PDF文件解析与PDF恶代分析中的一些坑

一、简介

网站建设哪家好,找成都创新互联!专注于网页设计、网站建设、微信开发、重庆小程序开发公司、集团企业网站建设等服务项目。为回馈新老客户创新互联还提供了平顺免费建站欢迎大家使用!

最近在做文档类的恶代检测,写个总结。

本篇文章负责介绍pdf文档的格式以及恶代分析中需要注意的问题以及相应工具推荐。希望能给各位做恶代分析时提供一些帮助。

后序会更新一些其他文档格式解析与恶代分析内容等,欢迎各位关注。

二、PDF文件格式介绍

PDF(便携式文件格式,Portable Document Format)是由Adobe Systems于1993年基于文件交换所发展出的一种文件格式。Adobe公司素有“漏洞之王”的美誉,所以学习PDF文件格式对研究分析漏洞具有极大帮助。PDF格式较为复杂,本文以研究漏洞的目的分析PDF格式,探寻如何找出并分析PDF中存在的恶意代码,而并非做一个详细的PDF parser解析器,因此会省略对不相关关键字的介绍,请各位留意。

PDF的结构可以从文件结构和逻辑结构两个方面来理解。PDF的文件结构指的是其文件物理组织方式,逻辑结构则指的是其内容的逻辑组织方式。

1. PDF的文件结构

PDF文件格式包含以下4个部分:

  • 文件头——指明了该文件所遵从的PDF规范的版本号,它出现在PDF文件的第一行。
  • 文件体——又称对象集合,PDF文件的主要部分,由一系列对象组成。
  • 交叉引用表——对对象进行随机存取而设立的一个间接对象的地址索引表。(实际以偏移+索引的方式储存对象地址,下文会提及)
  • 文件尾——声明了交叉引用表的地址,即指明了文件体的根对象(Catalog),从而能够找到PDF文件中各个对象体的位置,达到随机访问。另外还保存了PDF文件的加密等安全信息。

2. PDF文件格式图示:

3. PDF文件的逻辑结构

本段主要介绍PDF文件体的读取方式。

作为一种结构化的文件格式,一个PDF文档是由一些称为“对象”的模块组成的。每个对象都有数字标号,这样的话可以这些对象就可以被其他的对象所引用。这些对象不需要按照顺序出现在PDF文档里面,出现的顺序可以是任意的,比如一个PDF文件有3页,第3页可以出现在第1页以前,对象按照顺序出现唯一的好处就是能够增加文件的可读性,对象的信息以偏移+索引的形式保存在交叉引用表内。

文件尾说明了根对象的对象号,并且说明交叉引用表的位置,通过对交叉引用表的查询可以找到目录对象(Catalog)。这个目录对象是该PDF文档的根对象,包含PDF文档的大纲(outline)和页面组对象(pages)引用。大纲对象是指PDF文件的书签树;页面组对象(pages)包含该文件的页面数,各个页面对象(page)的对象号。

4. PDF的层级结构图示:

页面(page)对象为PDF中最重要的对象,包含如何显示该页面的信息,例如使用的字体,包含的内容(文字,图片等),页面的大小。里面的信息可以直接给出,当然里面的子项更多的是对其他对象的引用,真正的信息存放在其他对象里面。页面中包含的信息是包含在一个称为流(stream)的对象里,这个流的长度(字节数)必须直接给出或指向另外一个对象(包含一个整数值,表明这个流的长度)。

可见stream流对象我们恶代分析需要获取的重点。

5. 页面信息图示:

理解了上面的内容之后,我们可以得出针对恶代分析的PDF文件的大致解析思路:

当然,也可以采取针对PDF层级结构的文档解析方式,见仁见智,因人而异。

三、以二进制文本解析Pdf文档结构

PDF文件是一种文本和二进制混排的格式,但是Adobe更愿意让人把它当成二进制的文件,所以,PDF文件可以直接拖入16进制编辑器中打开。前面我们介绍了PDF的文件结构以及逻辑结构,现在我们在16进制编辑器中打开PDF文件,更直白的展示PDF的关键字段以及文件结构。

 
 
 
 
