新闻详情

新闻详情

首页 / 资讯中心 / 详情

Airgorah源码剖析:Rust手工构造802.11 Deauth帧的34字节奥秘

发布时间:2026/11/17 1:09:44来源:尧图网络
Airgorah源码剖析:Rust手工构造802.11 Deauth帧的34字节奥秘
Airgorah源码剖析Rust手工构造802.11 Deauth帧的34字节奥秘【免费下载链接】airgorahA WiFi security auditing software项目地址: https://gitcode.com/gh_mirrors/ai/airgorahAirgorah 是一款用 Rust 编写的 WiFi 安全审计软件能捕获附近 WiFi 流量、发现连接客户端、发起 Deauth去认证攻击并抓取握手包。它的 Deauth 功能不依赖任何第三方协议库而是手工拼装一个仅34 字节的 802.11 帧通过原始套接字直接注入到监控模式的无线网卡上。本文带你逐字节拆解这个 802.11 Deauth 帧的构造奥秘。Airgorah 图形界面上方为扫描到的热点含 BSSID、加密方式、是否抓到握手包下方为可发起攻击的客户端列表️ 攻击链路从按钮到网卡Airgorah 采用「GUI 特权代理」双进程架构图形界面以普通用户运行需要提权的操作通过polkit拉起特权代理airgorah-agent。一次 Deauth 攻击的完整链路是用户在界面上勾选目标客户端、设置速率点击 AttackGUI 侧 crates/gui/src/frontend/connections/deauth.rs 收集选中的 MAC 地址通过 IPC 转发到特权代理 crates/agent/src/server.rs核心逻辑落在 crates/agent/src/backend/deauth.rs —— 手工构造帧并注入真正有奥秘的就是第 4 步里build_mgmt_frame函数拼出来的 34 个字节。 34 字节 8 字节 Radiotap 26 字节 802.11 帧在 crates/agent/src/backend/deauth.rs 中帧的组装分为两段Radiotap 头部8 字节0x00 0x00 0x08 0x00 0x00 0x00 0x00 0x00这是注入时网卡驱动要求的元数据头版本号 0、填充 0、长度 8、字段标志位为 0不携带任何额外字段。标志位全 0 的含义是发射参数速率、功率等全部交给驱动自行决定应用层无需关心。802.11 管理帧26 字节偏移字节数字段值82帧控制Frame Control0xC0去认证或0xA0去关联102Duration全 0126Address 1目的地址目标 MAC 或广播地址186Address 2源地址源 MAC246Address 3BSSIDAP 的 MAC302序列号全 0322原因码7去认证/8去关联小端序0xC0的二进制是11_000_000高 2 位11表示 Management 类型后 6 位000000即 subtype 12Deauthentication。管理帧没有加密、没有认证信息这正是它能被任意伪造的根本原因。 广播还是点名两种攻击模式crates/agent/src/backend/deauth.rs 的launch_deauth_attack函数支持两种目标全员模式目的地址填0xFF:FF:FF:FF:FF:FFBROADCAST常量一行定义搞定AP 会踢掉所有连接的客户端——这是最容易触发握手包重连的模式点名模式对每个选中客户端构造AP→客户端和客户端→AP两个方向各一帧双向同时攻击发射速率被限制在 1~1000 帧/轮/秒攻击线程按间隔循环发送直到用户停止。 原始套接字帧怎么飞出去构造好的 34 字节交给 crates/agent/src/backend/raw_socket.rs创建一个AF_PACKET类型的SOCK_RAW原始套接字绑定到监控模式的网卡索引之后send()出去的每个字节都原样变成无线信号——不经过协议栈任何处理。这也是为什么网卡必须支持监控模式和包注入注入通常只在 2.4GHz 频段可靠。✅ 单元测试34 字节一个都不能少作者在 crates/agent/src/backend/deauth.rs 的测试里对每段字节都做了断言assert_eq!(frame.len(), 34); // 总长 34 assert_eq!(frame[0..4], [0x00,0x00,0x08,0x00]); // radiotap: v0, len 8 assert_eq!(frame[8], SUBTYPE_DEAUTH); // 0xC0 assert_eq!(frame[32..34], REASON_DEAUTH.to_le_bytes());MAC 解析的边界情况段数不足、非法十六进制、超长也在 parse_mac 测试 中覆盖。这种字节级的测试正是手工构造协议帧的可靠保障。 小结Airgorah 用不到 20 行核心代码揭示了 Deauth 攻击的本质一帧 34 字节的管理帧伪造 3 个 MAC 地址 一个原因码即可让客户端掉线。理解这 34 个字节你就理解了 802.11 管理帧为何缺乏认证保护——这也正是现代 WPA3 引入对管理帧进行 PMF 保护的意义所在。⚠️法律提示Deauth 攻击仅可用于审计你自己拥有或获授权测试的无线网络。在绝大多数国家和地区对非自有网络发起此类攻击均属违法行为。想继续深入可以从这两个入口读起帧构造与攻击线程crates/agent/src/backend/deauth.rs原始套接字收发crates/agent/src/backend/raw_socket.rs【免费下载链接】airgorahA WiFi security auditing software项目地址: https://gitcode.com/gh_mirrors/ai/airgorah创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
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 2026/11/15 4:54:16

【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 2026/11/15 2:04:12

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 ... 2026/11/16 6:47:19

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 2026/11/14 16:35:50

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
📞 ✉