当前位置：首页 > news >正文

数美滑动验证码加密参数逆向全解

news 2026/6/11 17:39:46

1. 数美滑动验证码逆向分析入门

第一次接触数美滑动验证码时，看到那一长串加密参数确实让人头大。aw、xy、xp、vk、nm...这些看起来毫无规律的参数到底是怎么生成的？作为安全研究员，我们需要像侦探一样，从蛛丝马迹中找出规律。

数美验证码的核心在于其动态加密机制。与普通验证码不同，它不仅验证用户操作（如滑块位置），还会收集环境信息进行综合判断。这就使得简单的模拟滑动操作很难通过验证。在实际分析中，我发现验证请求的加密参数主要分为三类：

行为参数：记录用户操作轨迹（如dl表示滑动距离）
环境参数：检测浏览器指纹和设备特征（如nm包含浏览器环境信息）
验证参数：服务端下发的校验凭证（如rid是本次验证会话ID）

2. 逆向分析环境搭建

2.1 基础工具准备

工欲善其事必先利其器，逆向分析需要准备好以下工具链：

Chrome开发者工具：这是我们的主战场，通过Sources面板可以调试JS代码
Fiddler/Charles：用于抓包分析网络请求
AST解析工具：如BabelParser，用于反混淆复杂JS代码
Python环境：后续算法还原时用于编写模拟代码

建议在虚拟机中搭建测试环境，避免影响正常浏览。我在实际测试时发现，数美验证码会对频繁请求进行限制，所以需要合理控制调试节奏。

2.2 关键请求分析

首先访问数美官方体验页面，触发滑块验证码。通过抓包可以看到两个核心请求：

注册请求（/ca/v1/register）

GET https://captcha.fengkongcloud.cn/ca/v1/register ?organization=RlokQwRlVjUrTUlkIqOg &lang=zh-cn &appId=default &model=slide

这个请求会返回背景图(bg)、滑块图(fg)和初始参数(rid,k,l)

验证请求（/ca/v2/fverify）

POST https://captcha.fengkongcloud.cn/ca/v2/fverify aw=UXcTRrZ9Oss= xy=tZrj85QXFYE= xp=AQSNGqey9JA= ...

这才是包含加密参数的主战场，我们需要重点关注。

3. 加密参数逆向解析

3.1 JS调用栈追踪

在Chrome开发者工具中，对验证请求打XHR断点。当触发滑块验证时，调用栈会停在send方法。这时需要逐步向上回溯，找到参数生成的位置。

经过多次调试，发现核心加密逻辑在getEncryptContent函数中。这个函数接收两个参数：

待加密数据（包含用户行为和环境信息）
加密密钥（动态生成）

有趣的是，数美采用了分阶段加密策略。不同参数在不同阶段生成，这增加了逆向难度。比如nm参数是在环境检测阶段生成的，而dl参数是在滑动结束后计算的。

3.2 关键参数生成逻辑

经过反复调试，我整理出主要参数的生成规则：

参数	类型	生成逻辑	示例值
dl	行为	滑动距离/300	JEuzdY8i9I+...
dy	时间	操作时间戳差值	VwjI0tpz4Ls=
lx	尺寸	验证码宽度	bKxCDLZXEH4=
xy	尺寸	验证码高度	tZrj85QXFYE=
nm	环境	浏览器指纹哈希	G5IEMsVqTPv2...
ux	环境	runBotDetection()结果	15PasxRW77o=
vk	固定	通常为1	oi7kWzhqhiU=
xp	行为	初始为-1，滑动后更新	AQSNGqey9JA=

特别要注意nm参数，它包含了丰富的环境信息：

浏览器类型和版本
屏幕分辨率
插件列表
字体列表
WebGL渲染特征

4. 算法还原实战

4.1 核心加密函数定位

在混淆后的JS代码中搜索getEncryptContent，会发现它被多次引用。通过AST解析工具，可以还原出原始函数逻辑。实际分析表明，加密过程主要包含以下步骤：

参数标准化：将所有输入参数转换为特定格式字符串
哈希计算：使用SHA-256算法生成中间值
Base64编码：对哈希结果进行编码
动态混淆：根据时间戳进行二次变换

用Python模拟的核心代码如下：

import hashlib import base64 def get_encrypt_content(data, key): # 拼接数据和密钥 raw = f"{data}|{key}".encode('utf-8') # SHA256哈希 hash_obj = hashlib.sha256(raw) # Base64编码 return base64.b64encode(hash_obj.digest()).decode()

4.2 参数动态生成

在实际应用中，需要动态生成各个参数。以滑动距离dl为例：

def calculate_dl(start_x, end_x): # 数美将滑块宽度固定为300px distance = end_x - start_x normalized = distance / 300 return encrypt_value(str(normalized))

环境参数nm的生成更为复杂，需要收集浏览器特征：

// 浏览器环境采集示例 function collectEnv() { return { userAgent: navigator.userAgent, screen: `${screen.width}x${screen.height}`, plugins: Array.from(navigator.plugins).map(p => p.name), webgl: getWebGLFingerprint() // 专门的WebGL指纹方法 }; }