本文内容仅供技术学习与交流使用,严禁用于任何非法用途。请遵守《中华人民共和国网络安全法》等相关法律法规,因违规使用产生的一切后果,由使用者自行承担,与作者无关。

一、引言

1.1 痛点分析

随着移动端安全防护能力不断增强,传统 APK 逆向分析的难度也越来越高。无论是 Java / smali 层的代码梳理,还是抓包后的协议还原、native 层 so 深挖、加密参数分析、漏洞验证与报告交付,整个过程都高度依赖人工经验,并且工具分散、切换频繁、重复劳动严重。

尤其是在实际 APP 安全测试中,常常会遇到以下问题:

  • 反编译代码量大,入口难找
  • 抓包能看到请求,但看不清参数含义
  • sign、data、encryptData 等字段和代码难以联动
  • 加密逻辑下沉到 JNI / so 后,Java 层分析断链
  • 前面阶段找到了很多线索,后面却难以形成统一风险结论
  • 最终输出报告时,又要重新整理证据、漏洞、接口、验证步骤

基于这些问题,我尝试通过skills构建一套六阶段、高度自动化的 APP 安全分析工作流,把零散、重复、高度依赖经验的分析过程,变为可复用、可沉淀、可交接的自动化分析流程。。

1.2 架构设计

当前我设计的架构主要由以下几个核心模块构成:

  • 根总控 SKILL.md:作为整个流程的调度中心,负责意图拦截、标准输入模板返回、任务路由分发以及阶段执行规则的约束 。
  • 6 个阶段 Agent:针对移动安全分析全生命周期定制的规则集,涵盖了从第一阶段的 APK 静态侦察到第六阶段的安全报告汇总 。
  • MCP 分阶段接入规范:明确了 Jadx-MCP(静态分析)、Burp/Yakit-MCP(分析)以及 Ghidra/IDA-MCP(Native 深挖)在不同阶段的接入与调用标准 。
  • 本地索引脚本 (Python 探针):负责高覆盖率盲扫的工具集,包括接口提取 (endpoint_extractor.py)、硬编码扫描 (secret_scanner.py)、JNI 桥接索引以及目标 SO 自动收敛与加载工具 。
  • 统一的结构化输出设计:通过规范化的 JSON 和 Markdown 产物,确保前序阶段的分析线索能够被后续 Agent 自动继承与深度联动 。
ai-mobile-reverse-skills/
├── SKILL.md                                  # 总控入口:阶段路由、输入模板、执行规则
├── README.md                                 # 使用手册:流程说明、完整示例、交互方式
├── agents/                                   # 六阶段 Agent 规则集
│   ├── agent-01-sample-recon.md              # 第一阶段:APK 静态侦察
│   ├── agent-02-protocol-mapper.md           # 第二阶段:流量与代码对齐
│   ├── agent-03-crypto-native-analyzer.md    # 第三阶段:SO / JNI 深度分析
│   ├── agent-04-crypto-vuln-analyzer.md      # 第四阶段:弱加密与高风险漏洞筛查
│   ├── agent-05-validation-designer.md       # 第五阶段:最小验证 POC 设计
│   └── agent-06-reporter.md                  # 第六阶段:安全报告汇总
├── docs/                                     # 阶段接入与补充文档
│   └── MCP-INTEGRATION.md                    # MCP 分阶段接入规范
├── templates/                                # 报告与复现模板
│   ├── mobile-reverse-report-template.md     # 移动安全报告模板
│   └── repro-steps-template.md               # 复现步骤模板
├── tools/                                    # 配套工具与模板资源
│   ├── frida/                                # Frida 相关模板
│   │   ├── README.md                         # Frida 模板说明
│   │   └── android_phase1_bypass.js          # Phase 1 运行时准备 / 观察模板
│   ├── poc_templates/                        # POC / 验证模板
│   │   ├── README.md                         # POC 模板说明
│   │   ├── CASE_README.md.tmpl               # 单漏洞验证说明模板
│   │   ├── frida_runtime_observe.js.tmpl     # Frida 运行时观察模板
│   │   └── python_http_validation.py.tmpl    # HTTP 验证脚本模板
│   └── scripts/                              # 本地索引脚本
│       ├── README.md                         # 脚本说明与 sample schema
│       ├── endpoint_extractor.py             # 接口 / URL / 字段线索提取
│       ├── env_guard_indexer.py              # Root / 代理 / Frida / SSL Pinning 线索提取
│       ├── native_bridge_indexer.py          # JNI / JSBridge / native crypto 线索提取
│       ├── secret_scanner.py                 # 硬编码密钥 / Token / 证书 / 云凭证扫描
│       ├── resolve_native_target.py          # 自动收敛第三阶段优先分析的 SO 目标
│       └── ghidra_target_loader.py           # 自动导入目标 SO 到 Ghidra 项目

