安全客
首发于安全客
PDF文件解析与PDF恶代分析中的一些坑

PDF文件解析与PDF恶代分析中的一些坑

作者:redpain

预估稿费:500RMB

投稿方式:发送邮件至linwei#360.cn,或登陆网页版在线投稿

简介

最近在做文档类的恶代检测,写个总结。

本篇文章负责介绍pdf文档的格式以及恶代分析中需要注意的问题以及相应工具推荐。希望能给各位做恶代分析时提供一些帮助。

后序会更新一些其他文档格式解析与恶代分析内容等,欢迎各位关注(

文章结构:

PDF文件格式介绍

以二进制文本解析Pdf文档结构

Pdf文件混淆

关键字

流的提取

一些坑

常用分析工具推荐

References

PDF文件格式介绍

PDF(便携式文件格式,Portable Document Format)是由Adobe Systems于1993年基于文件交换所发展出的一种文件格式。Adobe公司素有“漏洞之王”的美誉,所以学习PDF文件格式对研究分析漏洞具有极大帮助。PDF格式较为复杂,本文以研究漏洞的目的分析PDF格式,探寻如何找出并分析PDF中存在的恶意代码,而并非做一个详细的PDF parser解析器,因此会省略对不相关关键字的介绍,请各位留意。

PDF的结构可以从文件结构和逻辑结构两个方面来理解。PDF的文件结构指的是其文件物理组织方式,逻辑结构则指的是其内容的逻辑组织方式。

PDF的文件结构

PDF文件格式包含以下4个部分:

文件头——指明了该文件所遵从的PDF规范的版本号,它出现在PDF文件的第一行。

文件体——又称对象集合,PDF文件的主要部分,由一系列对象组成。

交叉引用表——对对象进行随机存取而设立的一个间接对象的地址索引表。(实际以偏移+索引的方式储存对象地址,下文会提及)

文件尾——声明了交叉引用表的地址,即指明了文件体的根对象(Catalog),从而能够找到PDF文件中各个对象体的位置,达到随机访问。另外还保存了PDF文件的加密等安全信息。

PDF文件格式图示:

PDF文件的逻辑结构

本段主要介绍PDF文件体的读取方式。

作为一种结构化的文件格式,一个PDF文档是由一些称为“对象”的模块组成的。每个对象都有数字标号,这样的话可以这些对象就可以被其他的对象所引用。这些对象不需要按照顺序出现在PDF文档里面,出现的顺序可以是任意的,比如一个PDF文件有3页,第3页可以出现在第1页以前,对象按照顺序出现唯一的好处就是能够增加文件的可读性,对象的信息以偏移+索引的形式保存在交叉引用表内。

文件尾说明了根对象的对象号,并且说明交叉引用表的位置,通过对交叉引用表的查询可以找到目录对象(Catalog)。这个目录对象是该PDF文档的根对象,包含PDF文档的大纲(outline)和页面组对象(pages)引用。大纲对象是指PDF文件的书签树;页面组对象(pages)包含该文件的页面数,各个页面对象(page)的对象号。

PDF的层级结构图示:

页面(page)对象为PDF中最重要的对象,包含如何显示该页面的信息,例如使用的字体,包含的内容(文字,图片等),页面的大小。里面的信息可以直接给出,当然里面的子项更多的是对其他对象的引用,真正的信息存放在其他对象里面。页面中包含的信息是包含在一个称为流(stream)的对象里,这个流的长度(字节数)必须直接给出或指向另外一个对象(包含一个整数值,表明这个流的长度)。

可见stream流对象我们恶代分析需要获取的重点。

页面信息图示:

理解了上面的内容之后,我们可以得出针对恶代分析的PDF文件的大致解析思路:

文件去除混淆(下详)

