本篇文章仅用于交流与学习，严禁用于任何商业与非法用途！否则由此产生的一切后果均与作者无关！如有侵权，请联系作者本人进行删除。
感谢关注！您的关注和点赞就是我的动力
1.逆向目标
aHR0cHM6Ly9kdW4uMTYzLmNvbS90cmlhbC9qaWdzYXc=
2.逆向分析
先看发包请求,只有cb参数需要逆向,打断点跟栈
稍微找找一下,cb的生成位置就在这里
进入方法内,发现里面是混淆的,直接全扣补环境,把方法导出到全局,在python调用动态生成cb,
把图片下载到本地使用ddddocr识别,后面的验证接口也是需要这里的token的
下面看一下验证接口,data,cb需要逆向,cb上面已经说过,token也是上面的接口返回的
打断点跟栈,最后找到data的生成位置
先看d参数怎么来的,这里入参是一堆密文,很像是加密后的轨迹
这里的_0x1b7568a0_0x1e60(0x2d6)方法,调用方式跟上面生成cb的调用方式一样(后面大部分方法都是这样的),主要看看traceData是怎么来的
在解密方法这里打一个条件断点,当结果是traceData的时候断住
断住之后往上跟栈就找到了tracedata的生成位置
下面看p参数,比较简单,手动解混淆你就能清晰看到这里的生成逻辑
接着是f参数,_0x319bb4是token,_0x4d98f2是对明文轨迹进行了一些操作生成的,轨迹直接让ai帮你写就行
ext参数的生成逻辑也比较简单,也不多说了
轨迹代码
python
def generateSlideTrack(distance):
# 三次贝塞尔控制点
P0 = {"x": 0, "y": 0}
P1 = {"x": distance * 0.3, "y": 0}
P2 = {"x": distance * 0.7, "y": 0}
P3 = {"x": distance, "y": 0}
track = []
# 起始时间戳，贴近你给的样本（130~179）
timestamp = random.randint(130, 179)
# 轨迹点数量，保证足够密集
sampleCount = max(60, int(distance * 1.2))
# 三次贝塞尔计算函数
def bezier3(t, p0, p1, p2, p3):
k = 1 - t
return {
"x": k**3 * p0["x"] + 3 * k**2 * t * p1["x"] + 3 * k * t**2 * p2["x"] + t**3 * p3["x"],
"y": k**3 * p0["y"] + 3 * k**2 * t * p1["y"] + 3 * k * t**2 * p2["y"] + t**3 * p3["y"]
}
for i in range(sampleCount + 1):
t = i / sampleCount
pt = bezier3(t, P0, P1, P2, P3)
x = round(pt["x"])
# ===================== Y 轴偏移加大 -3~3 =====================
y = random.randint(-3, 3)
# 时间戳递增 4~22ms，贴近样本节奏
timestamp += random.randint(4, 22)
track.append([x, y, timestamp, 1])
# 最后一个点强制校准到目标距离
if track:
track[-1][0] = distance
return track3.逆向结果