体系架构设计图

二、体系设计思想

2.1 MCP:建立 AI 与本地工具之间的可控调用通道

MCP(Model Context Protocol,模型上下文协议)是一套用于打通大模型与本地工具环境的通信协议,让 AI 能够安全、可控地调用 Jadx、Burp、Ghidra、IDA 等逆向工具,获取真实代码、流量、伪代码上下文,显著降低因上下文缺失导致的分析偏差与幻觉风险,实现 “工具能力→模型可用”。

在移动安全分析中,我当前体系主要依赖三类 MCP:

  • Jadx 类 MCP (Phase 1 专属):聚焦 Java/Smali 层静态分析。赋予 AI 检索反编译代码、定位类/方法/关键字、提取 URL 协议,以及发现 sign/token/native/WebView 等关键入口的能力。
  • Burp / Yakit 类 MCP (Phase 2 专属):聚焦流量与协议分析。允许 AI 读取抓包历史,提取 Header 与响应结构,对业务接口进行聚类,并实现代码与流量的联动映射。
  • IDA / Ghidra 类 MCP (Phase 3 专属):聚焦 Native 层深挖。协助 AI 定位 JNI 入口,理解 SO 层伪代码,梳理交叉调用链,甚至静态推断加密算法候选及 Key/IV/Salt 的流向。

2.2 通用智能体:负责“理解、联动、归纳、输出”

MCP 解决的是“工具能力如何提供给 AI”,但真正做综合判断、阶段推进、结果沉淀的,还是大模型智能体本身。

在这套体系里,Codex / Cursor / Claude Code 这类智能体承担的核心工作包括:

  • 理解 Java / smali / so 伪代码
  • 把抓包字段映射回代码逻辑
  • 归并多来源证据
  • 判断加密与签名链路
  • 输出结构化 JSON / Markdown
  • 设计验证方案
  • 生成标准化报告

MCP 负责“连接工具”,Skills负责“规范流程”,AI 负责“完成分析”。

2.3 AI Skills:让分析从“经验驱动”变成“规程驱动”

AI Skills 并非简单的大模型提示词,而是把移动 APP 安全测试的完整经验,拆解为阶段化、可路由、可继承的规则体系。

这套Skills的重点不是写几个大 Prompt,而是把整个 APP 安全分析过程拆成多个阶段化 Agent。

目前,主干工作流中已成功落地并固化了 6 个核心 Agent规范:

  • 🔍 agent-01-sample-recon(资产侦察与画像标定)
  • 🌐 agent-02-protocol-mapper(流量协议与代码级对齐)
  • ⚙️ agent-03-crypto-native-analyzer(Native 层加解密深度溯源)
  • 🛡️ agent-04-crypto-vuln-analyzer(弱加密与核心漏洞综合研判)
  • 🧪 agent-05-validation-designer(无害化 POC 与验证逻辑)
  • 📝 agent-06-reporter(标准化安全报告自动化组装)

除 6 个阶段 Agent 外,根总控 SKILL.md 还承担阶段识别、输入模板返回、路径继承、统一输出根目录约束以及后续阶段自动衔接等职责,使这套 Skills 不只是规则集合,而是一套具备流程调度能力的工作流入口。

​

三、体系结构与实现思路

3.1 总控入口:SKILL.md

根 SKILL.md 是整个流程的唯一总控入口,它主要负责:

  1. 识别用户当前要执行的阶段
  2. 检查当前已有的材料和 MCP 是否满足要求
  3. 返回标准输入模板
  4. 将任务路由到对应阶段 Agent
  5. 约束前后阶段的输入输出关系