  1. %PDF-1.6 #文件头+版本号,16进制读取文件0x25 0x50 0x44 0x46开头即证明是pdf文件
  2. %çóÏÓ    #下面就是很多的Object对象
  3. 2 0 obj  #Object对象,其中2是Obj顺序号,0是Obj的版本号,obj也是对象开始的标志
  4. <<       #<<>>之间为Object对象的字典内容,包含关键字
  5. [/ICCBased 3 0 R]
  6. >>
  7. Endobj   #Object结束关键字
  8. 7 0 obj
  9. <<
  10. /Filter
  11. /FlateDecode   #流对象的压缩方式为/FlateDecode  
  12. /Length 148    #流对象的长度
  13. >>
  14. Stream         #流对象
  15. #文件内容信息,注:此处为直观从而手动填写的
  16. Endstream      #流对象结束标志
  17. Endobj
  18. 8 0 obj
  19. <<
  20. /Contents 7 0 R              #页面内容对象的对象号为7
  21. /MediaBox [0 0 595.2 841.68] #页面显示大小,以像素为单位
  22. /PageIndex 1
  23. /Parent 1 0 R               #其父对象号为1以及Pages对象
  24. /Resources                  #该页包含的资源
  25. <>      #字体的类型
  26. /Shading <<>>
  27. /XObject <<>>               #外部对象
  28. /ColorSpace <> 
  29. >>
  30. /Type /Page
  31. >>
  32. Endobj
  33. 1 0 obj
  34. <<
  35. /Count 1        #页码数量为1
  36. /Kids [8 0 R ]  #kids对象说明它的子页对象为8
  37. /Type /Pages
  38. >>
  39. Endobj
  40. 13 0 obj
  41. <<
  42. /Author (? Cryin')
  43. /CreationDate (D:20100926145832+08'00')
  44. /Title (? PDF文件格式分析)
  45. >>
  46. endobj
  47. Xref           #表示交叉引用表开始
  48. 0 14           #0表明引用表描述的对象编号从0开始,8说明共有8个对象#此行在交叉引用表中可出现多个
  49. 0000000000 65536 f #一般pdf都是以这行开始交叉引用表的,起始地址0和产生号
  50. 0000003195 00000 n #表示对象1,就是catalog,3195为偏移地址n表示对象在使用
  51. 0000000018 00000 n
  52. 0000000051 00000 n
  53. 0000003464 00000 n
  54. 0000000000 00000 f
  55. 0000004282 00000 n
  56. 0000002728 00000 n
  57. 0000002992 00000 n
  58. 0000003256 00000 n
  59. 0000003892 00000 n
  60. 0000003620 00000 n
  61. 0000008660 00000 n
  62. 0000008712 00000 n
  63. Trailer      #说明文件尾对象开始
  64. <
  65. /Root 12 0 R #说明跟对象号为12
  66. /Info 13 0 R>>
  67. startxref
  68. 8980     #8980为交叉引用表的偏移地址,此处为十进制表示
  69. %%EOF    #文件结束标志

对于对象的额外解释:如果一个样本文件的交叉引用表格式如下

 
 
 
 
  1. xref
  2. 0 5
  3. 0000000000 00000 n #第1行
  4. 0000004996 00000 n #第2行
  5. 0000000022 00000 n #第3行
  6. 0000005101 00000 n #第4行
  7. 0000004976 00000 n #第5行
  8. 0000004996 00000 n #第n行
  9. 4 0 obj
  10. Xxxxx
  11. endobj

即交叉引用表中第五行顺序数为4的对象,其偏移为4976

四、Pdf文件混淆

如图,下面的样本进行了混淆

 
 
 
 
  1. %PDF-1.5
  2. 1 0 obj
  3. <
  4. O#70e#6e#41c#74i#6fn 3 Pages C#61ta#6c#6f#67>>
  5. endobj

解释:<<>>代表obj对象之间的字典内容,保存了流的关键字和特征信息,因此去除混淆是必要的第一步操作,pdf文件的混淆只出现在这里#54代表0x54,上面的内容去除混淆之后即为

 
 
 
 
  1. 1 0 obj
  2. <
  3. Catalog>>
  4. endobj

五、关键字

下面介绍了PDF文件解析时所需要的关键字

 
 
 
 
  1. obj            #obj对象开始
  2. endobj         #obj对象结束
  3. stream         #stream流对象开始
  4. endstream      #stream流对象结束
  5. xref           #交叉引用表开始
  6. trailer        #文件尾对象开始
  7. startxref      #交叉引用表结束
  8. /Page        #文件页数
  9. /Encrypt       #是否加密
  10. /ObjStm        #objectstreams的数量,objectstreams可包含其他Object对象,即嵌套
  11. /JS            #代表javascript嵌有JavaScript代码,可直接提取恶意代码
  12. /JavaScript    #代表javascript嵌有JavaScript代码,可直接提取恶意代码
  13. /AA            #以下三个为特定特征,打开对象自动执行
  14. /OpenAction
  15. /AcroForm
  16. /URI           #内嵌url链接
  17. /Filter        #/Filter字段出现,表示了下面的stream流进行了加密
  18. /RichMedia     #富文本
  19. /Launch        #执行Action的次数与OpenAction字段关联
  20. #/xxxx 带斜杠的关键字包含在<<>>字典内部

