简单入门python字节码混淆
简单入门python字节码混淆
前言
我就是小菜鸡本鸡了，不是很会写东西，请各位大佬多多见谅。本文基于python2.7，因为python3并不是很懂。
python文件如果要发布的话，有时候还是难免想保护一下自己的源码，有些人就直接编译成了pyc文件，因为这样既可以保留跨平台的特性，又可以不能直接看到代码，也看到网上很多人说为了保护自己的代码可以编译成pyc文件。
用pyc文件可以保护python代码的想法其实是不正确的，pyc文件是可以被很容易反编译的，比如说比较著名的uncompyle6库(https://github.com/rocky/python-uncompyle6)，用来反编译文件最爽不过了，几乎支持python全版本的pyc文件的反编译。
pyc文件结构
py文件编译成pyc文件可以使用 python -m xxx.py
常规pyc文件的结构如下：
magic 03f30d0a
日期 aa813e59 (Mon Jun 12 19:57:30 2017)
code 代码对象首先pyc前四个字节是魔术字，魔术字是用来标记python版本的标识。如03f30d0a是python2.7的标识。
在python2.7中，获取魔术字的方式：
import imp
magic = imp.get_magic()
print(magic)魔术字之后四个字节是时间戳，时间戳解开的方式如下：
import time
import struct
content = open("a.pyc","rb").read()
timestamp = content[4:8]
timestamp = struct.unpack("<I"timestamp)[0]
time_str = time.strftime("%Y-%m-%d%H:%M:%S",time.localtime(timestamp))
print(time_str)
2019-02-21 10:47:59去掉前8个字节，剩下的就是个code的对象，code对象的结构如下：
typedef struct {
PyObject_HEAD
int co_argcount; /* 位置参数个数 */
int co_nlocals; /* 局部变量个数 */
int co_stacksize; /* 栈大小 */
int co_flags;
PyObject *co_code; /* 字节码指令序列 */
PyObject *co_consts; /* 所有常量集合 */
PyObject *co_names; /* 所有符号名称集合 */
PyObject *co_varnames; /* 局部变量名称集合 */
PyObject *co_freevars; /* 闭包用的的变量名集合 */
PyObject *co_cellvars; /* 内部嵌套函数引用的变量名集合 */
PyObject *co_filename; /* 代码所在文件名 */
PyObject *co_name; /* 模块名|函数名|类名 */
int co_firstlineno; /* 代码块在文件中的起始行号 */
PyObject *co_lnotab; /* 字节码指令和行号的对应关系 */
void *co_zombieframe; /* for optimization only (see frameobject.c) */
} PyCodeObject;这个code对象可以使用marshal库进行加载，加载方式如下
# 接上方代码
code_bytes = content[8:]
import marshal
co = marshal.loads(code_bytes)
print co
<code object <module> at 0x10f8f85b0, file "a.py", line 3>加载起来以后是个code对象，code对象是可以加载成模块的。
import imp
# 创建一个空的模块
m = imp.new_module("test module")
# 这个co对象是一个code对象，这个对象里面包含的内容是一系列的操作，
# 执行这个code对象，解释出来的变量值都会放到m对象的空间里面
exec(co,m.__dict__)
print dir(m)
['__builtins__', '__doc__', '__name__', '__package__', 'a', 'b']示例的a.py里面没什么东西：
a = 123
