网络安全研究人员发现了伪装成Laravel实用工具的恶意Packagist PHP软件包,这些软件包充当跨平台远程访问木马的传播渠道,可在Windows、macOS和Linux系统上运行。
恶意软件包清单
发现的恶意软件包名称如下:
nhattuanbl/lara-helper(37次下载)
nhattuanbl/simple-queue(29次下载)
nhattuanbl/lara-swagger(49次下载)
据Socket安全公司报告,"nhattuanbl/lara-swagger"软件包本身并未直接嵌入恶意代码,但将"nhattuanbl/lara-helper"列为Composer依赖项,导致在安装过程中部署远程访问木马。这些软件包目前仍可从PHP软件包注册中心下载。
技术实现机制
lara-helper和simple-queue软件包都包含一个名为"src/helper.php"的PHP文件,该文件采用多种技巧来复杂化静态分析,包括控制流混淆、域名编码、命令名称和文件路径编码,以及变量和函数名称的随机标识符。
安全研究员Kush Pandya表示:"一旦加载,有效载荷会连接到位于helper.leuleu[.]net:2096的命令控制服务器,发送系统侦察数据,并等待命令执行,为攻击者提供对主机的完全远程访问权限。"
木马功能特性
该远程访问木马支持以下命令功能:
ping:每60秒自动发送心跳信号
info:向命令控制服务器发送系统侦察数据
cmd:运行shell命令
powershell:运行PowerShell命令
run:在后台运行shell命令
screenshot:使用imagegrabscreen()函数捕获屏幕截图
download:从磁盘读取文件
upload:上传文件到磁盘并为所有用户授予读取、写入和执行权限
stop:关闭套接字并退出
Pandya指出:"对于shell执行,远程访问木马会探测disable_functions配置,并从popen、proc_open、exec、shell_exec、system、passthru等方法中选择第一个可用的方法。这使其能够抵御常见的PHP安全加固配置。"
安全威胁评估
虽然命令控制服务器目前无响应,但远程访问木马被配置为每15秒在持续循环中重试连接,这构成了安全风险。建议已安装这些软件包的用户假设系统已被入侵,立即删除相关软件包,轮换应用程序环境中可访问的所有密钥,并审计到命令控制服务器的出站流量。
除了上述三个恶意软件包外,该威胁行为者还发布了三个清洁的库("nhattuanbl/lara-media"、"nhattuanbl/snooze"和"nhattuanbl/syslog"),可能是为了建立可信度并诱使用户安装恶意软件包。
Socket安全公司警告:"任何安装了lara-helper或simple-queue的Laravel应用程序都在运行持久性远程访问木马。威胁行为者拥有完全的远程shell访问权限,可以读写任意文件,并持续接收每个连接主机的系统配置文件。"
"由于激活发生在应用程序启动时(通过服务提供商)或类自动加载时(通过simple-queue),远程访问木马在与Web应用程序相同的进程中运行,具有相同的文件系统权限和环境变量,包括数据库凭据、API密钥和.env文件内容。"
Q&A
Q1:这些伪装成Laravel工具包的恶意软件包有哪些名称?
A:发现的恶意软件包包括nhattuanbl/lara-helper(37次下载)、nhattuanbl/simple-queue(29次下载)和nhattuanbl/lara-swagger(49次下载)。其中lara-swagger通过依赖关系安装lara-helper来部署木马。
Q2:这个远程访问木马具备哪些攻击能力?
A:该木马支持多种命令功能,包括发送心跳信号、收集系统信息、执行shell和PowerShell命令、后台运行程序、截取屏幕、上传下载文件等。攻击者可获得完全的远程shell访问权限。
Q3:如果已经安装了这些恶意软件包应该怎么办?
A:建议立即假设系统已被入侵,删除相关软件包,轮换应用程序环境中的所有密钥和凭据,审计到命令控制服务器的出站流量,并检查数据库凭据、API密钥等敏感信息是否泄露。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。