标签：qq .__ LOvkAofxqA 滑块 self pos 238 240 time
首先在此声明，本文章仅仅用于研究学习，不可用于任何商业活动，否则后果自负。如侵权请与我联系，立即删除。
唠嗑
俺来自河南，愿望我大河南平安！
没错今天，我又来搞事情了，咱们今天学习一下某东登录时的滑块的加密。废话不多说了，开干。
加密分析与定位
当我们输入账号密码后，点击登录，首先映入眼帘的是一个滑块，那我们先分析一下滑块吧。
上图是滑块的有关信息，左边的横线是请求的url，右边是参数，很显然，里面有好多参数。但经过分析，d就是滑块轨迹的加密，c跟下图获取滑块图片一起返回的，下图中challenge就是参数c,参数e可以从网页源码中获取到，而参数appId是定值，参数o就是我们的账号，
下面我们就分析一下参数d,看它怎么加密。
这里我是通过下图调用栈，找到的，点击下图画横线的，然后格式化一下，再搜索appId就可以找到。
最后找到的就是下图这个，这里我已经打上断点。
我们再次登录，会自动断在这里。我们滑动滑块，就会停到这里
可以清除看到，g为一个数组，其实就是我一定滑块的轨迹，这里我们可以借鉴一个文章里面的滑块轨迹思路
https://www.52pojie.cn/thread-1162979-1-1.html
这里我提供一下代码（改写文章里面的）。
# -*- encoding: utf-8 -*-
"""
@File : trances.py
@Contact : jyj345559953@qq.com
@Author : Esword
"""
"""
用于生成坐标轨迹
"""
import random
import matplotlib.pyplot as plt
import numpy as np
class GTrace(object):
def __init__(self):
self.__pos_x = []
self.__pos_y = []
self.__pos_z = []
def __set_pt_time(self):
"""
设置各节点的时间
分析不同时间间隔中X坐标数量的占比
统计结果: 1. 80%~90%的X坐标在15~20毫秒之间
2. 10%~15%在20~200及以上，其中 [-a, 0, x, ...] 这里x只有一个，取值在110~200之间
坐标集最后3~5个坐标取值再50~400之间，最后一个坐标数值最大
滑动总时间的取值规则: 图片宽度260，去掉滑块的宽度剩下200;
如果距离小于100，则耗时1300~1900之间
如果距离大于100，则耗时1700~2100之间
"""
__end_pt_time = []
__move_pt_time = []
self.__pos_z = []
total_move_time = self.__need_time * random.uniform(0.8, 0.9)
start_point_time = random.uniform(110, 200)
__start_pt_time = [0, 0, int(start_point_time)]
sum_move_time = 0
_tmp_total_move_time = total_move_time
while True:
delta_time = random.uniform(15, 20)
if _tmp_total_move_time < delta_time:
break
sum_move_time += delta_time
_tmp_total_move_time -= delta_time
__move_pt_time.append(int(start_point_time+sum_move_time))
last_pt_time = __move_pt_time[-1]
__move_pt_time.append(last_pt_time+_tmp_total_move_time)
sum_end_time = start_point_time + total_move_time
other_point_time = self.__need_time - sum_end_time
end_first_ptime = other_point_time / 2
while True:
delta_time = random.uniform(110, 200)
if end_first_ptime - delta_time <= 0:
break
end_first_ptime -= delta_time
sum_end_time += delta_time
__end_pt_time.append(int(sum_end_time))
__end_pt_time.append(int(sum_end_time + (other_point_time/2 + end_first_ptime)))
self.__pos_z.extend(__start_pt_time)
self.__pos_z.extend(__move_pt_time)
self.__pos_z.extend(__end_pt_time)
def __set_distance(self, _dist):
"""
设置要生成的轨迹长度
"""
self.__distance = _dist
if _dist < 100:
self.__need_time = int(random.uniform(500, 1500))
else:
self.__need_time = int(random.uniform(1000, 2000))
def __get_pos_z(self):
return self.__pos_z
def __get_pos_y(self):
_pos_y = [random.uniform(-40, -18), 0]
point_count = len(self.__pos_z)
x = np.linspace(-10, 15, point_count - len(_pos_y))
arct_y = np.arctan(x)
for _, val in enumerate(arct_y):
_pos_y.append(val)
return _pos_y
def __get_pos_x(self, _distance):
"""
绘制标准的数学函数图像: 以 tanh 开始 以 arctan 结尾
根据此模型用等比时间差生成X坐标
"""
# first_val = random.uniform(-40, -18)
# _distance += first_val
_pos_x = [random.uniform(-40, -18), 0]
self.__set_distance(_distance)
self.__set_pt_time()
point_count = len(self.__pos_z)
x = np.linspace(-1, 19, point_count-len(_pos_x))
ss = np.arctan(x)
th = np.tanh(x)
for idx in range(0, len(th)):
if th[idx] < ss[idx]:
th[idx] = ss[idx]
th += 1
th *= (_distance / 2.5)
i = 0
start_idx = int(point_count/10)
end_idx = int(point_count/50)
delta_pt = abs(np.random.normal(scale=1.1, size=point_count-start_idx-end_idx))
for idx in range(start_idx, point_count):
if idx*1.3 > len(delta_pt):
break
th[idx] += delta_pt[i]
i+=1
_pos_x.extend(th)
return _pos_x[-1], _pos_x
def get_mouse_pos_path(self, distance):
"""
获取滑动滑块鼠标的滑动轨迹坐标集合
"""
result = []
_distance, x = self.__get_pos_x(distance)
y = self.__get_pos_y()
z = self.__get_pos_z()
for idx in range(len(x)):
result.append([int(x[idx]), int(y[idx]), int(z[idx])])
import matplotlib.pyplot as plt
plt.plot(z,x)
plt.show()
return int(_distance), result
import random
import time
from trances import GTrace
def timestamp():
return int(time.time()*1000)
trace = GTrace()
# distance = random.uniform(70, 150)
distance = 125
print("长度为: %d " % distance)
distance, mouse_pos_path = trace.get_mouse_pos_path(distance)