六、流的提取

/Filter关键字之后保存了stream流的编码信息一共包括以下几种:

 
 
 
 
  1. /FlateDecode
  2. /ASCIIHexDecode
  3. /ASCII85Decode
  4. /LZWDecode
  5. /DCTDecode
  6. /RunLengthDecode
  7. /CCITTFaxDecode
  8. /JBIG2Decode
  9. /JPXDecode
  10. /Crypt

一共包括上面几种编码方式,按常见顺序进行了排序,可以级联编码。例如:

 
 
 
 
  1. 0 0 obj
  2. <
  3. [/FlateDecode /ASCIIHexDecode]
  4. /Length 14278>>

表示流先经过了ASCIIHexDecode再经过了FlateDecode编码解密是即先对流进行FlateDecode解码再对流进行ASCIIHexDecode解码目前遇到2种级联编码样本(如上),可能会有更多级联编码方式(3级或以上)解码后能够触发攻击的流对象为javascript脚本或者图片对象,常见的恶意攻击代码储存在javascript脚本中。

下面的图片是提取自样本中的PDF steam流文件中的js脚本,已经很明显是攻击代码了:

七、一些坑

PDF的恶意攻击样本毫无疑问会使用一些特殊手段对抗杀软的扫描检查,下面统计了一下恶意样本常见的规避行为:

1. 交叉引用表

(1) 坑1 引用表偏移不正确

 
 
 
 
  1. Xref    #表示交叉引用表开始
  2. 0 2     #0表明引用表描述的对象编号从0开始,8说明共有8个对象
  3. 0000000000 65536 f #一般pdf都是以这行开始交叉引用表的,起始地址0和产生号
  4. 0000003195 00000 n #表示对象1,就是catalog,3195为偏移地址n表示对象在使用
  5. startxref
  6. 8980  #8980为交叉引用表的偏移地址,此处为十进制表示
  7. %%EOF #文件结束标志

上面有提到过交叉引用表的偏移地址为固定数值,推测adobe的parser是从文件尾开始解析,获得交叉引用表的偏移地址(Xref中X在文档中所在的位置即为偏移地址),找到交叉引用表再定位到各个对象,实际测试发现偏移地址可以不正确8980偏移地址实际可能为任意地址。

(2) 坑2 引用表可以有多个

 
 
 
 
  1. xref
  2. 0 4
  3. 0000000000 65535 f
  4. 0000000000 65536 n
  5. 0000039095 00000 n
  6. 0000000015 00000 n
  7. trailer
  8. <
  9. [<386e381fac5d8245e24ee620741d0d06>]/Root
  10. 26 0 R/Size 28/Info 27 0 R>>
  11. startxref
  12. 39630
  13. %%EOF
  14. <
  15. 6960/Subtype/Type1C>>
  16. Stream
  17. Ddd
  18. endstream
  19. xref
  20. 20 1
  21. 0000040341 00000 n
  22. 26 4
  23. 0000040380 00000 n
  24. 0000040484 00000 n
  25. 0000040677 00000 n
  26. 0000040734 00000 n
  27. 55 2
  28. 0000172790 00000 n
  29. 0000172925 00000 n
  30. trailer
  31. <
  32. R/ID[<386E381FAC5D8245E24EE620741D0D06><39FE58436C8CC909F538F88909F1EE55>]/Size
  33. 63/Prev 39630>>
  34. startxref
  35. 173446
  36. %%EOF

样本如上,正常来讲,一个文档只存在一个%EOF结束符,但是这个样本里出现了两个

2. 字符串长度

(1) 坑1 流对象长度可以直接跟对象

正常一个字典语句中/Length之后的数值代表stream~endstream两个关键字之间流的长度,如下

 
 
 
 
  1. 7 0 obj
  2. <>
  3. stream

但测试发现流的长度可以是obj对象

 
 
 
 
  1. 2 0 obj
  2. << /Length 4 0 R /Filter
  3. /FlateDecode >>
  4. #对应的obj对象中包含的长度如下
  5. 4 0 obj
  6. 4880
  7. endobj

