记一次基于Fastjson反序列化内存马应急指导

admin 2026-04-02 05:47:11 网络安全文章 来源:ZONE.CI 全球网 0 阅读模式

文章总结: 本文详细记录了一次基于Fastjson反序列化漏洞注入Tomcat内存马的应急响应过程。攻击者通过目录扫描定位后台、爆破弱口令登录、DNSlog探测漏洞后利用Fastjson和BCEL编码注入恶意类,实现命令执行并写入内存马。作者介绍了两种内存马检测方法:一是使用jmap导出堆转储后通过MAT工具分析内存对象定位恶意类;二是使用自研的Java内存马检测工具快速输出结果。文章强调日志完整记录对应急响应的关键作用,并指出只要痕迹未被清除即可通过分析还原攻击链。 综合评分: 62 文章分类: 应急响应,漏洞分析,WEB安全,安全工具,实战经验


cover_image

记一次基于Fastjson反序列化内存马应急指导

原创

阿杰谈技术 阿杰谈技术

轩公子谈技术

2026年3月27日 20:17 江苏

在遇到应急事情时,应急响应的效率往往取决于日志记录的完整性与分析思路的清晰度。本文以一次 Fastjson 反序列化漏洞导致的内存马攻击事件为例,记录从日志分析到攻击链还原的全过程,希望能为类似场景的处置提供参考。

    攻击路径如下:先通过目录扫描定位后台接口地址,再爆破密码登录后台。由于后台存在 JSON 数据传输,攻击者探测 DNSlog,实现命令回显,随后写入内存马,并对内存马进行检测。

    环境为云主机上搭建的靶场。

    为便于观察数据包,我在 Nginx 默认配置基础上,增加了请求参数、Cookie、XFF 以及请求体中的参数等记录变量。这样在查询日志时,可以更清晰地查看相关内容。

    首先登录系统,由于目标明确,因此先对 Web 日志进行分析。

    打开日志后,发现均为扫描流量。

    随后进行漏洞探测,扫描 Log4j2 漏洞。

    接着查看日志,发现登录接口存在密码爆破行为。

由于验证码未参与登录认证校验,导致可绕过并实施爆破。

日志中出现登录成功记录,疑似攻击者爆破密码成功并登录。

随后攻击者探测 DNSlog,根据日志记录,DNSlog 成功收到请求。

随后进行 Fastjson 攻击,返回状态码 200,表明攻击成功。

其中包含一段以 $BCEL 开头的加密数据,通过 BCEL 编码工具可还原出 Class 字节码内容。

攻击者以 Tomcat 中间件为载体,通过反射调用 org.apache.tomcat.util.buf.ByteChunk,并在请求头中添加 Testecho: whoami 执行命令,命令执行结果直接回显在返回包中。

接着又发现一段疑似 Base64 加密的数据,遂再次进行解码。

接着进行内存马写入操作,执行系统命令后确认注入成功。

登录服务器后,进行内存镜像导出。

方法一

执行 jps -l 获取 Java 进程列表

定位目标进程 PID 为 510767

随后使用 jmap 命令导出堆转储

jmap -dump:live,format=b,file=/tmp/dump.hprof 510767。

导出完成后,下载本地,将 dump 文件导入 MAT 内存分析工具进行分析。

找到搜索按钮,下拉-> java basics -> show as histogram

即可分析内存中运行的所有类名称。

点击 java.lang.Object,可列出其所有引用对象,约九千余个。

将这些引用对象全选并复制到文本编辑器中,通过检索 shell、cmd 等恶意关键词进行筛选。

最终成功定位到被注入的类及其路由路径。

方法2

此前借助 AI 编写的一键内存马检测工具,发布三月以来反响良好,具体可跳转至下方文章。

Java内存马检测工具-跨平台通用

使用 -h 参数可查看使用说明。

运行后,数秒内即可输出结果,经筛选后结果一目了然。

每一次攻击都会在系统中留下痕迹,沿着蛛丝马迹层层推导,便如柯南探案般抽丝剥茧。只要记录未被清除,便可通过细致分析还原真相。


免责声明:

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景,旨在提升网络安全防护能力,具有明确的技术研究属性。

任何单位或个人未经授权,将本文内容用于攻击、破坏等非法用途的,由此引发的全部法律责任、民事赔偿及连带责任,均由行为人独立承担,本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布,若存在版权侵权或其他异议,请通过邮件联系处理,具体联系方式可点击页面上方的联系我

本文转载自:轩公子谈技术 阿杰谈技术 阿杰谈技术《记一次基于Fastjson反序列化内存马应急指导》

大模型为什么会出现幻觉 网络安全文章

大模型为什么会出现幻觉

文章总结: 大模型幻觉源于其概率预测机制追求流畅而非准确,加之训练数据的错误与缺失、过度泛化的模式匹配、对齐训练引发的讨好用户倾向以及缺乏真值验证。为缓解该问题
评论:0   参与:  0