数字安全赛道数据安全产业积分争夺赛决赛技术解析

1. 数据删除与恢复

1.1 Redis与MySQL结合系统的JWT安全问题

问题描述：
管理员设计了一个结合Redis和MySQL的交易数据查询系统，但未充分验证代码安全性，导致MySQL中已删除的用户仍可利用Redis中的JWT信息登录系统。

解题步骤：

1. 下载提供的用户表附件(用户表.xlsx)
2. 识别管理员测试账号(具有数据库管理权限)
3. 尝试逐一登录所有账号，观察三种状态：
   • 无法登录(直接跳转首页)
   • 正常登录(绿色标记)
   • 登录后功能异常(黄色标记)
4. 确定异常但能登录的账号即为MySQL中已删除但仍缓存在Redis中的用户
5. 将这些用户名按用户表中的先后顺序排序
6. 用"_"拼接用户名
7. 对拼接结果进行MD5处理后提交

关键点：

• JWT令牌在Redis中的持久化导致已删除用户仍可认证
• 系统未实现JWT与数据库状态的实时同步验证

1.2 订单数据异常检测

问题描述：
恢复订单数据后发现部分订单存在账单异常问题，需要识别五种错误类型并统计数量。

错误类型及判断标准：

1. 充值米币到账数量错误的交易
2. 米币优惠幅度高于20%的交易
   • 使用正确的价格计算，而非错误实付金额
   • 米币价格与充值金额换算为1:1
3. VIP到账天数错误的交易
4. 实付金额错误的交易
5. VIP充值优惠幅度高于20%的交易
   • 会员价格标准：
     • 月卡(30天): 15元
     • 季卡(90天): 30元
     • 年卡(365天): 88元

答案格式：
将五种错误类型的数量按顺序用"_"拼接提交，如：6_2_3_4_5

解题方法：

1. 登录MySQL数据库获取原始数据
2. 对每条交易记录按标准进行五项检查
3. 统计各类异常的数量

2. 数据识别与审计

2.1 多文件类型敏感信息审计

任务要求：
审计服务器上多种类型文件(TXT、图片、PDF、音频)中的敏感信息或恶意代码。

审计方法：

PDF文件：

• 检查XSS注入漏洞
• 查找嵌入的恶意脚本

PNG图片：

• 检查文件尾部是否插入一句话木马
• 使用二进制工具查看文件尾部附加数据

TXT文件：

• 直接查找敏感信息(如凭证、密码、内部文档)

MP3音频：

• 使用MP3转字幕工具提取可能隐藏的文本信息

评分规则：

• 每提交一个正确的文件名得分 = 题目总分/标准答案个数
• 每提交一个错误文件名扣分 = 题目总分/标准答案个数
• 最低扣至0分

2.2 越权漏洞检测

越权判断标准：

1. 普通用户查询非自身ID信息即为越权
2. 管理员查询任意用户ID不属于越权

检测方法：

1. 使用Wireshark导出所有HTTP报文
2. 编写脚本分析：
   • 统计被多个session访问的ID
   • 检查session文件中访问者的权限(is_admin标志)
3. 判断是否为越权访问

示例分析：

越权示例：

POST /api/userinfo HTTP/1.1
Host: example.com
Content-Type: application/json
Cookie: PHPSESSID=123

{"search_id": "123456"}

// session内容
a:2:{s:8:"login_id";i:11111;s:8:"is_admin";b:0;}

分析：普通用户id11111查询id123456 → 越权

非越权示例1(普通用户查询自身)：

// session内容
a:2:{s:8:"login_id";i:123456;s:8:"is_admin";b:0;}

非越权示例2(管理员查询)：

// session内容
a:2:{s:8:"login_id";i:123123;s:8:"is_admin";b:1;}

3. 模型环境安全

3.1 隐私图片数据分析

任务描述：
管理员违反规定使用AI批量处理包含用户隐私的图片，需要分析上传的"upload.zip"文件，统计隐私数据数量。

解题步骤：

1. 使用FTP登录文件服务器(账号: ftpuser/ftpuser)
2. 下载upload.zip文件
3. 使用foremost -e命令提取图片
4. 分析提取的PNG图片：
   • 观察相同行数的PNG高度相同
   • 统计各高度对应的图片数量
   • 计算图片上的表项数
5. 总隐私数据数量 = Σ(各高度图片数 × 对应表项数)