b = 456这文件解释出来的变量就放到m的空间里面了，调用M对象的属性就能调用的这个py文件。
通过上面的方式，我们可以进行编译py文件，提取code对象，然后就可以实现单文件的支持库的加载了。样例：
import marshal
import sys
import imp
code = """
a = 123
b = 456
"""
c = compile(code, "<string>", "exec")
m = imp.new_module("t_mod")
exec (c, m.__dict__)
sys.modules["t_mod"] = m
import t_mod
print(t_mod)
print(t_mod.a)
print(t_mod.b)输出结果:
<module 't_mod' (built-in)>
123
456pyc里面有code对象，code对象中的功能部分都在code.co_code中，该属性的内容是字符串对象，实际上是一串动作的集合。
python中有一个反编译的字节码到助记符的库，叫dis，这个库的功能就和Windows中静态分析二进制的工具很像，把二进制文件转成汇编代码。在dis库的帮助文档（https://docs.python.org/2/library/dis.html）中有描述每个字节码的用途，每个字节码名字找不到的可以去python的库opcode 中看一下。
就比如NOP 在opcode中是这样添加进来的def_op('NOP', 9)，所以\x09 就是NOP的意思。
一般的，每三个字节码或者一个字节码是一组。有些字节码是不需要参数的，比如 \x00 这个表示的是停止代码，停了，不需要参数。有些字节码是需要参数的，比如 \x64\x00\x00 加载常量表中第1个常量（常量表是元组，常量表可通过code.co_consts访问，第一个成员下标为0）。在python的字节码中有一个分水岭，就是\x5a，在opcode模块中就是90，如果 opcode<90 表示无参数，反之则有参数。
有关于python的字节码都是什么意思，可以参考dis库的帮助文档，由于篇幅过长，就不在这里贴出来了。
py代码混淆
py代码的混淆就是针对写出来的py代码里面插入一些无意义的分之跳转，将原本的有意义的变量名字，改成无意义的名字，为了加大难度，有时候还会将变量名改成类似的名称。
比如iIl1iI1l和iI1liIl1，就是类似这种相近的名字，在手工进行解密，还是非常头疼的，原本的代码也不清楚什么意图，通过名字也根本猜不出来。
py代码混淆的结果，主要体现在那些只能读懂代码，这种人基本都能拦住一些，但是如果是python大佬级别的，找个IDE，重构一下名字，就很快能看懂什么意思了。
推荐Python source code obfuscator：
https://github.com/astrand/pyobfuscate
对字节码的混淆
先举个例子：
if 1+1 == 2:
print "hello"
else:
print "world"反编译结果是这样子的:
64 05 00 // LOAD_CONST 5 (2)
64 01 00 // LOAD_CONST 1 (2)
6B 02 00 // COMPARE_OP 2 (==)
72 14 00 // POP_JUMP_IF_FALSE 20
64 02 00 // LOAD_CONST 2 ("hello")
47 -- -- // PRINT_ITEM
48 -- -- // PRINT_NEWLINE
6E 05 00 // JUMP_FORWARD 5 (to 25)
64 03 00 // LOAD_CONST 3 ('world')
47 -- -- // PRINT_ITEM
48 -- -- // PRINT_NEWLINE
64 04 00 // LOAD_CONST 4 (None)
53 -- -- // RETURN_VALUE这个反编译出来的助记符还是比较明白的，大概可以按照这个结构写出来原本的代码的形式。
如果我们想要在其中插入一条指令（插入一条指令就是为了增大难度，同时可能会让反编译工具报错），怎么办呢？
假如说我们插入这样一条混淆指令：
71 06 00 // JUMP_ABSOLUTE 6
64 ff ff // LOAD_CONST 65535上面这段混淆的指令如果是使用uncompyle的情况下，肯定是反编译失败的，因为插入的第二条指令加载了一个不存在的常量，导致下标超出，引发异常。
