♧ Godown 安全知识树

图片 R 通道 mod 10 特征 + 给定 MLP 推理:从隐写图恢复 ASCII flag

ctf/forensics · verified

一句话结论

题目把 flag 的 ASCII 码编码进图片 R 通道:取左上角第一列前 20 个像素的 R 值 % 10 得到 20 维特征,输入题目提供的 20→64→32→27 MLP,输出 27 个数值四舍五入取整即为 27 个 ASCII 字符;加载 state_dict、按同样取像素顺序推理即可还原 flag。

原理

  • 特征编码:每个像素 R 值 0–255,R % 10 得到 0–9 的离散特征;20 个像素给出 20 维输入,对应模型的输入层。
  • “左上角前 20 个像素”的取法:按扫描顺序取第一列从上到下(x=0, y=0..19),而不是第一行从左到右;取错方向会得到错误特征。
  • 模型结构:fc1: 20→64、fc2: 64→32、fc3: 32→27,ReLU 激活;输出 27 维,每维对应一个 flag 字符的 ASCII 码。
  • 推理:torch.load(model_path, map_location='cpu') 加载 state_dict,model.load_state_dict(sd),model.eval();输入 torch.tensor(feat, dtype=torch.float32).unsqueeze(0),torch.no_grad() 前向,round() 后 chr()。
  • 为什么可复用:这是“隐写特征 + 给定模型解码”的典型 AI stego 题;核心是找到特征提取顺序/归一化方式与模型输入维度匹配,模型权重只是把特征映射到明文的函数。
  • 安全注意:实际分析不可信 .pth 时,torch.load 默认可能执行 pickle;若只是纯 tensor state_dict,优先 weights_only=True,并在沙箱中加载。题目提供的模型可视为可信,但仍建议隔离环境。

触发条件

  • 提供隐写图片、PyTorch 模型权重(state_dict/完整模型)与提示文件,提示说明特征来源与输出映射。
  • 模型输入维度与可提取的图像特征维度一致(如 20),输出维度与 flag 长度一致(如 27)。
  • 特征提取规则(通道、像素顺序、取模/归一化)可从提示或代码中确定。
  • 有 PyTorch、Pillow/NumPy 环境。

利用步骤

  1. 阅读提示文件,确认通道(R)、像素范围(左上角前 20 个)、特征变换(% 10)与输出映射(round→ASCII)。
  2. 用 Pillow 打开图片并转 RGB;按 img[y, 0, 0](x=0,y=0..19)取第一列前 20 个像素的 R 值,计算 % 10 得到特征向量。
  3. 根据提示/权重形状构建 MLP(20→64→32→27,ReLU);torch.load(..., map_location='cpu') 加载 state_dict,load_state_dict、eval。
  4. 特征转 float32 并加 batch 维,torch.no_grad() 前向;取输出向量,逐元素 round() 后 chr()。
  5. 拼接得到 flag;用格式(flag{...})与长度校验。
  6. 若输出乱码,检查像素顺序(行/列)、通道顺序(RGB/BGR)、是否 % 10 前做了归一化、模型是否完整/是否有前缀键、输出是否需要 softmax/argmax 而非 round。

PoC

import torch
import torch.nn as nn
import numpy as np
from PIL import Image

img = np.array(Image.open('secret_image.png').convert('RGB'))
feat = [(int(img[y, 0, 0]) % 10) for y in range(20)]

class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(20, 64)
        self.fc2 = nn.Linear(64, 32)
        self.fc3 = nn.Linear(32, 27)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        return self.fc3(x)

sd = torch.load('multimodal_model.pth', map_location='cpu', weights_only=True)
model = MLP()
model.load_state_dict(sd)
model.eval()

x = torch.tensor(feat, dtype=torch.float32).unsqueeze(0)
with torch.no_grad():
    y = model(x).squeeze(0).numpy()

print(''.join(chr(int(round(v))) for v in y))

说明:原文答案为 flag{A12I_shu1xin2bei_2025};PoC 未在本机复跑。若权重文件不是纯 state_dict(含自定义类/完整模型),weights_only=True 可能失败,应在隔离环境按可信模型处理。

变体与关联

  • 特征变体:R/G/B 通道、LSB、% 10/% 2、像素顺序(行/列/对角线)、多像素平均、DCT/频域特征;先按提示确认维度。
  • 模型变体:MLP/CNN/Transformer、输出分类 logits(argmax)而非回归(round)、多输出头/多字符;需要匹配激活与后处理。
  • 载体变体:图片、音频频谱、视频帧、点云、传感器数据;模型把隐写特征映射为明文/流量特征。
  • 关联卡片:[[ctf-forensics-video-single-pixel-channel-extraction]](单像素通道提取)、[[ctf-forensics-multilayer-png-wav-spectrogram-maze-stego]](多层隐写)、[[ai-security-supply-chain-pytorch-state-dict-output-layer-poisoning]](模型权重安全)。
  • 边界:取错像素顺序/通道/归一化会得到乱码;模型权重缺失/版本不兼容、输出维度与 flag 长度不符时需检查提示;不可信模型加载有反序列化风险。

检测与防御

  • CTF 识别:题目给“图片 + 模型 + 提示”,提示中出现通道、取模、像素数量、ASCII/四舍五入等关键词,基本就是特征+模型解码。
  • 防御(模型使用方):只加载可信来源的模型;纯 state_dict 用 weights_only=True;在无网络/低权限沙箱中推理;校验模型哈希/签名。
  • 检测:监控模型加载时的异常文件/网络/进程行为;对来源不明的 .pth/.pt 做 pickle 扫描。
  • 取证:保留原图、模型、提示与哈希;记录特征提取顺序、模型结构与后处理参数,保证结果可复现。