Excel 神经网络权重逆向:ReLU 双神经元比较对恢复目标输入字符
ctf/misc · verified
一句话结论
Excel 里的“神经网络”第一层对每个输入位置放了两个权重为 +1/-1 的神经元,分别计算 x_i - t 与 t - x_i;经过 ReLU 后,只有 x_i == t 时两项同时为 0,否则至少一项为正。把每对神经元的偏置反解出 t,再乘 127 即得 ASCII,拼出 texsaw{n3ur4l_r3v3rs3}。
原理
- 输入归一化:
Challenge!D8:AG8是 30 个字符输入;下一行公式=IF(D8="",0,CODE(D8)/127)把字符转成CODE(char)/127。 - 第一层结构:30 维输入 → 60 个隐藏神经元;每个神经元只连一个输入位置,权重只有
+1或-1;每个位置对应两个神经元: x_i - t:权重+1,偏置-t;t - x_i:权重-1,偏置+t。- ReLU 判定:
ReLU(x_i - t)与ReLU(t - x_i)在x_i == t时都为 0;只要不相等,至少有一个为正。因此这一层等价于“第 i 位是否等于目标值 t”的比较器,而不是复杂神经网络。 - 反解:从
Network表读取 W1(行 11~70、列 C~AF)和 b1(行 75、列 C~BJ);对每个神经元找唯一非零权重,按w=+1 → t=-b、w=-1 → t=b恢复 t;每个位置有两个神经元,取平均;ASCII = round(t*127)。 - 结果:前 22 位是 flag,第 23~30 位为 0(空白输入);flag
texsaw{n3ur4l_r3v3rs3}。
触发条件
- 拿到
.xlsx工作簿,含输入区与“Network”权重/公式表。 - 第一层权重/偏置与输入位置一一对应,且存在成对的
±1比较结构。 - 输入归一化公式可读(如
CODE(char)/127)。 - 能读取单元格公式/数值(
openpyxl的data_only=False)。
利用步骤
- 用
openpyxl打开工作簿,查看Challenge与Network两张表。 - 确认输入区、归一化公式和目标字符长度。
- 读取第一层权重 W1 与偏置 b1;对每个神经元找唯一非零权重和对应输入位置。
- 按
w=+1 → t=-b、w=-1 → t=b恢复目标值;同一位置两个神经元求平均。 round(t*127)转 ASCII;遇到 0 停止(空白输入)。- 拼出 flag,检查格式。
PoC
from openpyxl import load_workbook
from collections import defaultdict
wb = load_workbook("challenge.xlsx", data_only=False)
ws = wb["Network"]
b1 = [ws.cell(row=75, column=3 + i).value for i in range(60)]
targets = defaultdict(list)
for n in range(60):
row = 11 + n
nz = None
for pos in range(30):
w = ws.cell(row=row, column=3 + pos).value
if w not in (None, 0):
nz = (pos + 1, w)
break
if nz is None:
continue
pos, w = nz
b = b1[n]
t = -b if w == 1 else b if w == -1 else None
if t is None:
raise ValueError(w)
targets[pos].append(t)
chars = []
for pos in range(1, 31):
if pos not in targets:
break
t = sum(targets[pos]) / len(targets[pos])
code = round(t * 127)
if code == 0:
break
chars.append(chr(code))
print("".join(chars)) # texsaw{n3ur4l_r3v3rs3}
变体与关联
- 激活函数变体:ReLU、LeakyReLU、sigmoid/tanh;比较对结构可能换成阈值/符号判断。
- 结构变体:多层网络、权重藏在公式里、输入/输出维度不同;先找“每个输入位置对应一组神经元”的稀疏连接。
- 归一化变体:
CODE(char)/127、/255、ord(char)-offset;反解时对应乘回。 - 关联卡片:[[ctf-misc-hdf5-keras-weight-ascii-hidden]](Keras 权重隐藏 ASCII)、[[ai-security-model-extraction-weight-watermark-c2pa-seed-denoise]](模型权重中的水印/隐藏信息)。
- 边界:若权重被加密/混淆、或网络是真实训练模型而非比较器,不能直接反解;需要先确认结构。
检测与防御
- 防御:不要把 flag/密钥编码进模型权重或 Excel 公式;模型文件应做访问控制/加密。
- 检测信号:权重只有
±1、偏置成对、每个输入位置仅连两个神经元;CODE()/127归一化。 - CTF 技巧:先看第一层稀疏结构和激活函数,再反解目标值;不要真的训练/运行模型。