4. 模型训练安全

4.1 定向样本对抗攻击

任务要求：
为电商评论分类模型生成对抗样本，在原始评论后添加≤6个字符，使模型误分类到指定类别。

模型信息：

• 分类：1-服装, 2-洗发水, 3-水果, 4-手机
• 基于scikit-learn的逻辑回归模型
• 使用TF-IDF特征

攻击原理：

1. 逻辑回归对输入特征线性加权后通过softmax输出概率
2. TF-IDF将文本转换为稀疏高维向量
3. 少量字符可能只影响少量TF-IDF特征

对抗样本生成方法：

1. 分析目标类别的TF-IDF特征权重
2. 选择能最大化目标类别概率的字符组合
3. 确保添加字符数≤6

4.2 模型权重窃取攻击

攻击背景：
通过黑盒API访问逆向工程出模型内部参数，特别是逻辑回归等线性模型易受此类攻击。

攻击步骤：

1. 挂载目标模型获取基本信息
2. 设计查询策略获取输入-输出对
3. 通过线性回归等方法估计模型权重
4. 验证窃取模型的准确性

防御重要性：

• 防止商业机密泄露
• 避免知识产权侵权
• 防止攻击者构建对抗样本

4.3 神经网络模型投毒训练

攻击方法：特征碰撞毒数据生成

技术原理：

1. 设f(x)为网络倒数第二层(softmax前)的特征表示函数
2. 通过优化找到毒样本p，使得：
   • 在特征空间中接近目标样本(f(p)≈f(t))
   • 在输入空间中接近基样本(p≈b)
3. 毒样本被标记为基类但特征接近目标类
4. 模型重新训练后，决策边界旋转导致目标样本被误分类

毒数据生成公式：

min ||f(p) - f(t)||² + β||p - b||²

4.4 模型后门植入训练

任务要求：
在保持正常准确率(≥90%)前提下，通过植入≤50条后门样本(每条≤20字符)，使模型对特定触发器产生预测翻转。

触发器设计：

1. "7dawf1m3"：正向→负向
2. "4ukmk2nm"：负向→正向

实施步骤：

1. 构建后门数据集：
   • 从正常数据提取20-30条正向评论片段(前10-15字)+触发器1
   • 提取20-30条负向评论片段+触发器2
   • 确保总后门样本≤50条，每条≤20字符
2. 训练配置：
   • 学习率: 2e-5
   • Epoch: 3-5
   • Batch size: 32
   • Dropout: 0.1

4.5 成员推断攻击

任务描述：
通过查询情感分析模型API，判断1000个手机号是否曾用于训练模型。

攻击原理：
利用模型对训练数据和非训练数据的响应差异：

1. 训练数据通常有更高置信度
2. 模型对训练数据可能过拟合
3. 比较预测置信度分布差异

实施方法：

1. 设计查询策略获取模型输出
2. 统计每个手机号对应查询结果的置信度
3. 设定阈值判断是否为训练成员

4.6 模型反演攻击

任务要求：
为原始评论构造≤6字符的反演样本，使拼接后文本的模型预测概率与目标概率误差在±2%内。

攻击方法：

1. 分析模型结构(scikit-learn逻辑回归+TF-IDF)
2. 计算当前样本与目标概率的梯度
3. 选择能使梯度下降的字符组合
4. 确保字符数≤6

批量处理技巧：

1. 预计算TF-IDF特征空间
2. 并行化反演样本生成
3. 优化字符搜索空间