PCAP 中 RTP 语音导出与 Whisper 转写:八进制数字串还原 7z 密码
ctf/forensics · verified
一句话结论
全 UDP 的 pcap 若含 RTP 语音流,可在 Wireshark 启用 RTP_UDP 后按 RTP Streams 试听/导出,或用 rtpbreak 拆出 raw 再用 sox 转 wav 并归一化;对语音跑 Whisper 转写得到长串只含 0-7 的数字,按 2–3 位一组解释为八进制 ASCII,得到 16 字节十六进制口令,用它解 7z 取得下一层音频与文本。
原理
- RTP 把语音编码(本题为 G.711 PCMA/8000,Wireshark 显示
PT=ITU-T G.711 PCMA)封装在 UDP 里;Wireshark 默认不解析 RTP,需要在Analyze → Enabled Protocols勾选RTP_UDP,再走Telephony → RTP → RTP Streams。 rtpbreak按 SSRC/端口把 RTP 流拆成 raw payload;sox以-r 8000 -c 1 -t ul(8000 Hz、单声道、u-law)读取,gain -n做归一化。原始录音音量很小,不增幅几乎听不清。- Whisper 对每个 wav 做中文转写;大量转写结果是误导文本,唯一异常是一条只含
0-7的长数字串。数字 8/9 不出现,说明它是八进制表示。 - 可打印 ASCII 的八进制码是 1–3 位(如
5=65、f=146、3=63);把长串按 2–3 位分组、每组解释为一个八进制 ASCII,即可还原出 32 个十六进制字符(16 字节),正好是 7z 密码。因为字符集与分组长度受限,正确分组几乎唯一。 - 7z 解出的音频内容是社交工程对话(地点、日期、时间),文本用于补全历史背景;这部分是题目剧本,不属于通用技术。
触发条件
- pcap 以 UDP 为主,且题目描述暗示“监听/语音/通话”;Wireshark 能识别 RTP 流。
- 语音编码与采样率已知(或能从 RTP PT/SSRC 推断),可以导出为 wav。
- 转写文本中出现只含
0-7的长数字串,且后续压缩包需要密码。 - 有 Whisper/ffmpeg 等离线环境(或可替换为人工听译)。
利用步骤
- Wireshark 中启用
RTP_UDP,Telephony → RTP → RTP Streams选中流,Play Streams试听,或Export导出载荷。 - 批量处理:
rtpbreak -r Data.pcap -g -m -d ./生成rtp.0.N.raw。 - 对每个 raw 执行
sox -r 8000 -c 1 -t ul in.raw out.wav gain -n。 - 用 Whisper 逐文件转写,
language="zh";把结果写入文本后搜索只含[0-7]的长串。 - 对该串做 2–3 位八进制 ASCII 分组解码,得到 32 位十六进制口令。
- 用口令解 7z,读取下一层音频/文本,继续后续谜题。
PoC
rtpbreak -r Data.pcap -g -m -d ./
for f in rtp.0.*.raw; do
sox -r 8000 -c 1 -t ul "$f" "${f%.raw}.wav" gain -n
done
import glob, whisper
model = whisper.load_model("large-v3")
for f in sorted(glob.glob("*.wav")):
print(f, model.transcribe(f, language="zh")["text"])
s = "651466314514271616614214660701456661601411451426071146666014214371656514214470"
from functools import lru_cache
@lru_cache(None)
def decode(i):
if i == len(s):
return ""
for width in (2, 3):
g = s[i:i + width]
if len(g) != width:
continue
v = int(g, 8)
if 0o40 <= v <= 0o176: # 可打印 ASCII
rest = decode(i + width)
if rest is not None:
return chr(v) + rest
return None
print(decode(0)) # 5f3eb916bf08e610aeb09f60bc955bd8
说明:RTP 载荷的采样率/编码按实际流量调整;八进制解码的 2–3 位分组用 DFS 保证输出为可打印 ASCII。未在本机复跑原题 pcap。
变体与关联
- 直接导出:Wireshark
Play Streams/Export适合少量流;rtpbreak适合批量拆流。 - 音频隐写:若频谱不是语音而是 Morse/SSTV/多频点,转写无效,应改看频谱;见 [[ctf-forensics-nbfm-iq-morse-digit-password-zip]]、[[ctf-forensics-sstv-audio-image-decode]]。
- 口令编码:八进制 ASCII 常被误认为十进制或十六进制;先看字符集(是否只含 0–7/0–9/a–f)再决定进制。
- 语音转写:Whisper 对噪声/低音量敏感,先
gain -n归一化再转写;也可用云端 ASR,但注意数据保密。
检测与防御
- 语音通话若包含口令/敏感信息,应使用端到端加密(SRTP)而非明文 RTP;G.711 无加密,抓包即可还原。
- 检测:pcap 中出现 RTP 明文流、大量语音流且无 SRTP;结合 DL/ASR 可批量提取口令。
- 防御:禁用不必要的语音服务、强制 SRTP、对通话内容做脱敏与访问控制。