查找关键字

根据关键字获得可能存在恶意代码的流或者buffer

解码流获取恶意代码

当然,也可以采取针对PDF层级结构的文档解析方式,见仁见智,因人而异。

以二进制文本解析Pdf文档结构

PDF文件是一种文本和二进制混排的格式,但是Adobe更愿意让人把它当成二进制的文件,所以,PDF文件可以直接拖入16进制编辑器中打开。前面我们介绍了PDF的文件结构以及逻辑结构,现在我们在16进制编辑器中打开PDF文件,更直白的展示PDF的关键字段以及文件结构。

%PDF-1.6 #文件头+版本号,16进制读取文件0x25 0x50 0x44 0x46开头即证明是pdf文件
%çóÏÓ    #下面就是很多的Object对象
2 0 obj  #Object对象,其中2是Obj顺序号,0是Obj的版本号,obj也是对象开始的标志
<<       #<<>>之间为Object对象的字典内容,包含关键字
[/ICCBased 3 0 R]
>>
Endobj   #Object结束关键字
7 0 obj
<<
/Filter
/FlateDecode   #流对象的压缩方式为/FlateDecode  
/Length 148    #流对象的长度
>>
Stream         #流对象
#文件内容信息,注:此处为直观从而手动填写的
Endstream      #流对象结束标志
Endobj
8 0 obj
<<
/Contents 7 0 R              #页面内容对象的对象号为7
/MediaBox [0 0 595.2 841.68] #页面显示大小,以像素为单位
/PageIndex 1
/Parent 1 0 R               #其父对象号为1以及Pages对象
/Resources                  #该页包含的资源
<</Font <</F4 4 0 R >>      #字体的类型
/Shading <<>>
/XObject <<>>               #外部对象
/ColorSpace <</CS1 2 0 R>> 
>>
/Type /Page
>>
Endobj
1 0 obj
<<
/Count 1        #页码数量为1
/Kids [8 0 R ]  #kids对象说明它的子页对象为8
/Type /Pages
>>
Endobj
13 0 obj
<<
/Author (? Cryin')
/CreationDate (D:20100926145832+08'00')
/Title (? PDF文件格式分析)
>>
endobj
Xref           #表示交叉引用表开始
0 14           #0表明引用表描述的对象编号从0开始,8说明共有8个对象#此行在交叉引用表中可出现多个
0000000000 65536 f #一般pdf都是以这行开始交叉引用表的,起始地址0和产生号
0000003195 00000 n #表示对象1,就是catalog,3195为偏移地址n表示对象在使用
0000000018 00000 n
0000000051 00000 n
0000003464 00000 n
0000000000 00000 f
0000004282 00000 n
0000002728 00000 n
0000002992 00000 n
0000003256 00000 n
0000003892 00000 n
0000003620 00000 n
0000008660 00000 n
0000008712 00000 n
Trailer      #说明文件尾对象开始
<</Size 14   #14说明PDF文件对象数目
/Root 12 0 R #说明跟对象号为12
/Info 13 0 R>>
startxref
8980     #8980为交叉引用表的偏移地址,此处为十进制表示
%%EOF    #文件结束标志
对于对象的额外解释:如果一个样本文件的交叉引用表格式如下

1
2
3
4
5
6
7
8
9
10
11
xref
0 5
0000000000 00000 n #第1行
0000004996 00000 n #第2行
0000000022 00000 n #第3行
0000005101 00000 n #第4行
0000004976 00000 n #第5行
0000004996 00000 n #第n行
4 0 obj
Xxxxx
endobj

即交叉引用表中第五行顺序数为4的对象,其偏移为4976

Pdf文件混淆

如图,下面的样本进行了混淆

%PDF-1.5
1 0 obj
<</#54#79P#65 R 0 5
O#70e#6e#41c#74i#6fn 3 Pages C#61ta#6c#6f#67>>
endobj 

解释:<<>>代表obj对象之间的字典内容,保存了流的关键字和特征信息,因此去除混淆是必要的第一步操作,pdf文件的混淆只出现在这里#54代表0x54,上面的内容去除混淆之后即为