例如,用户说一句:

我需要分析xxxx的xxx逻辑

总控不会直接开跑,而是先返回输入模板,例如:

step: 2
target_dir: /path/to/decompiled
output_dir: /path/to/output
mcp: burp/yakit/none
traffic_source: /path/to/traffic.json

用户补齐之后,再由总控路由到如agent-02-protocol-mapper 执行。

根 SKILL.md 负责识别用户当前要执行的阶段、返回标准输入模板和路由到对应 Agent,还负责维护当前任务的会话级上下文。用户通常只需在第一步明确一次 target_dir 与 output_dir,后续阶段默认继承相关路径与中间产物,不再要求重复输入。与此同时,output_dir 会被视为统一输出根目录,并默认按 step1 到 step6 组织各阶段产物,从而支持多阶段自动衔接。

3.2 流程运行机制:阶段控制与自动串联

与传统依赖“人工逐步切换工具、手动复制上下文”的分析不同,ai-mobile-reverse-skills 的价值在于:它通过的总控规则与阶段衔接协议,将 6 个阶段化 Skills 编排成了一条编排成了一条可暂停、可继承、可自动推进的流水线工程。

在运行机制上,Skills支持“双轨执行模式”,以灵活适配不同复杂度的分析场景:

3.3.1 逐阶段步进模式

  • 适用场景:面对复杂加固业务,或分析结果极度不确定,需要人工精细化引导的情境。
  • 运行机制:测试人员按阶段下发指令(如“仅执行静态侦察”)。在进入下一阶段前,流程会挂起,等待人工复核当前阶段的 JSON 产物。
  • 核心优势:
  • 每一步的中间推断都支持人工介入修正,防止 AI 产生逻辑幻觉。
  • 便于在任意阶段停下来,调整分析焦点(如发现某个特定的加解密类后,手动修改入口点再继续)。

3.3.2 自动串联模式

  • 适用场景:前序基建材料,mcp服务器已就位,目标明确,希望最大化缩减人工流转成本的标准评估场景。涉及到自动化拉取so文件的步骤都需要有apk解包代码才能运行。
  • 运行机制:skills通过校验前序产物(如检测到 raw_endpoint.json 已生成/burp-mcp已经运行),在条件满足时自动唤醒下一个 Agent。
  • 分布链路:
  • 链路 A(分析闭环): 完成阶段 1 的 APK 静态侦察后(存在apk解包,apk反编译源码),配合手动绕过检测并成功抓包,skills将从阶段 2(流量对齐)自动接管;连续推演至阶段 6 输出最终报告。

  • 链路 B(验证闭环): 适用于前 3 个阶段深度分析已解决的场景。从阶段 4(人工确认漏洞)切入,skills会自动唤醒阶段 5(生成 POC)与阶段 6(排版报告),实现后续的工作流程。

  • 链路C(直通车):已知app没有检测机制,且提前完成抓包,接入mcp,且获得apk解包,apk反编译源码,可以直接实现阶段 1 到阶段 6整个流程的自动化。

3.3.3 关键架构特性:全局上下文与跨层推进

  • 会话级路径继承 (Session Context Inheritance):

不需要“多轮重复输入”。用户仅需在最初明确一次 target_dir、traffic_source 等核心环境变量,SKILL 总控会将其作为全局上下文自动注入给后续所有阶段。除非用户主动下达变更指令,否则系统会自动继承,实现“统一上下文驱动”。

  • Native 分析链的自动推进 :

不需要人工翻找、提取 SO 文件的繁琐步骤。完成目标 APK 解包后,可获得 smali、SO 等文件,在阶段 2 顺藤摸瓜定位到 JNI 调用后,工作流会自动收敛出对应的目标 SO 文件。随后,阶段 3 会利用本地脚本将该 SO 自动导入 Ghidra 项目,并唤醒 ghidra-mcp 接管分析。可以实现这部分的零干预。

3.3.4 阶段总结:从“能分析”到“能推进”

这套运行机制的本质,是实现了移动安全测试从“多工具 + 多 Prompt 拼接”向“工程化工作流 (Agentic Workflow)”的跃迁。实现可分可合、可控可放、状态持久化。

