2.2 音频隐写方法及信息提取

国内CTF比赛刚刚兴起时，音频隐写方面的赛题鲜有出现。经过这几年的发展，音频隐写类题目越来越多。本节将介绍音频隐写的常用工具，并总结常用的比赛套路。

2.2.0 常见的音频文件格式解析

音频文件后缀包括mp3、wav、wma和ape等，国内比赛中以MP3和WAV格式最为常见，下面分别进行介绍。

1.MP3文件格式

MP3是一种有损音频压缩技术，其全称是动态影像专家压缩标准音频层面3（Moving Picture Experts Group Audio Layer Ⅲ）。MP3利用人耳对高频声音信号不敏感的特性，对高频信号加大压缩比（甚至忽略信号），而对低频信号使用小压缩比，以保证信号不失真。这相当于抛弃人耳基本听不到的高频声音，只保留能听到的低频部分，从而将声音用1:10甚至1:12的压缩率压缩。

MP3文件大体分为三部分：TAG_V2（ID3V2）、帧（Frame）、TAG_V1（ID3V1）。ID3V2和ID3V1不是必需的，MP3主要由帧构成，帧是MP3文件最小的组成单位，如表2.2.1所示。

每个帧都有一个帧头（Frame Header），长度是4字节。帧头后面可能紧跟两字节的CRC校验值，这两个字节是否存在，取决于帧头信息第16比特的值，值为0表示帧头后面无校验，值为1表示有校验。CRC校验后面就是帧的实体数据。帧头信息如表2.2.2所示。

使用010 Editor模板解析MP3文件时，对帧头的解析和表2.2.2略有不同。在010 Editor模板解析结果中，帧同步占12比特（不同于表中帧同步占11比特），MPEG音频版本占1比特，版本占2比特，其他字段与表2.2.2中相同。帧的实体数据称为Frame data（也叫作Main_data），它的长度是否变化取决于帧头的比特率是否变化，一首MP3歌曲可以有三个版本：96Kbit/s、128Kbit/s和192Kbit/s。其中，Kbit/s（比特率）表示音乐每秒的数据量，Kbit/s值越高，音质越好，文件也越大。MP3标准规定，比特率不变的MP3文件称作CBR，大多数MP3文件都是CBR的。

2.WAV文件格式

WAV的全称是Waveform Audio File Format（WAVE），它是微软公司开发的一种声音文件格式，也叫波形声音文件，是最早的数字音频格式，被Windows平台及其应用程序广泛支持。它采用RIFF（Resource Interchange File Format）文件格式结构。通常用来保存PCM格式的原始音频数据，也被称为无损音频。但是严格意义上来讲，WAV也可以存储其他压缩格式的音频数据。

为了与RIFF保持一致，WAV文件的数据采用块（chunk）来存储，一般最少由3个块组成：RIFF块、Format块和Data块。

RIFF块也称为WAVRIFFHEADER，包括ID（4字节，以“RIFF”为标识）、Size（4字节，整个文件的长度减去ID和Size的长度）和Type（4字节，内容一般为“WAVE”，表示后面需要两个块：Format块和Data块）三个部分。

Format块以“fmt”开头，包括音频格式、声道数、采样率等信息。

Data块以“data”开头，接下来的4字节表示数据块长度，然后是音频采样数据。每个字节按照时间顺序写入，对于使用多个字节的采样，用小端模式存放；对于多声道的采样，用交叉存放的方式。例如，立体双声道的采样存储顺序为：声道1的第1个采样，声道2的第1个采样；声道1的第2个采样，声道2的第2个采样；依此类推。

了解了MP3和WAV文件格式之后，我们总结CTF比赛中一些常见考法，下面逐一介绍。

2.2.1 基于波形图的隐写

根据音频文件的采样数据可以得到音频播放时的波形图，如果音频是单声道，那么只会有一幅波形图；如果是双声道，则会有两个波形图。利用工具Audacity可以查看音频文件，这个工具免费且功能非常强大（网址为：https://www.audacityteam.org/）。

【例题】stego100.wav

【题目描述】 找到文件中的flag。

【解题思路】 打开Audacity，将文件拖入，如图2.2.1所示，单击“确定”即可。文件导入后如图2.2.2所示，中间的图像就是波形图，有上下两个波形图意味着是双声道。使用图2.2.2中方框内的按钮，可以实现波形图的放大和缩小（单击按钮后，单击鼠标左键放大，单击鼠标右键缩小）。一般而言，双声道文件的两个声道波形完全一致，这样在播放时会有立体声的效果。但是，本题中两个声道波形不一样，上面的声道更有规则，将其放大，如图2.2.3所示。猜测很可能是摩斯码，短横表示点，长横表示划，手工对波形进行莫尔斯电码的转换：.....-...-.-.----...---.....-........-----.-.-.-...-----.-------..---....-........---.-.....------...-..--...---------...-------..--------..-----.-.，解码后的flag为5BC925649CB0188F52E617D70929191C。

