记一次py恶意样本分析实战
py恶意样本分析实战
打开py文件,发现样本包含了很长一段的payload,经过多层解压后通过exec来执行代码。exec是恶意样本常用的命令,典型搭配是先用compile将字节串/字符串编译成可执行对象,再用exec触发执行;常见变体包括:eval/exec混用、getattr(__builtins__, 'exec') 间接调用、通过 globals()/locals() 注入命名空间、lambda/闭包中包裹、以及把payload拆分拼接后再 compile(...,'<string>','exec') 执行,这些都用于绕过静态特征与简单规则。
为了更好地观察代码,我们直接将所有0O0O00O00O0O0O相关的变量进行重命名,下一步开始解payload
Step1-payload初步解析
格式化payload后解构如下:这里关键在于 compile与 exec的组合。
compile(source, filename, mode, flags=0, dont_inherit=False, optimize=-1) 的核心参数是:
- source:源代码字符串或AST;样本中通常是多层解码后的字符串
- filename:源码名,常见为
'<string>'以减少暴露真实路径 - mode:'exec'(执行一段程序)、'eval'(求值单个表达式)、'single'(单条交互式语句)
样本先通过多层base64/gzip/bz2/lzma/zlib解码得到纯文本Python代码,再以compile(..., '<string>', 'exec')编译成code object,最终exec(code_obj, globals_dict, locals_dict)触发执行;部分样本会自定义globals()以污染当前命名空间(如植入自定义__import__或hook内置函数),需要在动态还原时注意隔离执行环境。
对于长的payload,可以发现套入了多层压缩。观察到规律是
return zlib.decompress(
lzma.decompress(
bz2.decompress(
gzip.decompress(
base64.b64decode(
我们可以写一个一个脚本看看解出来的结果
同样格式化一下代码,发现多层压缩的顺序是相同的,这里相当于多嵌套了一层多层压缩,这时候我们可以写一个简单的脚本,来循环解析payload
while
matches = re.findall(r"base64\.b64decode\('([^']*)'\)", payload)[0]
payload = deobf(matches)
pass上述循环脚本的作用是:
- 提取当前payload中下一层
base64.b64decode('...')的字面量数据 - 将提取到的字串传入
deobf函数做一轮解码/解压(内部通常依次尝试gzip/bz2/lzma/zlib等) - 用解出的结果覆盖
payload,继续下一轮,直到匹配不到为止
核心原理是沿着样本构造的“套娃解码链”逐层剥离外壳,直至得到可读的明文源码或下一阶段的字节流(如marshal序列)。
解完后发现payload的规律已经变了,且能发现输出的payload长度明显短于前面的payload,说明这里肯定有问题。
Step2-隐藏字符处理
下面进入第二部分的分析
我们可以通过几种方式验证:输出一下payload的长度;打印hex形式
发现确有问题,很多不正常的字符。在控制台简单的替换即可提出这部分的解密结果
step3-marshal解析
前置知识:marshal是CPython内部用于序列化代码对象等内部结构的模块,主要面向解释器自身,不保证跨版本稳定;与 pickle不同,marshal不是通用安全序列化格式。.pyc文件中代码对象就是 marshal序列化后的二进制数据。marshal.loads(bytes)可以把字节流还原为 code对象,随后可用 types.FunctionType绑定环境后执行,或借助 dis反汇编。
在这里,样本将payload进行了reverse,然后通过marshal.loads来加载
错误的探索
接下来就是喜闻乐见的pyc逆向时刻
我们知道,pyc实际上是由pyc_header加上python序列化后的二进制流组成的,pyc_header的格式为
- 4字节 Magic Number(魔数,区分编译器/版本,示例:
ó为3.13系列) - 4字节 Bitfield(标志位,最低位标识是否为哈希校验格式)
- 8字节:
- 若为时间戳格式:4字节mtime + 4字节源文件大小
- 若为哈希格式:8字节哈希前缀
因此常见布局为:[magic][flags][timestamp+size 或 hash] 共16字节。样本中构造 b'ó ' + b''*12即写入魔数并将后续12字节清零(伪造时间戳/哈希区),让反编译/反汇编工具能够识别为目标版本的 .pyc并继续处理后续的 marshal字节流。
下面列出了常见版本的魔术,这里由于样本只能在py3.13跑所以直接选3.13的魔数
同样,先解一层看看
data = data[::-1]
pyc_header = b'\xf3\x0d\x0d\x0a' + b'\x00'*12 # 魔数+2个long
with open('dec1.pyc', 'wb') as fp:
fp.write(pyc_header)
fp.write(data)
# pycdc
code_obj = marshal.loads(data)然而由于uncompyle6和pycdc都还不支持py3.13,所以不能直接解出源码出来
第二个思路
尽管不能解出源码,我们还是可以看下字节码的。观察发现函数主体很短,而且依然有很长的payload,这可以说明后续可能还有代码需要解析。
观察一下导入的obj,这就引出了一个新的解码思路:提取代码对象中的payload,继续进行循环解密
code_obj = marshal.loads(data[::-1])
while True:
code_obj = marshal.loads(code_obj.co_consts[0][::-1])
dis.dis(code_obj)
pass最终报错的时候,我们可以查看下字节码,发现反汇编的结果已经丰富很多了,也说明基本去混淆完成了
step4-字节码还原
前面说到py3.13我还没找到能直接反编译源码的办法,所以我们只能自己动手了。不过可以借助LLM来协助字节码的还原,这是目前比较好的办法,而且我审计了一下也还算准确,最终也是成功还原源码了
总结
本次样本的核心链路可以概括为:多层编码/压缩 → 隐藏字符干扰 → compile+exec 触发执行 → reverse + marshal.loads 继续多阶段下钻 → 提取 co_consts 链式解包 → 以字节码视角完成还原。关键在于打散“套娃”层级,始终保持可观测与可控的还原节奏。
一些易错点与经验总结如下:
- 多层解码链中混入不可见/异常字符,导致解码后长度异常或语法不完整,先做可视化与替换能显著提效。
compile(..., '<string>', 'exec')常配合自定义globals()污染命名空间,动态执行务必隔离(沙箱/容器/只读FS)。- 遇到版本不支持的反编译(如 py3.13),换视角:字节码反汇编 + 局部语义还原 + LLM 辅助校对,是可行的折中路线。
marshal仅保证 CPython 内部使用语义,不保证跨版本稳定;优先在同版本环境中还原和验证。
对抗面与溯源建议:
- 规则侧:关注
compile/eval/exec组合、__builtins__间接取用、co_consts链式反序列化、异常编码序列与多重压缩拼接的特征。 - 行为侧:沙箱内记录网络、文件、进程与模块加载轨迹;对可疑
__import__重绑定与sys.modules操作做钩子与审计。 - 供应链侧:锁定运行时 Python 版本指纹与
.pyc魔数;对版本差异进行针对性检测与策略分流。
复现性与自动化:
- 将“正则抽取 → 解码解压 → 结构化判断 → 递归剥离 → 字节码反汇编/再解包”流程脚本化,输出每步产物的长度、哈希与快照,方便回溯。
- 为
marshal与co_consts的解包写守护与断言(如类型/长度/异常字符),第一时间定位污染点。
本文剖析一种含多层压缩、隐藏字符及marshal序列的Python恶意样本,揭示其通过compile+exec执行与反编译绕过技术,并提出基于字节码与LLM辅助的还原方法。
由 AI 根据全文自动生成,仅供参考,以原文为准