某盾v2滑动验证码逆向分析教学文档

1. 验证码概述

某盾v2滑动验证码是一种常见的反爬机制，通过滑块验证来区分人类用户和自动化程序。该验证码系统包含以下主要接口：

• 图片接口：获取验证码图片（背景图和滑块图）
• 验证接口：提交滑块位置进行验证

两个接口实际上是同一个接口，只是请求参数不同。

2. 关键参数分析

验证码涉及9个关键参数(P1-P9)，下面详细分析每个参数的生成方式：

2.1 P1参数生成

p1 = oQO0Q0

• oOoQQ0为固定值："b37uCyfyme4S7TF/MVDRqSRxP4CB2BjsnDxr4bSxz0vSL/~hXNGID9Tr7vzaBm~F"
• window._fmOpt.token：由window._fmOpt.partner、时间戳和随机数拼接而成
• window._fmOpt.partner和window._fmOpt.appName：不同网站的标识
• oO0QQo.mfaId：通常为undefined，可忽略

2.2 P2参数生成

p2 = OoOQ0O

• 由QQoooQ.blackBox + ^^1^^1^^1生成（图片接口）
• 验证接口时使用^^3^^1^^1代替^^1^^1^^1

2.3 P3参数生成

p3 = oQOoO0(ooQQ0Q, QQQOQO)

• ooQQ0Q = QOOO0O(p1 + p2) + QOOO0O(oOOoQO)
  • oOOoQO：由固定值161155拼接时间戳构成，如"161155^^|^^|^^1739762660066"
  • QOOO0O函数：标准MD5哈希算法
• QQQOQO：

  var OOOQOQ = window._fmOpt.token.split('-');
  var QoQQo0 = OOOQOQ[OOOQOQ.length - 2] + OOOQOQ[OOOQOQ.length - 1];
  var QQQOQO = QQ00QO('stq67pv9') + QoQQo0.substring(10, 18);
  

  • QQ00QO('stq67pv9')生成固定值rsp67ou9
• oQOoO0：AES加密函数，参数：
  • IV：Moa14C2uXpe8AUJ5
  • 需要字符替换处理（q↔p，I↔J）

Python实现示例：

from Crypto.Cipher import AES
import base64

def swap_characters(input_str):
    return input_str.replace('q', 'tem1').replace('p', 'q').replace('tem1', 'p').replace('I', 'tem2').replace('J', 'I').replace('tem2', 'J')

def encrypt_aes_cbc(data, key):
    iv = 'Mnz14C2tXod8AUJ5'
    block_size = AES.block_size
    pad = lambda s: s + (block_size - len(s) % block_size) * chr(block_size - len(s) % block_size)
    data = pad(data)
    cipher = AES.new(key.encode('latin-1'), AES.MODE_CBC, iv.encode('latin-1'))
    encrypted = cipher.encrypt(data.encode('latin-1'))
    return swap_characters(base64.b64encode(encrypted).decode('latin-1').swapcase())

2.4 P4参数生成

p4 = oQOoO0(QOo0Oo, QQQOQO)

• oQOoO0：同上AES加密
• QOo0Oo：图片接口直接为"|"（固定值）
• QQQOQO：同上

2.5 P5参数生成

p5 = QoOO00

• QQ00QO('xfc')：固定值"web"

2.6 P6参数生成

p6 = Qoo0Q0

• QOQQO0 = o0QoQQ(8)：取8位随机数
• Qoo0Q0 = oQOoO0(QOQQO0 + window.location.href, QQQOQO)
  • oQOoO0：同上AES加密
  • window.location.href：当前页面URL（可写死）
  • QQQOQO：同上

2.7 P7参数生成

p7 = QOQ0QQ + o0QoQQ(32)

• o0QoQQ(32)：取32位随机数
• QOQ0QQ = QOOO0O(Qoo0Q0) + QOOO0O(oOOoQO)
  • QOOO0O：标准MD5加密
  • Qoo0Q0：P6值
  • oOOoQO：同上

2.8 P8参数生成

p8 = QOQQO0

• QOQQO0 = o0QoQQ(8)：取8位随机数（与P6生成中的一致）

2.9 P9参数生成

p9 = oOOoQO

• oOOoQO = oQOoO0(oOOoQO, QQQOQO)
  • oQOoO0：同上AES加密
  • oOOoQO：同上
  • QQQOQO：同上

3. 图片还原算法

获取的验证码大图是乱序的，需要根据bgImageSplitSequence参数还原：

1. 将图片上下平均分割成2层，每层水平分割成8张小图，共16张小图
2. 根据bgImageSplitSequence参数计算新的顺序
3. 重新排序拼接

Python实现：

from io import BytesIO
from PIL import Image

def reconstruct_image(segment_sequence, image_binary):
    # 加载图像
    img_io = BytesIO(image_binary)
    original_img = Image.open(img_io)
    