如果是使用dis库直接反编译code对象，也是反编译失败的，原因是dis库在反编译code对象的时候会尝试去常量表里面把变量取出来打印。但是可以dis库的进行反编译 code.co_code 属性，就可以反编译成功，原因是这个对象为纯粹的字节码，并不会包含常量表，所以不会出现下标异常。
那么接下来我们把上面这段代码放到我们原本的代码中，挑一个比较典型的位置。
64 05 00 // LOAD_CONST 5 (2)
64 01 00 // LOAD_CONST 1 (2)
6B 02 00 // COMPARE_OP 2 (==)
72 14 00 // POP_JUMP_IF_FALSE 20
// 插入的段
71 12 00 // JUMP_ABSOLUTE 18
64 ff ff // LOAD_CONST 65535
64 02 00 // LOAD_CONST 2 ("hello")
47 -- -- // PRINT_ITEM
48 -- -- // PRINT_NEWLINE
6E 05 00 // JUMP_FORWARD 5 (to 25)
64 03 00 // LOAD_CONST 3 ('world')
47 -- -- // PRINT_ITEM
48 -- -- // PRINT_NEWLINE
64 04 00 // LOAD_CONST 4 (None)
53 -- -- // RETURN_VALUE如果我们把它放到这个位置，这个第二段的位置，因为我们使用的是一个绝对跳转的指令，所以我们需要查出来jump需要跳到哪里合适，可以跳过我们的异常代码部分。计算出来的是如果我们要跳到原本第二段的位置就需要跳到18的位置（从第一个字节查下标）
当我们插入进去后，发现又出问题了，我们需要考虑第一段中最后一个跳转语句，它原本是要跳到20的，但是我们在它之后又插入了6字节长度的字节码，所以导致它跳转的位置是有问题的，我们需要修复这个跳转问题，这个修复的逻辑我觉得是这样的，如果插入的位置，在影响范围内，就对跳转地址进行更改，增加插入字节的长度。
经过我长(san)久(tian)的研究，发现python字节码混淆主要的成功和失败原因都在跳来跳去。先说个坑，以前的时候我手动改的时候，改完之后发现如果只是修改不插入进去，字节码就能运行，如果长度有变化，字节码就坏了，后来发现前面有长度的计算的。
64 05 00 // LOAD_CONST 5 (2)
64 01 00 // LOAD_CONST 1 (2)
6B 02 00 // COMPARE_OP 2 (==)
72 1a 00 // POP_JUMP_IF_FALSE 26 !需要修复的位置
// 插入的段
71 12 00 // JUMP_ABSOLUTE 18
64 ff ff // LOAD_CONST 65535
47 -- -- // PRINT_ITEM
48 -- -- // PRINT_NEWLINE
6E 05 00 // JUMP_FORWARD 5 (to 25)
64 03 00 // LOAD_CONST 3 ('world')
47 -- -- // PRINT_ITEM
48 -- -- // PRINT_NEWLINE
64 04 00 // LOAD_CONST 4 (None)
53 -- -- // RETURN_VALUE修复以后就是这样的样子了，因为这里面只存在一个跳转语句，也就是说我们插入数据只能影响到一条跳转的执行。
重叠指令
这是在大佬的博客(https://blog.csdn.net/ir0nf1st/article/details/61650984)看到的东西：
# 例1 Python单重叠指令
0 JUMP_ABSOLUTE [71 05 00] 5
3 PRINT_ITEM [47 -- --]
4 LOAD_CONST [64 64 01] 356
7 STOP_CODE [00 -- --]
# 例1 实际执行
0 JUMP_ABSOLUTE [71 05 00] 5
5 LOAD_CONST [64 01 00] 1这个例子里面就是第一句的JUMP_ABSOLUTE跳到了一个很神奇的地方，如果按照dis库解释字节码的操作来看，就是会出问题的，因为第一行跳到5的位置刚好是第三行，LOAD_CONST的参数地址的位置，但是这个参数地址的位置和后面又拼接完整了一条指令，所以在dis解释的时候因为字节码重叠的问题导致输出有问题，我觉得这个还可以改一下，改成以下形式：
71 04 00 // JUMP_ABSOLUTE 4
64 71 09 // LOAD_CONST 2417
00 -- -- // STOP_CODE
