, json=data, headers=headers) response.raise_for_status() return response.json() except Exception as e: print(f"请求失败: {str(e)}") return None

在大型爬虫项目中，我还会添加代理池和验证码结果缓存机制。曾经通过缓存验证结果，将某电商网站的请求成功率从70%提升到了98%。