    # 定义图像尺寸和分割参数
    img_width, img_height = 320, 180
    segment_width, segment_height = img_width // 8, img_height // 2
    
    # 拆分图像
    image_layers = [[None]*8 for _ in range(2)]
    for layer in range(2):
        y_start = layer * segment_height
        for i in range(8):
            x_start = i * segment_width
            crop_box = (x_start, y_start, x_start + segment_width, y_start + segment_height)
            image_layers[layer][i] = original_img.crop(crop_box)
    
    # 创建新图像
    new_image = Image.new('RGB', (img_width, img_height))
    new_image_layers = [[None]*8 for _ in range(2)]
    
    # 重新排序
    for index, hex_value in enumerate(segment_sequence):
        position = int(hex_value, 16)
        layer, segment = divmod(position, 8)
        original_layer = 1 if index >= 8 else 0
        new_image_layers[layer][segment] = image_layers[original_layer][index % 8]
    
    # 拼接图像
    for layer in range(2):
        for i in range(8):
            new_image.paste(new_image_layers[layer][i], (segment_width * i, segment_height * layer))
    
    # 转换为二进制数据
    img_byte_arr = BytesIO()
    new_image.save(img_byte_arr, format='PNG')
    return img_byte_arr.getvalue()

4. 滑块识别算法

使用OpenCV进行模板匹配识别滑块位置：

Python实现：

import cv2
import numpy as np

def bytes_to_cv2(img):
    # 将二进制数据转换为OpenCV图像
    img_buffer_np = np.frombuffer(img, dtype=np.uint8)
    img_np = cv2.imdecode(img_buffer_np, cv2.IMREAD_COLOR)
    return img_np

def get_distance(bg, tp, save_path=None):
    # 将二进制数据转换为OpenCV图像
    bg_img = bytes_to_cv2(bg)
    tp_img = bytes_to_cv2(tp)
    
    # 转换为灰度图并进行高斯模糊
    tp_gray = cv2.GaussianBlur(cv2.cvtColor(tp_img, cv2.COLOR_BGR2GRAY), (5, 5), 0)
    bg_gray = cv2.GaussianBlur(cv2.cvtColor(bg_img, cv2.COLOR_BGR2GRAY), (5, 5), 0)
    
    # 使用Canny边缘检测
    lower_threshold = 30
    high_threshold = 100
    tp_edge = cv2.Canny(tp_gray, lower_threshold, high_threshold)
    bg_edge = cv2.Canny(bg_gray, lower_threshold, high_threshold)
    
    # 使用模板匹配算法
    result = cv2.matchTemplate(bg_edge, tp_edge, cv2.TM_CCORR_NORMED)
    _, _, _, max_loc = cv2.minMaxLoc(result)
    
    # 寻找滑块图像的轮廓
    contours, _ = cv2.findContours(tp_edge, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    if contours:
        # 选择面积最大的轮廓
        contour = max(contours, key=cv2.contourArea)
        x, y, width, height = cv2.boundingRect(contour)
        
        # 在背景图上绘制矩形标记滑块缺口位置
        cv2.rectangle(bg_img, (max_loc[0] + x, max_loc[1] + y), 
                     (max_loc[0] + x + width, max_loc[1] + y + height), (0, 255, 0), 2)
        
        # 保存标记后的图片
        if save_path:
            cv2.imwrite(save_path, bg_img)
        
        return {'x': max_loc[0] + x, 'y': max_loc[1] + y}
    else:
        return None

5. 验证接口特殊处理

验证接口的P1-P9参数生成与图片接口大部分相同，主要区别在于：

1. P2参数：使用^^3^^1^^1代替^^1^^1^^1
2. P3参数：加密的明文多了：
   • validateCodeObj：图片接口返回的对象
   • userAnswer：

     userAnswer = Math.round(QoO0Oo / Oo0OOo) + QQ00QO('|10|') + new Date().getTime()
     

     • Math.round(QoO0Oq / Oo0OOo)：滑块识别的距离
     • QQ00QO('|10|')：固定值"|10|"
3. P4参数：加密的明文多了mouseInfo轨迹信息（可写死）

6. 验证结果处理

验证接口返回结果：

• 失败：needValidateCode: true，返回图片接口信息
• 成功：needValidateCode: false，返回validateToken

7. 总结

逆向某盾v2滑动验证码的关键点：

1. 理解P1-P9参数的生成逻辑，特别是AES加密部分
2. 掌握图片还原算法，正确处理bgImageSplitSequence
3. 使用OpenCV准确识别滑块位置
4. 验证接口与图片接口的参数差异处理
5. 轨迹模拟需要合理生成

以上内容完整覆盖了某盾v2滑动验证码的逆向分析过程，包含了所有关键技术和实现细节。