代码保护之道——混淆的艺术

本文内容来自祁麟在 QCon 分享的主题《代码保护之道——混淆的艺术》，主要涉及黑产现状、通用防御架构、攻击流程和混淆理论。黑产现状、盈利手段

黑产的现状及常用的盈利手段是什么？这里给出三个数字：第一个数字是 150 万，这是 2017 年网络安全生态峰会上评估出的黑产从业人员的人数。跟这个人数相比，目前业界顶尖公司中安全从业人员最多不过千余人，与黑产对比可谓凤毛麟角。第二个数字是千亿，这是网络安全生态峰会上评估的黑产年产值。根据 2017 年的腾讯阿里两家巨头的财报，两家公司净利润总和接近千亿元，黑产的年产值基本可以与这两家巨头公司并驾齐驱。第三个是 20%，这是根据我们之前经验评估的营销活动的资损率。举例来说比如要做一个新注册的拉新活动，投了 100 万去吸引用户，最后会发现至少有 20 万会进入到黑产的口袋里。

简单列举两个黑产的盈利场景。第一种是撞库，就是把其他平台泄露的一些用户名和密码，不停地拿到另外一些平台上去试，如果登录成功之后首先会窃取账号内的资产信息，之后会使用窃取的账号去做一些薅羊毛等相关的事情。第二种是垃圾注册，黑产要盈利必须要有海量的帐号，黑产会注册成千上万个小号来为后续的活动进行准备，这是万恶之源。但是实际上批量账号注册是成本非常高的事情，需要海量的手机号码、手机设备等等。工欲善其事必先利其器，黑产也深知这个道理。为了以最小的成本获取最大的收益，外挂应运而生。外挂具有批量化、虚拟化、自动化的能力，可以最大程度来满足黑产的需求。

为了抵御黑产，各家公司都会有自己专门的风控团队，使用各种各样的技术手段去进行对抗。这里介绍一个比较通用的架构（参见图 1）。首先客户端会把采集到的数据加密后 (包括安全签名等) 通过业务 API 接口请求传安全网关，网关这里会有一些实时的策略引擎来进行风控，包括但不限于 IP 策略、环境设备、帐号属性、行为序列以及一些 AI 机器学习模型等等。风控结果会发送到后端的二次验证系统，如果发现前端的请求是非法的，就直接阻断请求或者弹出验证码等等。如果没有问题，就会真正交给业务系统，然后由业务系统来做一些相关的处理。同时，各家也会有对应的离线策略引擎，它会通过旁路数据进行无监督聚类甚或有监督的机器学习等等，生成更多的模型，辅助后端的风控。

图 1

接下来重点介绍客户端保护相关的工作。整个风控系统是一个非常庞大的链路，仅就客户端而言也是一个非常复杂的体系，这里包括具体采集什么样的风控数据、如何保证采集数据的安全性和对抗的实时性等等。在移动时代，PC 时代的 WEB 的业务几乎全部都落地到了客户端，如果客户端的风控没有做好，无异于门户大开，直接给黑产提供了攻击的入口。这里介绍了基于客户端进行风控的例子，我们可以看到攻击曲线完全降低到了冰点，实际上这里并没有使用多么复杂的机器学习方法，而仅仅是基于客户端本身的混淆逻辑来实现了业务保护达到的结果。

防御方法论

第一点是天下武功唯快不破。攻防的本质实际上是成本和收益的对抗。良好的代码混淆会大大提高破解所需的时间和门槛，只要保证核心代码的更新速度快于攻击者破解的速度，就可以实现很好的保护效果。

第二点是重剑无峰，大巧不工。攻防的核心是基于可信数据的对抗，谁对系统的底层理解得更加深入，谁就在整个攻防里面掌握了主动权。同样，良好的代码混淆可以保证你的数据采集逻辑不被攻击者所知悉，这可以大大提高后端风控数据的准确性和安全性。

第三点是藏叶于林。安全是业务的天然属性，业务是安全的最佳载体。只有结合了业务的安全才是真正的安全，孤立的安全是很容易被攻击者攻破的。将业务代码和安全代码放在一起进行混淆，攻击者要破解的话，不但要摸清安全逻辑，还要了解清楚整个业务逻辑。同时，业务上的风吹草动也会为安全起到非常好的预警作用。

黑客攻击流程

在介绍完防御方法论之后，具体介绍代码混淆之前，介绍下黑客的攻击流程（参见图 2）。

图 2

攻击的第一步是寻找入口，一般有两种方式：静态分析和动态分析。静态分析就是首先查看.so、.elf 等文件，查看其导出表。如果找不到，就看字符串表，在字符串里找信息，找到之后也可以定位到对应的位置。如果字符串表再没有，就看导入表，因为导入表里面可能会引入 MD5 等一些签名算法的值，如果导入表也没有，就得看代码逻辑了。举例来说，AES 算法有一个 S 盒，可以直接在源码中找 S 盒的特征，然后就知道这是 AES 算法，这是一个很好的线索，可以顺着该线索进而去摸清整体的逻辑。如果这些方法都行不通，还有符号执行等技术可以用来辅助分析。

