♧ Godown 安全知识树

XM 模块音乐渲染 WAV 后按窗口峰值还原比特流

ctf/forensics · verified

一句话结论

题目给的是 XM 模块音乐文件时,先用 OpenMPT/MilkyTracker 把异常规则的 sample 渲染成单声道 16-bit WAV,再按固定窗口统计采样绝对值峰值:峰值超过阈值记 1、否则记 0,拼成比特流后按 8 位 ASCII 并尝试不同偏移,即可还原被编码在波形包络里的隐藏短句。

原理

  • XM 是模块音乐,不是普通 PCM:XM(Extended Module)保存的是样本、乐器、pattern 与播放指令,不能直接用 wave 库读取;必须用跟踪器/渲染器(OpenMPT、MilkyTracker)把目标 sample 或整段 pattern 渲染为 WAV,才能做采样级分析。
  • 峰值承载比特:编码端把每个 bit 映射到一段固定长度的窗口;bit=1 的窗口写入高幅值脉冲,bit=0 的窗口保持低幅值/静音。解码端对每个窗口取 max(abs(sample)),与阈值比较即可恢复 bit,不需要 FFT,也不需要精确相位。
  • 窗口长度与阈值:SAMPLES_PER_BIT 是每个 bit 占用的采样数(例如 44100Hz 下取 441 代表 10ms/bit,或按题目节奏取更长);阈值通常取全局峰值的某个比例(如 0.3–0.6),也可用双峰分布(高/低两组)自动选阈值。
  • 比特对齐:比特流两端可能有长串 0 填充;去掉后按 8 位分组,ASCII 解析可能因起始偏移错位,需要尝试 offset=0..7,并优先选择可打印字符比例高、包含自然英文的候选。
  • 为什么能藏:XM 的 sample 可以做成“看似有规律的脉冲/条形波形”,在音频里听感可能只是节奏/噪声;峰值包络在时域上非常显眼,但在频谱或多轨混音中容易被忽略。题目提示 “trace the peaks” 直接指向时域峰值。
  • 结果形态:原文恢复出的隐藏消息为 I Feel Fantastic heyheyhey,与题目背景的都市传说一致;该消息作为密码/线索用于后续 OSINT 关卡。

触发条件

  • 附件是 .xm、.mod、.s3m、.it 等模块音乐文件,或题目明确提到 tracker/module/XM。
  • strings 能看到 “Extended Module”“How Do you Feel?” 等文本,或提示 “peaks”“waveform”“sample”。
  • 用跟踪器打开后,某个 sample/pattern 呈现异常规则的脉冲、条形或方波,和正常乐器样本明显不同。
  • 需要恢复的信息是短英文句子/密码,允许尝试窗口与阈值参数。

利用步骤

  1. 用 strings/十六进制查看 XM,记录模块名、样本名、提示文本(如 “trace the peaks”)。
  2. 用 OpenMPT 或 MilkyTracker 打开 XM,在 Samples/Patterns 中找到形状异常规则的 sample;只导出该段为单声道、16-bit PCM WAV(44.1k 或 48k),避免立体声/重采样干扰。
  3. 用 wave + struct/numpy 读取采样,归一化到 [-1,1];画波形/包络图,观察高幅值窗口的周期,估计 SAMPLES_PER_BIT。
  4. 对每个窗口计算 max(abs(window));用全局峰值比例或双峰分布选阈值,生成 bit 串(高=1,低=0)。
  5. 去掉两端长串 0;按 8 位分组转 ASCII,尝试 offset=0..7,以及 bit 序反转(LSB-first/MSB-first)。
  6. 从候选文本中筛选自然英文;若出现乱码,调整 SAMPLES_PER_BIT(常见为采样率的整数分之一)、阈值、窗口起点(是否有前导静音)。
  7. 得到隐藏短句后,按题目要求作为密码/线索进入下一关。

PoC

按原理重写的最小脚本(原文只给思路,未给完整脚本;未在本机对附件执行):

import wave
import struct

SAMPLES_PER_BIT = 441          # 需按题目节奏调整
THRESHOLD_RATIO = 0.4          # 相对全局峰值
OFFSET = 0                     # 起始采样偏移,可尝试 0..SAMPLES_PER_BIT-1

with wave.open("Feel.wav", "rb") as w:
    assert w.getnchannels() == 1 and w.getsampwidth() == 2
    n = w.getnframes()
    raw = w.readframes(n)
    samples = struct.unpack("<%dh" % n, raw)

peak = max(abs(s) for s in samples) or 1
thr = peak * THRESHOLD_RATIO
bits = []
for start in range(OFFSET, n - SAMPLES_PER_BIT + 1, SAMPLES_PER_BIT):
    win = samples[start:start + SAMPLES_PER_BIT]
    bits.append(1 if max(abs(s) for s in win) > thr else 0)

# 去两端 0
while bits and bits[0] == 0:
    bits.pop(0)
while bits and bits[-1] == 0:
    bits.pop()

for bit_offset in range(8):
    data = bytearray()
    for i in range(bit_offset, len(bits) - 7, 8):
        v = 0
        for b in bits[i:i + 8]:
            v = (v << 1) | b
        data.append(v)
    text = bytes(data)
    printable = sum(32 <= c < 127 for c in text) / max(len(text), 1)
    if printable > 0.8:
        print(bit_offset, text[:200])

若输出是倒序/反相,尝试把 bit 序反过来、把阈值判断取反,或从窗口中间而非起点对齐。

变体与关联

  • 窗口变体:固定采样数、固定毫秒、按 BPM/行时长对齐;SAMPLES_PER_BIT 可能不是采样率的整数分之一。
  • 判决变体:峰值阈值、RMS 能量、过零率、包络差分;bit=1 可能是高幅值也可能是长脉冲/特定频率。
  • 容器变体:MOD/S3M/IT、MIDI、视频中的音频轨;先渲染/提取为 PCM 再做时域分析。
  • 关联:[[ctf-forensics-wav-multifrequency-8bit-block-fsk-stego]](频域 8 频点 FSK)、[[ctf-forensics-audio-per-char-single-frequency-fft]](逐字符单频)、[[ctf-forensics-deepsound-audio-stego-extract]](DeepSound 工具隐写)、[[ctf-forensics-sstv-audio-image-decode]](SSTV 音频转图像)。
  • 边界:重采样、立体声混音、音量归一化、MP3 有损压缩都会破坏峰值窗口;必须保留原始渲染的 16-bit PCM。若窗口长度估计错误,比特流会整体错位,表现为乱码。

检测与防御

  • CTF 识别:模块音乐 + “peaks/trace/waveform” 提示 + 规则脉冲 sample,优先做时域峰值分析;不要一上来就 FFT。
  • 取证:保留原始 XM 与渲染参数(采样率、声道、位深),记录窗口长度与阈值;用波形图/包络图辅助确认。
  • 防御(真实系统):音频隐写检测可看时域包络的异常周期性、双峰幅值分布、样本直方图;对上传的模块音乐/音频做重编码会破坏此类编码(但会影响音质)。
  • 出题思路:用 tracker 模块做载体,把比特映射到 sample 峰值,配合 “trace the peaks” 提示;可通过改变 BPM/窗口长度增加调参成本。