2.2.2 基于频谱图的隐写

在波形图中可以看到声音随时间的变化，还可以从信号频率角度查看声音的变化，图2.2.4中的频域图像也称为频谱图（图片源自https://zhuanlan.zhihu.com/p/19763358）。比赛中也经常在音频文件的频谱图中隐藏信息。

【例题】sound.wav

【题目描述】 找到文件中的flag。

【解题思路】 用Audacity打开文件，在波形图中没有发现特殊信息，于是尝试查看频谱图。如图2.2.5所示，单击方框中的按钮后选择频谱图，即可看到flag，如图2.2.6所示。

2.2.3 音频LSB隐写

采用WAV等格式可以无损保存音频信息，这也意味着可以对音频采用LSB隐写。下面介绍几种常见的音频LSB隐写工具。

1）S-Tools采用加密机制将信息隐藏在BMP或GIF图像文件中，也可以隐藏在WAV的声音文件中。现阶段支持的加密方法包括IDEA、DES、3DES等。S-Tools是离散嵌入方案，它利用密钥随机选择信息隐藏的位置。

2）Steghide支持JPEG、BMP、WAV和AU文件，可将隐藏信息进行压缩和加密，在载体文件中找到一系列像素点（或采样点）位置，信息将被隐藏在这些位置上。挑选出这些点中不需要改变的像素（或采样点）位置（它们碰巧已经包含要隐藏的信息），由图论匹配算法找出需要做改变的那些像素（或采样点）位置，最后修改其像素值（或采样值）以便嵌入隐藏信息。

3）Hide4PGP将数据嵌入BMP、WAV、VOC文件中，其创新之处是可以将数据嵌入到最低几位。例如，对于采样位数为16的音频文件，Hide4PGP可以在低4位中嵌入信息，但对于8位的音频文件，只能在最低位嵌入信息。

4）Invisible Seerets4可以将数据嵌入JPEG、PNG、BMP、HTML和WAV等文件中。对于WAV格式的文件采用连续LSB嵌入，嵌入容量由载体信号的长度决定。

5）Steganos Security Suite是一套功能完整、简单易用的工具，可支持在BMP、VOC、WAV和ASCII文件中隐藏数据。它将信息嵌入到字节的最低位，从文件头之后开始，直到文件的结尾。当嵌入的隐藏数据较短时，Steganos会生成噪声并将其写入至文件末尾，因而难以检测。这种方法将修改整个文件，所以不要选择过大的载体文件，一个较大的载体文件需要更多的噪声来填充。

6）SilentEye（官网地址为https://achorein.github.io/silenteye）可以对JPG、BMP和WAV使用LSB隐写信息，采用AES128和AES256加密。SilentEye的功能多样，可以采用离散嵌入方式隐藏数据。为了确定要从图像中读取多少位，需要计算嵌入的隐藏数据大小并将其写入载体文件中，这些信息保存在SilentEye头部信息中。此外，还包含数据格式（如文本、字符集/文件、文件名）的信息。SilentEye的头部信息可以位于载体文件的头部、中间或者尾部。

在上述6个工具中，SilentEye在图像和音频隐写中出现较多，如果比赛中的音频是WAV格式，且波形图和频谱图没有明显线索，那么可以优先尝试SilentEye。上述工具的使用都需要密码，因此关键是如何找到对应的密码。

【例题】sarilang.zip

【题目来源】 原创。

【题目描述】 找到文件中的flag。

【解题思路】 解压后得到一个WAV文件，先将文件拖入010 Editor进行分析，在文件尾发现提示，如图2.2.7所示。

SilentEye安装完成后，打开主界面（如图2.2.8所示）。将音频拖入中间的窗口位置后，如图2.2.9所示。

单击图2.2.9左下角的“Decode”按钮，尝试用SilentEye和密钥12345678提取文件，如图2.2.10所示。注意Key对应两个输入框，因此需要输入两次12345678，再单击图2.2.10中右下角的“Decode”按钮，会出现图2.2.11的提取结果，单击txt.zip即可保存到任意文件夹。我们对txt.zip解压后得到txt.txt文件，把其中的0替换成点（.），1替换成！，2替换成？，先进行Short Ook！解码，再进行Brainfuck解码，即可得到flag。