3.3 阶段 Agent:6 个阶段各司其职

当前 分为6 个阶段:

  1. APK 静态侦察
  2. 流量与代码对齐
  3. SO / JNI 深度分析
  4. 弱加密与高风险漏洞筛查
  5. 最小验证 POC 设计
  6. 安全报告汇总

3.4 MCP 接入规范:每一步用什么 MCP

项目里存在 MCP-INTEGRATION.md,按阶段规定:

  • Phase 1:jadx-mcp 或本地目录
  • Phase 2:Burp MCP / Yakit MCP
  • Phase 3:ida-mcp / ghidra-mcp
  • Phase 4-6:以前序结果为主,必要时回看前序 MCP

这种设计的好处是:
MCP 变成了“阶段工具”,而不是“泛用能力”。
这样每一步该用什么、输出什么,会更清晰。

3.5 本地脚本层:负责高覆盖率索引

除了 MCP 和 Agent,Skills里还有 6 个 Python 脚本:

1. endpoint_extractor.py (网络与接口暴露面提取器)

  • 探测目标:全面梳理 APP 的网络通信基建与系统级暴露面。

2. secret_scanner.py (敏感凭据与硬编码资产扫描器)

  • 探测目标:深挖硬编码在代码中的各类敏感信息与密码学材料。

3. native_bridge_indexer.py (跨界桥接与底层算法索引器)

  • 探测目标:打通 Java 层与底层(Native/Web)的交互链路,追踪加密逻辑的“下沉”线索。

4. env_guard_indexer.py (环境对抗与安全防护检测器)

  • 探测目标:摸排目标应用的安全防护水位,为后续抓包与动态调试提供排雷

5. resolve_native_target.py (Native 目标推演与自动收敛器)

  • 核心作用: 打破跨层分析时的“人工翻找与肉眼甄别”壁垒,在流量与代码对齐后,自动锁定后续需要优先逆向的底层 SO 目标。

6. ghidra_target_loader.py (Ghidra 逆向工程自动加载与唤醒器)

  • 核心作用: 实现跨工具链的“静默接管”,将底层逆向工作从“人工手动导入文件”平滑升级为“流水线自动喂入目标”。

四、实战测试

4.1 测试背景

在对目标 APP 的业务接口进行黑盒测试过程中发现,核心请求均引入 sign 参数进行完整性校验。在未掌握签名生成规则的情况下,请求重放及参数篡改均被服务端拒绝,表现为典型的客户端签名防篡改机制。

该机制直接阻断了常规业务安全测试路径,使得接口重放、参数污染及逻辑验证等测试手段无法继续推进,必须通过逆向分析还原签名生成链路,才能恢复测试能力。

进一步分析发现,该类签名通常具备以下特征:

  • 参数参与计算(如 path / timestamp / token)
  • 可能存在客户端加密或 Native 下沉逻辑
  • 与运行环境或设备信息存在耦合

上述特征决定了分析过程需要同时打通静态代码、运行流量及 Native 层逻辑,单一工具或单阶段分析难以形成有效闭环,所以使用了 MCP + AI Skills 的阶段化分析流程,对签名生成机制进行系统性还原,并在此基础上开展进一步的漏洞挖掘与验证。

4.2 前置准备

配置好Codex(AI 总控)、jadx‑mcp(静态反编译)、burp‑mcp(流量分析)、ghidra‑mcp(SO 层逆向),具体操作这里不再展开,可自行搜索。

4.3 第一阶段-资产侦察

  1. 通过相关技术手段获取 APK 的反编译结果与解包结果,并将相应材料路径输入分析流程。

  1. 分析结果显示,目标app不存在 Root、Frida/Xposed 或代理检测机制,也未对核心 OKHttp 链路实施 SSL Pinning 防护,因此可直接抓包。