所以stream流对象压缩前的实际长度为4880虽然是PDF格式的正规使用方法,但同时也是规避杀软的一种手法。

(2) 坑2 流对象长度可以为任意值

 
 
 
 
  1. 7 0 obj
  2. <
  3. 6960/Subtype/Type1C>>
  4. stream

同理,正常流对象长度为上图,实际测试发现样本

 
 
 
 
  1. 16 0 obj
  2. <<
  3. /Length ANIWAY_____LEN
  4. >>
  5. stream

WTF is ANIWAY_LEN??? 长度可以为填ascii字符???所以,/Length后面可以不跟数值stream流的实际长度实际==关键字endstream偏移-关键字stream偏移-包含的0x0D或0x0A

3. 解码问题

(1) 坑1 javascript可以支持文本和八进制

 
 
 
 
  1. 7 0 obj
  2. << /Type /Action
  3. /S /JavaScript
  4. /JS (\145\166\141\154\050\146\165\156)
  5. endobj
  6. /JS 16 0 R
  7. /S /JavaScript
  8. >>
  9. endobj
  10. 16 0 obj
  11. <<
  12. /Length ANIWAY_____LEN
  13. >>
  14. stream
  15. function urpl(k,sc){
  16. var c = "\x75";
  17. var kkc=k+c;
  18. var re = /MM/g;
  19. scsc = sc.replace(re,kc);
  20. return sc;
  21. }
  22. padding_0c = "MM0c0cMM0c0c";
  23. padding00="MM0000";
  24. padding_41 = "MM4141";
  25. var x1=0;
  26. var x2=0;
  27. var x3=0;
  28. endstream
  29. endobj

有JS编程基础的肯定注意到了,因此在这里需要判断javascript内容在对象中还是在()内亦或是否需要转码

(2) 坑2 编码方式缩写形式

 
 
 
 
  1. 1 0 obj
  2. <
  3. >>
  4. Stream
  5. xœíÜYXù
  6. ÷qÆÌ0K3ÆØRÆVdoUƒQ"[M!S(íRÓ¾0–h¥B*d•hß~5´©
  7. endstream

正常文件默认/Filter关键字之后会出现xxdecode关键字表示stream流编码方式,但测试发现样本可以没有xxdecode关键字,但同样进行了编码处理,如上/Fl字段即为/FlateDecode的简写,对应表如下:

 
 
 
 
  1. /FlateDecode     /Fl
  2. /ASCIIHexDecode  /AHx
  3. /ASCII85Decode   /A85
  4. /LZWDecode       /LZW
  5. /RunLengthDecode /RL
  6. /CCITTFaxDecode  /CCF
  7. /JBIG2Decode #/JBIG2Decode其实和/DCTDecode解码方式是一样的
  8. /DCTDecode       /DCT

(3) 坑3 编码形式可以级联

 
 
 
 
  1. 10 0 obj
  2. <
  3. [/FlateDecode /ASCIIHexDecode]
  4. /Length 14278>>

如上表示流先经过了ASCIIHex加密再进行了FlateDecode加密解码时需要先进行FlateDecode解密之后再进行ASCIIHexDecode解密

八、常用分析工具推荐

介绍完恶代格式后,推荐一些恶代分析的基本工具

1. PdfStreamDumper

  • stream流解析工具
  • vb开源项目。工具存在一些bug,无法解析级联编码后的stream流,例如/Fl/Fl编码就无法解析

2. PDFParser

  • c++开源项目,pdf格式解析,逻辑比较清晰,可以参考

3. ParanoiDF

  • python开源项目,恶代分析
  • 此外还有一些很赞的开源项目如pyew、peepdf等等,不一一贴地址了。

4. References

  • PDF, let me count the way...
  • Cryin/PDFTear
  • Adobe PDF 官方文档
  • Malicious Document PDF analysis in 5 steps
  • C#实现的PDF解析器

分享文章:PDF文件解析与PDF恶代分析中的一些坑
文章转载:http://www.mswzjz.cn/qtweb/news47/304397.html

攀枝花网站建设、攀枝花网站运维推广公司-贝锐智能,是专注品牌与效果的网络营销公司;服务项目有等

广告

声明:本网站发布的内容(图片、视频和文字)以用户投稿、用户转载内容为主,如果涉及侵权请尽快告知,我们将会在第一时间删除。文章观点不代表本网站立场,如需处理请联系客服。电话:028-86922220;邮箱:631063699@qq.com。内容未经允许不得转载,或转载时需注明来源: 贝锐智能