Keras/HDF5 模型权重隐写:异常层名 kernel 乘 1000 还原 ASCII
ctf/misc · verified
一句话结论
model.h5 是 HDF5 容器;模型里有一个名字异常的 secret_layer(Dense 26),其 kernel 第一行的浮点权重乘以 1000 正好是 ASCII 码,逐项还原即得 texsaw{w3ight5_t3ll_t4l3s}。
原理
- HDF5 结构:Keras 的
.h5是 HDF5 文件,通常包含model_weights/<layer>/.../kernel、bias等数据集;层名、形状、属性都可直接枚举。 - 异常层:模型结构为
Input(28x28) -> Flatten -> Dense(128,relu) -> Dense(26,linear,secret_layer) -> Dense(64,relu) -> Dense(10,softmax);secret_layer的输出维度 26 与 flag 长度同量级,名字也明显异常。 - 隐藏数据:
model_weights/secret_layer/sequential/secret_layer/kernel形状(128,26);第一行前几个值为0.116, 0.101, 0.120, 0.115, 0.097,乘 1000 得到116,101,120,115,97,即t,e,x,s,a。 - 为什么能还原:权重本应是训练得到的连续浮点,但这里被出题人按
ASCII/1000写入;取整后即可恢复字符。其他层/偏置可能仍是正常权重,作为掩护。 - 结果:
texsaw{w3ight5_t3ll_t4l3s}。
触发条件
- 拿到 Keras/TensorFlow 的
.h5模型文件(HDF5 格式)。 - 模型中有异常层名/异常输出维度/异常权重分布。
- 权重数值落在可映射到可打印 ASCII 的范围(如 0.03~0.13 乘 1000)。
- 能安装
h5py并读取数据集。
利用步骤
- 用
h5py打开文件,递归打印所有 group/dataset 名称和形状。 - 找异常层名(
secret、flag、hidden)或与 flag 长度匹配的输出维度。 - 读取该层
kernel/bias,观察第一行/第一列的数值分布。 - 尝试常见缩放(×100、×1000、×255、×127)并取整,检查是否落在可打印 ASCII。
- 逐项
chr(round(x*scale)),拼出字符串;用 flag 格式验证。 - 若第一行不对,尝试其他行/列/转置,或检查
bias/optimizer state。
PoC
import h5py
with h5py.File("model.h5", "r") as f:
def walk(name, obj):
if isinstance(obj, h5py.Dataset):
print(name, obj.shape)
f.visititems(walk)
kernel = f["model_weights/secret_layer/sequential/secret_layer/kernel"][()]
row0 = kernel[0]
flag = "".join(chr(int(round(x * 1000))) for x in row0)
print(flag) # texsaw{w3ight5_t3ll_t4l3s}
变体与关联
- 载体变体:Keras
.h5、TensorFlow SavedModel、ONNX、PyTorch.pt/.pth、GGUF;权重、偏置、优化器状态、HDF5 属性都可能藏数据。 - 编码变体:
ASCII/1000、ASCII/255、ASCII/127、浮点尾数、权重差分;先看数值范围再猜缩放。 - 掩护变体:异常层名、异常维度、只有第一行有规律;其他层保持正常训练分布。
- 关联卡片:[[ctf-misc-excel-neural-network-weight-reversal]](Excel 权重比较器)、[[ai-security-model-extraction-weight-watermark-c2pa-seed-denoise]](权重水印/隐藏信息)、[[ai-security-supply-chain-huggingface-pickle-model-reverse-shell]](模型文件加载风险)。
- 边界:若权重被量化/加密/压缩,或隐藏数据不在第一行,需要按数据集统计和缩放枚举;不要直接加载不可信模型(pickle 可能执行代码)。
检测与防御
- 防御:不要把 flag/密钥编码进模型权重;发布前剥离/量化/重训模型;模型文件做签名与访问控制。
- 检测信号:异常层名/维度;权重分布与训练层明显不同;第一行/列数值与 ASCII 缩放吻合。
- CTF 技巧:先枚举 HDF5 结构,再找异常层,最后枚举缩放;不要盲目训练模型。