1 0 obj
<</TyPe R 0 5 OpenAction 3 Pages
Catalog>>
endobj

关键字

下面介绍了PDF文件解析时所需要的关键字

obj            #obj对象开始
endobj         #obj对象结束
stream         #stream流对象开始
endstream      #stream流对象结束
xref           #交叉引用表开始
trailer        #文件尾对象开始
startxref      #交叉引用表结束
/Page        #文件页数
/Encrypt       #是否加密
/ObjStm        #objectstreams的数量,objectstreams可包含其他Object对象,即嵌套
/JS            #代表javascript嵌有JavaScript代码,可直接提取恶意代码
/JavaScript    #代表javascript嵌有JavaScript代码,可直接提取恶意代码
/AA            #以下三个为特定特征,打开对象自动执行
/OpenAction
/AcroForm
/URI           #内嵌url链接
/Filter        #/Filter字段出现,表示了下面的stream流进行了加密
/RichMedia     #富文本
/Launch        #执行Action的次数与OpenAction字段关联
#/xxxx 带斜杠的关键字包含在<<>>字典内部

流的提取

/Filter关键字之后保存了stream流的编码信息一共包括以下几种:

/FlateDecode
/ASCIIHexDecode
/ASCII85Decode
/LZWDecode
/DCTDecode
/RunLengthDecode
/CCITTFaxDecode
/JBIG2Decode
/JPXDecode
/Crypt

一共包括上面几种编码方式,按常见顺序进行了排序,可以级联编码。例如:

0 0 obj
<</Filter
[/FlateDecode /ASCIIHexDecode]
/Length 14278>>

表示流先经过了ASCIIHexDecode再经过了FlateDecode编码解密是即先对流进行FlateDecode解码再对流进行ASCIIHexDecode解码目前遇到2种级联编码样本(如上),可能会有更多级联编码方式(3级或以上)解码后能够触发攻击的流对象为javascript脚本或者图片对象,常见的恶意攻击代码储存在javascript脚本中。

下面的图片是提取自样本中的PDF steam流文件中的js脚本,已经很明显是攻击代码了:

一些坑

PDF的恶意攻击样本毫无疑问会使用一些特殊手段对抗杀软的扫描检查,下面统计了一下恶意样本常见的规避行为

交叉引用表坑1 引用表偏移不正确

Xref    #表示交叉引用表开始
0 2     #0表明引用表描述的对象编号从0开始,8说明共有8个对象
0000000000 65536 f #一般pdf都是以这行开始交叉引用表的,起始地址0和产生号
0000003195 00000 n #表示对象1,就是catalog,3195为偏移地址n表示对象在使用
startxref
8980  #8980为交叉引用表的偏移地址,此处为十进制表示
%%EOF #文件结束标志

上面有提到过交叉引用表的偏移地址为固定数值,推测adobe的parser是从文件尾开始解析,获得交叉引用表的偏移地址(Xref中X在文档中所在的位置即为偏移地址),找到交叉引用表再定位到各个对象,实际测试发现偏移地址可以不正确8980偏移地址实际可能为任意地址。

坑2 引用表可以有多个

xref
0 4
0000000000 65535 f
0000000000 65536 n
0000039095 00000 n
0000000015 00000 n
trailer
<</ID
[<386e381fac5d8245e24ee620741d0d06><b15c4bebcdae6f2210f09460b841e7a3>]/Root
26 0 R/Size 28/Info 27 0 R>>
startxref
39630
%%EOF
<</Filter/FlateDecode/Length
6960/Subtype/Type1C>>
Stream
Ddd
endstream
xref
20 1
0000040341 00000 n
26 4
0000040380 00000 n
0000040484 00000 n
0000040677 00000 n
0000040734 00000 n
55 2
0000172790 00000 n
0000172925 00000 n
trailer
<</Root 26 0 R/Info 27 0
R/ID[<386E381FAC5D8245E24EE620741D0D06><39FE58436C8CC909F538F88909F1EE55>]/Size
63/Prev 39630>>
startxref
173446
%%EOF