  1. 且第一阶段已定位疑似 sign 计算入口与 AES 相关 JNI / SO 候选接口,并初步锁定业务 sign 生成线索(md5Result)。

4.4 第二阶段-流量对齐

  1. 启用 burp‑mcp 抓取业务数据包。

  1. 发送提示词让AI基于 burp-mcp 与反编译上下文,完成接口流量与 Java 层代码的对齐分析,溯源 sign 参数构造逻辑。

  1. 该阶段最终梳理出核心业务接口,明确了接口鉴权方式与请求参数构成。

定位到了 sign 字段生成链路:path+timestamp+token经 MD5 计算生成,关联具体 Java 代码调用位置。

4.5 第三阶段-底层溯源

  1. 通过 ghidra‑mcp 对 APP Secure.so文件做 Native 层逆向,追踪 JNI 调用与加密算法链路

  1. so文件 使用了更具隐蔽性的动态注册机制。
  • 分析路径:首先定位到 JNI_OnLoad 符号,这是 SO 加载时的初始化入口 。通过 ghidra-mcp 追踪其中的 RegisterNatives 调用,还原了 Java 层方法与 Native 层 C/C++ 符号的映射表 。
  • 精确标定结果:
  • secure:映射至 Native 符号 Secure.so!secure,偏移地址为 0x00106798。
  • secureData:映射至 Native 内部函数 func_0x001018a0(符号名为 secureData),偏移地址为 0x00106a00。
  • decode:对应的 Native 实现符号为 innoDecode,偏移地址为 0x0010da94。

  1. 通过分析上述地址处的伪代码,勾勒出了 Native 层的算法画像:
  • 自定义块变换 (Custom Transform):从伪代码特征看,secureData 内部包含类似 S-box、CRC-like 校验及自定义块处理逻辑,更接近非标准的数据封装流程。
  • 隐藏的 MD5 助手:在 Secure.so!getMd5 处,ghidra-mcp 识别出了标准的 MD5 初始化常量 (0x67452301, 0xefcdab89等) 和四轮运算逻辑。这说明 Native 层具备 MD5 相关实现能力,但在当前样本中未观测到其直接参与主业务 sign 计算。
  • 强环境绑定:分析发现 Native 算法输入不仅包含业务明文,还强制读取了运行时 UUID、包签名 (package signature) 以及 /res/raw 下的资源字节 。
  • 流量特征对齐:在第二阶段(流量对齐)抓取的真实业务 HTTP 请求中,sign 字段呈现为标准的 32 位十六进制 MD5 字符串。
  • 算法结果冲突:Native 层 secureData 的输出是原始字节流 (Raw Bytes)。如果业务签名由 Native 生成,其必然存在一个“字节流 -> Hex字符串”的转换过程,但在对 Java 层拦截器代码的审计中,直接发现了完整的 MD5(path + timestamp + token) 拼装逻辑。
  • 结论判定:通过对 Java 拦截器 HTTPInterceptor 与 Md5Utils.getMd5Result 的交叉验证,确认了主业务包的签名计算完全闭环在 Java 层。
  • 定位 SO 职能:libxxxSecure.so 的存在并非为了计算主业务 sign,而是作为一个安全/风控 SDK,用于处理如 encryptData 等特定的风控字段,或在后台静默进行环境审计。示例如下:

4.6 第四阶段-漏洞定性

  1. 整合前 3 阶段数据,对加密体系、业务逻辑、客户端配置做全链路审计

  1. 确认存在签名机制失效:主业务 / 社区签名采用 MD5 算法,可在客户端直接重签,无有效防重放 / 会话绑定。

  1. sign算法识别出来的同时也找到了其他安全问题

4.7 第五阶段-验证设计

  1. 遵循无害化验证原则,针对高危漏洞生成最小可复现 POC 脚本

  1. poc_scripts_index 中已生成用于 sign 还原与加解密验证的 Python 脚本。

4.8 第六阶段-报告输出

最后自动整合所有分析数据、漏洞证据、验证结果,生成完整安全报告

4.9 结果分析

从本次实战结果来看,这套六阶段 Skills 流程的核心价值,不仅在于完成分析链路打通,更在于验证其在实际场景中具备发现高危安全风险的能力。

首先,在分析层面,流程成功还原了目标 APP 的 sign 生成机制,使原本因签名校验而受阻的业务接口测试得以继续推进。这一点表明,该体系具备在存在客户端防护机制时,恢复测试路径的能力。

更关键的是,在完成签名链路还原后,流程并未停留于机制分析,而是进一步对客户端进行全链路审计,并实际发现了多项高风险安全问题。例如:

  • 核心云存储密钥被明文硬编码在 APP 客户端,攻击者通过简单反编译即可轻松提取,能完全控制 APP 关联的 UCloud 云存储桶,可任意读取、下载、删除、篡改所有存储数据 ;

  • 支付宝核心 RSA 私钥被明文硬编码在客户端,攻击者提取私钥后,可离线生成任意金额、任意用途的合法支付订单,引发严重的资金安全危机与法律风险;

  • APP 内 WebView 违规开启参数及文件域跨域权限,未做任何访问限制与校验,恶意网页可轻松绕过同源策略,读取手机本地文件,包括应用私有目录、核心配置、用户数据库等,

这些问题均属于典型的高危风险,且可以在客户端侧直接利用,说明该流程不仅能够还原关键机制,还具备持续向深层风险挖掘的能力。

五、当前不足与后续优化方向

围绕 AI Skills 在移动安全分析场景中的工程化落地,本质上是将原本依赖人工经验的分析流程,固化为可执行、可继承、可复用的规则体系,从当前实现看,该体系已较好解决了阶段组织、流程衔接与结果沉淀问题,但仍存在以下不足:

  1. 阶段化能力较强,动态适配能力仍有限
    当前 Skills 主要以预定义阶段规则驱动,适合标准化分析流程,但对异常分支、临时专项任务和复杂链路的灵活编排能力仍需增强。
  2. 实现了产物继承,但经验继承仍不充分
    现阶段已能复用前序阶段的分析结果与结构化产物,但对于失败路径、有效策略、高置信判断等经验信息,尚未形成更完善的沉淀与复用机制。
  3. 具备流程调度能力,但模块化程度仍可提升
    当前 Skills 已不再是简单 Prompt,而是具备输入输出约束与流程调度能力的规则体系;但协议分析、加密识别、JNI 溯源等能力仍更多依附于具体阶段,后续仍需进一步向细粒度、可组合的模块化 Skills 演进。
  4. MCP 已解决工具接入问题,但协同效率仍可优化
    当前已实现 Jadx、Burp、Ghidra 等工具接入,但在调用粒度、上下文开销与跨工具线索传递效率方面,仍有进一步优化空间。
  5. 复杂对抗场景下仍存在边界
    对于重加固、强混淆、强环境绑定样本,以及高度依赖业务理解的逻辑型漏洞场景,当前体系仍需要较多人工参与。

后续打算优化的重点是继续增强 Skills 的模块化能力、经验沉淀能力、工具协同效率与复杂场景适配能力,推动体系从“阶段化流程”进一步发展为“可持续积累的分析能力体系”。目前是先把移动安全分析过程中最容易断链、最依赖经验、最难复用的部分,转化为一套真正可落地的 Skills 体系,为后续更高层次的智能化能力打下基础。

六、结语

本文提出的六阶段 AI 安全分析流水线,本质上是一种 “Agentic Workflow 在移动安全领域的落地实践”。我想提供的核心价值不是替代人工,而在于完成以下三点能力升级:

1. 从“工具集合”到“流程系统”:通过 SKILL 总控与阶段化 Agent,将原本离散的分析步骤抽象为标准化阶段,使安全测试从“操作驱动”转向“流程驱动”。

2. 从“人工串联”到“上下文继承”:借助 MCP 与结构化输出(JSON/Markdown),实现跨阶段的数据自动继承与联动,减少重复分析与上下文丢失问题。

3. 从“经验依赖”到“规则沉淀”:将移动安全测试中的隐性经验转化为可执行规则(AI Skills),使分析路径具备可复用、可迁移、可交接的工程属性。

本文的实现与思路,是对前辈经验和行业方法的一次学习与实践,若其中存在疏漏或不足之处,欢迎批评指正。目前也在继续尝试将这一体系进一步推向真正可落地的自动化方向,供更多安全研究与测试实践参考。

目前已开源,项目链接如下:https://github.com/Fausto-404/ai-mobile-reverse-skills

七、参考链接

https://cloud.tencent.com/developer/article/2599839

https://github.com/sssmmmwww/wxmini-security-audit

https://javaguide.cn/ai/agent/skills.html#核心观点

https://xz.aliyun.com/news/13474

https://xz.aliyun.com/news/9152