hgame智械危机详细解析

文章源自投稿

作者-小帽

下载下来有一个hdf5文件，应该是出题人训练的存储点，一个txt文件，相当于密文，一个py文件是远程检查结果的脚本

首先看下检查脚本:

--代码块--

import numpy as np

true_flag = 'hgame{}'

flag = np.loadtxt('flag.txt')

threshold = 0.18

def mse(true, predict):

return np.average(np.abs(true - predict))

def judge(predict):

if mse(flag, predict) < threshold:

print(true_flag)

else:

print("Unfortunately! Your mse loss is over the threshold, try again!")

print("Wrong flag!")

if __name__ == "__main__":

print("Welcome to this game!")

print("Please input your flag here (separated by space please):")

inp=input()geduangeduan

try:

inp = np.asarray(inp.split(' '), dtype=float)

judge(inp)

except Exception as e:

print("Internal Error!")

--代码块--

告诉了我输入的数据用空格隔断，然后会跟他后台存的答案检查一下，平均差小于0.18即可。

还有一部分信息在题目描述里，输入128位0和1，输出64位，线性函数

接下来加载一下hef5文件，发现他没存储网络结构，只存了权值(后来感觉是自己手里keras版本问题没能成功加载结构，如果可以加载的话直接model = models.loadmodel('flag.hdf5')即可) 那我们给他加上一层输入128输出64全连接，可以了

--代码块--

import keras

import numpy as np

import random

model = keras.Sequential()

model.add(keras.layers.Dense(64,input_dim=128))

model.load_weights('flag.hdf5')

print(model.summary())

--代码块--

接下来就可以利用它制作数据集了，随机生成3000组数据

--代码块--

inp=''

for i in range(0,128):

inp+=str(random.randint(0,1))+' '

inp = np.asarray(inp.split(' ')[:128], dtype=float)

print(inp.reshape(1,128).shape)

out=model.predict(inp.reshape(1,128))

X=inp.reshape(1,128)

Y=out

for i in range(0,3000):

xx=''

for i in range(0,128):

xx+=str(random.randint(0,1))+' '

xx = np.asarray(xx.split(' ')[:128], dtype=float)

xx = xx.reshape(-1,128)

xy=model.predict(xx.reshape(1,128))

X=np.append(X,xx.reshape(1,128),axis=0)

#print(X)

#input()

Y=np.append(Y,xy,axis=0)

print(X.shape)

print(Y.shape)

print('Data has been prepared')

--代码块--

model.predict(xx.reshape(1,128))利用这行代码获得随机生成的x对应的y

也就是说，我们搞了3000对输入和输出值

现在有数据了，再定义一个新的神经网络来拟合那个线性函数的逆运算，也就是函数自变量因变量互换。

然后再解一下题目给的文件

--代码块--

model2 = keras.Sequential()

model2.add(keras.layers.Dense(128,input_dim=64,activation='relu'))

#新建一个输入64输出128的全连接

print(model2.summary())

model2.compile(loss='mse', optimizer='sgd')

model2.fit(Y, X, epochs=1500)

#掉换X和Y，将新模型训练1500次

scores = model2.evaluate(out,inp.reshape(1,128))

print("%s: %.2f%%" % (model2.metrics_names[0], scores*100))

flag = np.loadtxt('enc_flag.txt')

ouu=model2.predict(flag.reshape(1,64))

print(ouu)

--代码块--

即使检查脚本没规定必须用0和1作为输入，float就可以，不过还是整理了一下，大于0.5的是1，小于的是0（后来也发现可能因为训练次数导致直接给小数进去误差太大，0和1是可以的）

--代码块--

for i in a:

if i<0.5:

b.append(0)

else:

b.append(1)

--代码块--