样本如上,正常来讲,一个文档只存在一个%EOF结束符,但是这个样本里出现了两个

字符串长度

坑1 流对象长度可以直接跟对象

正常一个字典语句中/Length之后的数值代表stream~endstream两个关键字之间流的长度,如下

7 0 obj
<</Filter/FlateDecode/Length 6960/Subtype/Type1C>>
stream

但测试发现流的长度可以是obj对象

2 0 obj
<< /Length 4 0 R /Filter
/FlateDecode >>
#对应的obj对象中包含的长度如下
4 0 obj
4880
endobj

所以stream流对象压缩前的实际长度为4880虽然是PDF格式的正规使用方法,但同时也是规避杀软的一种手法。

坑2 流对象长度可以为任意值

7 0 obj
<</Filter/FlateDecode/Length
6960/Subtype/Type1C>>
stream 

同理,正常流对象长度为上图,实际测试发现样本

16 0 obj
<<
/Length ANIWAY_____LEN
>>
stream

WTF is ANIWAY_LEN??? 长度可以为填ascii字符???所以,/Length后面可以不跟数值stream流的实际长度实际==关键字endstream偏移-关键字stream偏移-包含的0x0D或0x0A

解码问题

坑1 javascript可以支持文本和八进制

7 0 obj
<< /Type /Action
/S /JavaScript
/JS (\145\166\141\154\050\146\165\156)
endobj
/JS 16 0 R
/S /JavaScript
>>
endobj
16 0 obj
<<
/Length ANIWAY_____LEN
>>
stream
function urpl(k,sc){
var c = "\x75";
var kc=k+c;
var re = /MM/g;
sc = sc.replace(re,kc);
return sc;
}
padding_0c = "MM0c0cMM0c0c";
padding00="MM0000";
padding_41 = "MM4141";
var x1=0;
var x2=0;
var x3=0;
endstream
endobj

有JS编程基础的肯定注意到了,因此在这里需要判断javascript内容在对象中还是在()内亦或是否需要转码

坑2 编码方式缩写形式

1 0 obj
<</Filter [/Fl /Fl] /Length 8331
>>
Stream
xœíÜYXù
÷qÆÌ0K3ÆØRÆVdoUƒQ"[M!S(íRÓ¾0–h¥B*d•hß~5´©
endstream

正常文件默认/Filter关键字之后会出现xxdecode关键字表示stream流编码方式,但测试发现样本可以没有xxdecode关键字,但同样进行了编码处理,如上/Fl字段即为/FlateDecode的简写,对应表如下:

/FlateDecode     /Fl
/ASCIIHexDecode  /AHx
/ASCII85Decode   /A85
/LZWDecode       /LZW
/RunLengthDecode /RL
/CCITTFaxDecode  /CCF
/JBIG2Decode #/JBIG2Decode其实和/DCTDecode解码方式是一样的
/DCTDecode       /DCT

坑3 编码形式可以级联

10 0 obj 
<</Filter
[/FlateDecode /ASCIIHexDecode]
/Length 14278>>

如上表示流先经过了ASCIIHex加密再进行了FlateDecode加密解码时需要先进行FlateDecode解密之后再进行ASCIIHexDecode解密

常用分析工具推荐

介绍完恶代格式后,推荐一些恶代分析的基本工具

PdfStreamDumper

stream流解析工具

vb开源项目。工具存在一些bug,无法解析级联编码后的stream流,例如/Fl/Fl编码就无法解析

PDFParser

c++开源项目,pdf格式解析,逻辑比较清晰,可以参考

ParanoiDF

python开源项目,恶代分析

此外还有一些很赞的开源项目如pyew、peepdf等等,不一一贴地址了。

References

PDF, let me count the way...

Cryin/PDFTear

Adobe PDF 官方文档

Malicious Document PDF analysis in 5 steps

C#实现的PDF解析器

发布于 2017-10-31

文章被以下专栏收录

    安全客是一家有思想的安全新媒体,致力于传播有思想的安全声音。 安全客是一个为广大安全爱好者和安全从业人员提供权威信息发布的漏洞信息、最新的安全资讯、最全的安全知识及精彩的安全活动的极具影响力的一站式安全平台。