print("长度为: %d , 坐标为: " % distance, mouse_pos_path)
# num = len(mouse_pos_path)
# print(num)
# 842,368
base_t = timestamp()
trace = []
for i in mouse_pos_path:
x,y,t = i
x += 842
y += 368
t += base_t
trace.append([str(x),str(y),t])
print(trace)
我们把数组copy下来，本地画一下图，然后看看是怎样的轨迹。
（这里我就直接剽窃人家的图了，我的找不到了，哈哈哈，其实就是上面上面文章里面的。）
基本上都是这样的一个轨迹。我们用那个文章的代码跑一下，然后生成跟g一样的数组，本地生成的数组替换滑块的，看看能不能过，经过我的尝试，是可以的，至于那个移动长度，其实数组的第一个（从第0个开始）的第0个参数，被最后一个数组的第0个减去，然后就是移动距离。
[["808","211",1626942564294],["856","240",1626942564294],["857","240",1626942564406],["859","240",1626942564413],["860","240",1626942564421],["861","240",1626942564437],["864","240",1626942564445],["865","240",1626942564453],["866","240",1626942564461],["867","240",1626942564469],["870","240",1626942564477],["872","240",1626942564485],["875","240",1626942564502],["877","240",1626942564510],["879","240",1626942564517],["881","240",1626942564525],["884","240",1626942564533],["886","240",1626942564549],["889","240",1626942564557],["891","240",1626942564565],["894","240",1626942564574],["895","240",1626942564581],["897","240",1626942564589],["899","240",1626942564597],["901","240",1626942564605],["904","240",1626942564613],["905","240",1626942564621],["907","240",1626942564629],["910","240",1626942564637],["914","240",1626942564645],["916","240",1626942564653],["920","240",1626942564661],["924","240",1626942564669],["926","240",1626942564677],["927","240",1626942564685],["931","240",1626942564693],["932","240",1626942564701],["936","240",1626942564709],["937","240",1626942564717],["940","240",1626942564725],["942","240",1626942564733],["945","239",1626942564741],["947","239",1626942564749],["950","239",1626942564758],["951","239",1626942564765],["954","239",1626942564775],["956","239",1626942564781],["957","239",1626942564789],["960","238",1626942564797],["962","238",1626942564806],["964","238",1626942564813],["965","238",1626942564822],["967","238",1626942564829],["969","238",1626942564837],["970","238",1626942564845],["972","238",1626942564853],["975","238",1626942564861],["976","238",1626942564877],["979","238",1626942564885],["980","238",1626942564893],["981","238",1626942564910],["982","238",1626942565013],["984","238",1626942565678],["983","238",1626942565950],["981","238",1626942565974],["980","238",1626942566110],["979","238",1626942566126],["981","238",1626942568326],["981","238",1626942568861]]
上面就是那个数组，距离就是981-856，则125就是移动距离。我本地生成一下。然后复制，令g = 本地生成的数组（控制台操作）。
通过上图可以看出,g发生了改变，没错，就是我们本地生成的数组。我们接着让它运行，看一下结果。
可以发现已经成功了，还有就是滑块缺口识别用opencv的模板匹配就好了，完全可以识别出来。
上图是生成的轨迹图。
下面我们就要看它的加密了，
就是上图这个，我们点进去看一下，
就是上面这个函数，这里很好扣的，就不多说了，扣下来，稍微改一改就好了，代码如下。
function string10to64(d) {
var c = "0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ-~".split("")
, b = c.length
, e = +d
, a = [];
do {
mod = e % b;
e = (e - mod) / b;
a.unshift(c[mod])
} while (e);
return a.join("")
}
function prefixInteger(a, b) {
return (Array(b).join(0) + a).slice(-b)
}
function pretreatment(d, c, b) {
var e = string10to64(Math.abs(d));
var a = "";
if (!b) {
a += (d > 0 ? "1" : "0")
}
a += prefixInteger(e, c);
return a
}
function getCoordinate(c) {
var b = new Array();
for (var e = 0; e < c.length; e++) {
if (e == 0) {
b.push(pretreatment(c[e][0] < 262143 ? c[e][0] : 262143, 3, true));
b.push(pretreatment(c[e][1] < 16777215 ? c[e][1] : 16777215, 4, true));
b.push(pretreatment(c[e][2] < 4398046511103 ? c[e][2] : 4398046511103, 7, true))
} else {
var a = c[e][0] - c[e - 1][0];
var f = c[e][1] - c[e - 1][1];
var d = c[e][2] - c[e - 1][2];
b.push(pretreatment(a < 4095 ? a : 4095, 2, false));
b.push(pretreatment(f < 4095 ? f : 4095, 2, false));
b.push(pretreatment(d < 16777215 ? d : 16777215, 4, true))
}
}
return b.join("")
}
function slide(array) {
g = array
return getCoordinate(g)
}
总结
说实话京东这个滑块的加密不难，对我而言要学的就是怎么模拟生成这个轨迹，这里我们不要一味的复制别人的代码，而是要真正懂其原理，然后再化为己用，如果你也不会滑块轨迹生成，可以好好看看那个文章。
这里仅仅是京东滑块的加密，后面还有，我们下期再见。
标签：qq,.__,LOvkAofxqA,滑块,self,pos,238,240,time 来源： https://www.cnblogs.com/testzcy/p/15060114.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。