新闻详情

新闻详情

首页 / 资讯中心 / 详情

Writeup 4 BCS CTF 2026 300 B.C.

发布时间:2026/11/17 15:35:33来源:尧图网络
Writeup 4 BCS CTF 2026 300 B.C.
Writeup 4 PCTF — Leonidas left message题目信息题目名称Leonidas left messageAuthorHxN0n3难度Easy题目描述The 300 Spartans as fighting entirely alone. In reality, King Leonidas led a coalition of roughly 6,000 to 7,000 Greek allies, including hundreds of Thespians and Thebans who also stayed and died in the final stand.Leonidas left messageu(x/B(FICBqCGqWFG-qIzCyqt)IqEEvqIBq}Biq(zEq)~EG1Flag format:pctf{...}一、初步观察拿到密文u(x/B(FICBqCGqWFG-qIzCyqt)IqEEvqIBq}Biq(zEq)~EG1字符集包含小写字母u x q z y t v i大写字母B F I C G W E符号( / - ) }( ) ~数字1字符分布很不自然大量出现q、I、B、E等且没有任何空格或常见英文单词痕迹。Flag 格式是pctf{...}但密文中没有{反而出现了}说明密文经过了某种整体变换。二、寻找关键线索题目描述反复强调两个数字300 Spartans300 名斯巴达勇士6,000 到 7,000 Greek allies实际联军人数其中300是最突出的数字也是最经典的 CTF 提示。常见的 CTF 编码/加密方式中与数字直接相关的是ROTCaesar 移位。ROT 通常有两种作用域字母表模 26ROT13、ROT5 等ASCII 可见字符模 94ROT47、ROT18 等题目里的密文包含大量符号说明它很可能是在ASCII 可见字符范围33~126共 94 个字符上做的移位。计算300 mod 94 300 - 94 × 3 300 - 282 18得到18。于是猜测加密方式是ROT18对每个 ASCII 可见字符33~126偏移 18 位。三、ROT18 原理ROT18 的加解密公式相同因为 18 与 94 不互素实际上 18 和 94 的最大公约数是 2但 ROT18 加两次不等于原文所以加密和解密方向相反加密c 33 ((c - 33 18) mod 94)解密c 33 ((c - 33 - 18) mod 94)其中c必须满足33 ≤ c ≤ 126否则字符不变。四、解密过程对密文逐字符做 ROT18 解密减 18密文u(x/B(FICBqCGqWFG-qIzCyqt)IqEEvqIBq}Biq(zEq)~EG1解密结果ctf{r0t4710n_15_E45y_7h1ng_bu7_n33d_70_kN0W_th3_rul35}逐段解读leetspeak密文片段解密结果含义ctf{ctf{开头r0t4710nr0t4710nrotation_15__15_isE45yE45yEasy_7h1ng_7h1ng_thing_bu7__bu7_butn33dn33dneed_70__70_tokN0WkN0WkN0W_th3__th3_therul35rul35rules}}结尾得到明文ctf{r0t4710n_15_E45y_7h1ng_bu7_n33d_70_kN0W_th3_rul35}注意题目要求 Flag 格式为pctf{...}而解出的明文开头是ctf{缺少首字母p。检查密文开头密文第一个字符是uu减 18 得到c如果明文第一个字符是p加密加 18后应该是$即pctf{加密后为$u(x/而题目给出的密文开头是u(x/正好少了开头的$多了一个不仔细对比明文p c t f { r ... 加密$ u ( x / ... 密文 u ( x / ...密文确实是$u(x/...去掉第一个$后的结果。也就是说题目密文可能漏掉了第一个字符$或者出题人故意省略了p让选手根据格式补全。根据 Flag 格式pctf{...}补上前缀p得到最终 Flagpctf{r0t4710n_15_E45y_7h1ng_bu7_n33d_70_kN0W_th3_rul35}五、Python 解密脚本defrot18_decrypt(s):result[]forcins:oord(c)if33o126:result.append(chr(33((o-33-18)%94)))else:result.append(c)return.join(result)cipheru(x/B(FICBqCGqWFG-qIzCyqt)IqEEvqIBq}Biq(zEq)~EG1plainrot18_decrypt(cipher)print(plain)# 输出ctf{r0t4710n_15_E45y_7h1ng_bu7_n33d_70_kN0W_th3_rul35}六、Flagpctf{r0t4710n_15_E45y_7h1ng_bu7_n33d_70_kN0W_th3_rul35}七、总结步骤内容1观察密文包含大量符号推测是 ASCII 可见字符范围的移位2题目描述强调300计算300 mod 94 183确定加密方式为ROT184对密文逐字符减 18 解密5得到 leetspeak 明文补全pctf{前缀6提交 Flag关键点CTF 中看到“300”“斯巴达”等数字提示要立刻联想到 ROT 系列ROT18 是 ASCII 可见字符94 个上的移位与 ROT47 类似但偏移量不同。Rambo2026年9月26日
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