当前位置：首页 > news >正文

逆向思维破解滑块验证码：当YOLOv5遇上双缺口与JS混淆

news 2026/6/6 11:54:49

逆向工程视角下的双缺口滑块验证码攻防实战

滑块验证码作为人机验证的重要手段，其防护机制近年来不断升级迭代。双缺口设计正是为了对抗传统基于模板匹配的自动化识别方案。本文将从一个安全研究者的视角，带你深入剖析双缺口滑块验证码的防御原理，并分享如何结合YOLOv5目标检测与JavaScript逆向工程技术，构建一套完整的验证码破解方案。

1. 双缺口滑块验证码的防御机制剖析

双缺口滑块验证码相比传统单缺口设计，在安全性上实现了质的飞跃。其核心防御思路在于干扰项植入和动态逻辑验证。典型的双缺口验证码会呈现以下特征：

视觉干扰：在真实缺口附近随机生成一个或多个伪缺口，干扰机器视觉识别
动态验证：通过服务端生成的随机参数决定有效缺口位置
逻辑混淆：验证算法通常被JavaScript代码混淆保护，增加逆向难度

以某交通管理平台为例，其验证码系统返回三个关键参数：

参数名	数据类型	作用描述
slider	图片BASE64	滑块部件图片
background	图片BASE64	背景图（含缺口）
js	字符串	决定有效缺口位置的混淆算法代码片段

这种设计使得单纯依靠视觉识别无法准确判断哪个缺口是有效的，必须结合服务端返回的动态参数进行二次验证。

2. 基于YOLOv5的双缺口检测模型构建

2.1 数据采集与标注策略

构建有效的识别模型首先需要解决数据问题。针对双缺口验证码，标注时需要特别注意：

确保两个缺口都被准确标注
为不同缺口分配独立类别标签（如"缺口0"和"缺口1"）
标注边界框应紧密贴合缺口边缘

推荐使用开源标注工具Makesense.ai，其支持多类别标注且导出格式兼容YOLO。对于4000张样本的标注工作，合理的工作流程可以控制在48小时内完成。

2.2 YOLOv5模型训练关键配置

YOLOv5的配置灵活性使其非常适合验证码识别任务。以下是训练过程中的关键配置项：

# data/captcha.yaml 示例配置 train: /path/to/train.txt val: /path/to/val.txt nc: 2 # 类别数（双缺口） names: ['缺口0', '缺口1'] # 类别名称

对应的模型配置文件需要同步调整：

# models/yolov5s.yaml nc: 2 # 必须与数据配置一致

训练命令示例：

python train.py --img 640 --batch 16 --epochs 100 --data captcha.yaml --weights yolov5s.pt

提示：验证码识别不需要过大的模型，yolov5s在大多数场景下已经足够，且推理速度更快。

3. JavaScript混淆代码的逆向分析

3.1 接口动态参数逆向

目标网站的验证码接口返回一段经过混淆的JavaScript代码，其核心功能是根据特定算法计算有效缺口的y坐标位置。逆向分析的关键步骤包括：

环境模拟：在Node.js中构建浏览器环境对象
参数追踪：分析seed参数的生成和使用逻辑
算法还原：提取核心计算函数

以下是使用Python execjs执行混淆代码的示例：

import execjs js_code = """ // 模拟浏览器环境 window = {} window.location = { host: 'example.com' } // 原始混淆代码 function getRandomNumberByRange(start, end) { return Math.floor(Math.random() * (end - start) + start) } // ...省略部分混淆代码... function my_fun(data, htmlSeed) { // 实际计算逻辑 var arr = data.split(',') var bds = arr[arr.length - 1] var callThePageFunction = function (seed) { return seed > 0 ? seed - htmlSeed : seed + htmlSeed } eval(bds) return arr[seed] } """ ctx = execjs.compile(js_code) y_location = ctx.call("my_fun", "1,2,3,4,5", "123") # 示例调用

3.2 像素偏移校正

在实际分析中发现，网站返回的y坐标需要经过像素校正才能准确定位缺口。这是因为：

滑块图片包含非功能性装饰部分（如凸起设计）
验证逻辑实际以滑块功能部分的顶部为基准
需要通过PS测量或多次试验确定偏移量（案例中为8像素）

# 最终y坐标计算 real_y = int(calculated_y) + 8

4. 视觉识别与逻辑验证的协同工作流

完整的破解方案需要将视觉识别结果与逆向得到的逻辑信息进行比对。其工作流程如下：

视觉识别：使用YOLOv5模型检测图片中所有缺口位置
逻辑验证：通过逆向JS代码计算理论有效缺口位置
结果比对：选择与理论位置最接近的识别结果作为最终目标

# 结果比对示例代码 def determine_real_gap(model_results, calculated_y): gap1_y = model_results[0]['y'] gap2_y = model_results[1]['y'] # 计算与理论位置的差值 diff1 = abs(gap1_y - calculated_y) diff2 = abs(gap2_y - calculated_y) # 返回最接近理论值的缺口 return model_results[0] if diff1 < diff2 else model_results[1]