动态分析首先可以利用常用的 trace 工具，如 ltrace、strace 等来分析函数的调用流，对整体流程大致有了一个了解之后需要定位到关键函数的入口，定位到关键入口之后需要结合动态调试技术，通过 GDB、LLDB 等工具利用单步调试等一些调试方法去获取信息。除此之外还有一个利器是 Hook，结合 Hook 技术将关键参数信息打印出来。同时，一些应用会采用有些客户端保护技术，如反调试、反 Hook 等。这里需要再反过来结合静态分析手段去定位安全保护的入口和代码。如果关键函数入口很难定位的话，可以定位程序入口进行分析，从程序入口机型调试来定位关键信息。总之，攻击流程就是结合上面所说的思路，利用一些安全工具或脚本来进行综合分析，最终完成对整个应用程序的逆向破解。

常用混淆理论解析

接下来介绍一些常用的混淆理论，包括有哪些常用的混淆方法，混淆的方式和其对应的效果。现代代码混淆很多是以 Collberg 理论为基础的，将代码混淆分成布局混淆、数据混淆、控制流混淆和预防混淆四大类，如图 3 所示。

图 3

下文将继续介绍每种混淆的作用原理。

布局混淆有两个核心点：标识符重命名和删除信息。所谓标识符重命名，举例来说，就是把有意义的函数名改成无意义的函数名，隐藏函数名所传达的信息。虽然它没有本质上起到什么效果，因为逻辑没有变，但是，这减少了信息量，可以提高攻击者分析的门槛。第二个是删除信息，它包括一些调试信息、日志信息以及格式化信息等等。

标识符重命名有几种方式，第一种是标识符交换，把从 B 库里面提取的符号信息，用在 A 库里面的函数名，比如，把一个加密函数叫做解密函数。第二种是哈希命名，直接把函数变成哈希后的结果。第三个是混淆字典，这是指自己生成的一堆混淆信息，比如将 0、O 放在一起，还有 1、L 放在一起，结合起来进行函数命名，会让攻击者比较难以阅读。

第二类是数据混淆，是针对应用程序里面的常量进行混淆，比如字符串、整型或符点数等。混淆方法包括编码变换、变量升级、拆分、数据变成函数、合并标量变量等。图 4 是数据混淆的一些例子。

图 4

控制流混淆是一种最核心的混淆方式，包括不透明谓词、执行混淆、聚合变换等。其中，不透明谓词是控制流混淆的核心。举例来说，有一个函数，它可能执行到 if 分支，也有可能执行到 else 分支。但是，我们可以通过某种变换让它一定走到 if 分支，而不走 else 分支。执行混淆包括虚假代码块、控制流扁平化、指令替换、控制流切割、VMProtect、代码并行化等。

第四类是预防混淆，顾名思义就是知道要逆向这个程序必须使用某个软件，我们可以针对这个软件做一些事情，比如针对反编译器插入花指令去破坏掉反编译器等等。

最后，介绍下基于 LLVM 编译器所实现的整体保护方案，因为 LLVM 的 logo 是一条龙，因此对于 LLVM 的攻坚称之为与龙共舞，我们在 LLVM 的基础上实现了深度开发。LLVM 框架的整体架构如图 5 所示，分为前端、IR 和后端，整体与标准编译原理流程完全相同。前端主要有预编译、词法分析、语法分析等流程最后生成中间向量 IR，IR 层可以进行各种各样的优化。这里所说的代码混淆主要是在 IR 层机型实现的。IR 除了可以进行代码混淆之外，本身也是可以解释执行和基于 JIT 执行的。同时，也可以通过 inline 汇编等方式在 IR 中插入一系列的花指令。后端包括指令选择、有向无环图、指令调度、MachineIR 等，最终通过链接生成后端各种各样的架构文件。LLVM 对安全是非常有帮助的，首先可以在前端 AST 解析这里做一些安全检查，IR 可以做跨平台的代码混淆器，甚至可以在后端实现一套自己的指令集，结合自实现的编译器和解释器完成一个比较健壮的虚拟机保护方案。

图 5

本文所讲的混淆主要是针对 IR 层实现的。它有一个好处，基本支持前端所有的语言，同时，混淆代码也基本支持后端所有的平台，实现一次代码就可以对几乎所有平台后端进行保护。同时，它是一个基于编译时的方案，所以具有很高的稳定性。LLVM IR 是基于寄存器的 SSA 格式的强类型指令集，它本身是为代码优化而设计的。LLVM 的应用非常广泛，包括安全漏洞分析、安全保护、任意函数插桩、任意代码替换、自动化测试、自动化分析等，很多自动化测试工具、安全工具等基本上都可以利用该框架来进行实现。LLVM Pass 主要对 IR 来进行操作，其结构如图 6 所示。

图 6

实现的代码保护方案中，控制流扁平化、虚假控制流和指令替换，都借鉴了 Obfuscator-LLVM 项目。O-LLLVM 是基于编译器的代码保护方案的鼻祖，它提供了很好的思路供后续的开发者参考，但是它所开放的功能是及其有限的，并且部分实现方案存在一些弱点和 bug。因此，我们在其基础上进行了深度的定制和开发，结合混淆理论实现了更强的代码保护技术。

分享中详细阐述了字符串混淆、导入表隐藏、反调试、反篡改等基于 IR 实现的代码保护的原理和思路。

图 7

上图是实现的一些代码保护效果的例子。通过函数控制流图可以看到整体的控制流已经非常复杂了，很多攻击者到这里已经望而却步了。除此之外，结合控制流分割、花指令等技术会直接破坏了反编译器的反编译效果等等。

综上所述，结合 LLVM 框架可以实现高强度的代码混淆与保护，进而助力风控系统，有效提升整体业务安全的强度。