64 ff ?? // LOAD_CONST xxxx最后一条指令故意空缺了一个字节的位置，这个字节是故意为了拼接原来的字节码，如果运气好的话，原来的字节码会有一部分会变成看起来是乱数据的字节码。
就比如在后面插入一条三个字节码的指令，我们插入LOAD_CONST 1，对应的字节码为64 01 00，放到这个后面就会出现：
71 04 00 // JUMP_ABSOLUTE 4
64 71 09 // LOAD_CONST 2417
00 -- -- // STOP_CODE
64 ff 64 // LOAD_CONST 25855
01 -- -- // POP_TOP
00 -- -- // STOP_CODE就会有如上的效果，单纯的看dis反编译的结果就会发现是乱序的，当然这些只是对工具有一些作用，对人工的对抗还是不太好。
基础代码的混淆知识讲解到此结束。
接下来写一写如何把自己的想法转变成代码，自己写过很多次混淆的工具，写是写，但是总是会出各种奇怪的bug。问题的根源就是跳转的位置计算有问题，每次都想插入不同的payload，还想换着法的插入，查来查去就容易算错。其他方面也有一些问题，就是插入的位置不对，有些字节码前面不能插入东西，插进去就报错。
总结了一下就是下面几个opcode
71 # 跳转绝对位置
64 # 加载常量
6c # 导入支持库
65 # 通过变量名加载内容
84 # 创建函数
72 # 如果上方表达式不成立跳转到
5b # DELETE_NAME
48 # 换行
6e # 跳出循环在这些字节码前面插入东西是没什么问题的，可能还有其他的字节码前面插入东西也没什么问题，但是懒得找了，只是找一些常用指令，问题不太大就行。如果要混淆，首先插入的位置一定要是上一条指令的结束，下一指令开始之前。还要随机选择出来一段是以上面开头的opcode，所以我选择的方式是，按着字节码的结构解析出来指令的表，解析过程中，按照上面的表，分成列表。
这一段已经写成了代码,会贴在最后面。
一些其他的想法
你手里面有一段代码，然后把它混淆一下内容，获取到字节码序列化对象(利用marshal.dumps)，获取到后，对字节码进行压缩，为了防止好辨认，再反转一下。
首先有个大家需要先知道的前提，就是python里面的函数，字符串什么的是放到常量表中的，并不是在代码段，我做的就是想把数据放到代码段，然后外面套个简单的壳子，写点伪代码描述一下：
t_code = "
import zlib
import marshal
def add(a,b):
return a+b
print "Run Func 'add' func_code"
exec (marshal.loads(zlib.decompress(add.func_code.co_code[::-1])))
"
t_insert_code = "
print("xdcfgvbhjnkjbhvgcf")
print("这里是测试要加密的代码")
"
t_code.co_consts[add] = zlib.compress(marshal.dumps(t_insert_code))[::-1]差不多就是上面这个样子，第一段代码中的add函数就是个壳子，为的是让代码中可以不通过常量表访问数据，虽然这个add函数对象也在常量表中放着，但是我们对内容进行了压缩和反转，就算拿到了这个函数，打印出来也是下面这样子的：
<code object add at 0x10b8624b0, file "code_replace.py", line 8>这样一段东西，打印出来还是个有名字的code，我觉得怀疑的几率不是很高吧~
结尾
感谢各位大佬看我废话这么久，最后还是要说一，即使已经做了这么多工，你的代码还是完全有可能被逆向，暂时还没有完美的防止逆向的方案，起码我现在还没想到，虽然现在我们可以进行简单的混淆欺骗一下机器，但是如果想欺骗人就很难了，因为代码是死的。
我们可能实际上需要的并不是为了防止反编译，我们实际上需要的是保护自己的代码，增加对抗的成本，让对方反编译你的代码感觉到头疼，并且付出大量的时间和精力。假如说你的代码里面插入了10个混淆指令，可能对方稍微费些心思就会完成逆向，如果你的字节码里面插入了和正常代码等比例的混淆代码呢？如果是两倍三倍的垃圾数据呢？这个过程需要耗费的精力就很大了，可能对方就对解密你的代码要放弃了。
对于混淆推荐的套路是，先代码混淆，然后字节码混淆一下，这样出来的代码，恐怕是少有人能看懂了，看得懂也要付出很大的精力才能进行还原。
最后贴一下最近两天才拼了个混淆的渣渣库：
https://github.com/c0cc/code_obfuscate