2.2.4 MP3文件隐写

MP3音频隐写除了利用波形图和频谱图，还可以用专门的隐写工具或者利用其头部冗余字段实现隐写。

MP3Stego是最早出现的一款基于MP3的隐写软件，它在MP3编码过程的内循环中实现秘密信息的嵌入，通过编码参数块长度的奇偶性来实现秘密信息的嵌入。该算法的优点是通过将嵌入操作引入的噪声融入量化噪声，使得该算法具有很好的不可感知性。

UnderMP3Cover是另一种典型的压缩域音频隐写工具，它是通过修改全局增益的最低有效位来实现隐写的，本质上就是LSB隐写方法。

【例题】apple.zip

【题目来源】 实验吧平台。

【题目描述】 找到文件中的flag。

【解题思路】 解压后得到一幅PNG图像，中间有一个二维码，扫码后得到：\u7f8a\u7531\u5927\u4e95\u592b\u5927\u4eba\u738b\u4e2d\u5de5。“\u”是Unicode编码，可使用工具包中的“文本与Unicode码转换小工具”解码，使用方法如图2.2.12所示。注意，图中分隔符号要根据实际情况进行修改，并选择正确的进制。

下面我们简单介绍一下Unicode编码。在严格的ASCII码中，每个字符用7比特表示。而计算机上普遍使用8比特表示一个字符，8比特最多可以表示256个字符，明显不能满足通过一种编码表示各种语言的需要。Unicode使用16比特表示一个字符，这使得Unicode能够表示世界上绝大多数的文字和符号。

将扫码得到的Unicode字符串转换为中文：羊由大井夫大人王中工。这是一种加密方式，称为“当铺密码”。当铺密码的基本原理就是：一个汉字中有多少个出头的笔画，就对应相应的数字。据此进行解密，上述汉字即可转换成数字：9158753624。

继续对该PNG图像进行分析。将图像拖入010 Editor后，在PNG图像的尾部发现一个RAR压缩包，提取并解压该包后得到apple.mp3文件，结合之前发现的数字，很可能需要用MP3Stego提取信息。

我们使用MP3Stego中的Decode.exe。这里有一个使用技巧，需要把MP3文件复制到和Decode.exe相同的文件夹下，否则可能运行失败。如图2.2.13所示，运行后自动生成apple.mp3.pcm和apple.mp3.txt两个文件，打开apple.mp3.txt发现隐写信息：Q1RGe3hpYW9fcGluZ19ndW99，经过Base64解码就得到flag：CTF{xiao_ping_guo}。

MP3除了使用专门工具，还可以利用其文件格式中的冗余信息实现信息隐藏。例如，MP3文件中每个帧的帧头都有隐私比特（Private Bit），修改该比特不会对MP3播放产生影响，因此可以在每一帧中隐藏1比特信息。

【例题】3.mp3

【题目来源】 2019泰山杯。

【题目描述】 找到文件中的flag。

【解题思路】 将该文件用010 Editor打开，没有发现明显的追加插入；用Audacity打开，波形图和频谱图也没有明显异常。在010 Editor中，仔细观察每一帧的头部信息，发现private_bit不相同（而该字段一般均默认为0），因此在该字段可能存在隐写，如图2.2.14所示。

修改010 Editor中的MP3模板文件（工具包中MP3.bt文件的第373行已经被修改，可以直接使用），提取出每帧的private_bit，解析结果会显示在Output窗口中。在Output窗口中单击鼠标右键，选择“Copy All”复制所有运行结果，如图2.2.15所示。

在解析结果中，“0,0”是我们需要的输出结果，逗号前的整数表示第几帧，逗号后的整数表示该帧中private_bit字段的值。在输出结果中还有其他解析结果，我们只保留需要的内容，删除其他字符串，如图2.2.16所示。接下来，我们想提取每一行中逗号后的整数，可以利用编辑器的正则表达式替换功能，将逗号前的整数和逗号替换为空字符串，替换规则如图2.2.17所示。将替换后得到的01字符串和换行符全部复制，粘贴到Koczkatamas工具包的BIN行，即可按8比特一组解析，最后得到：flag{1j5^XNt_Seem_s0_cl3ver_t0_f ind_f1ag!}。

2.2.5 拨号音识别

亚力山大·格雷厄姆·贝尔（Alexander Graham Bell）是美国的发明家和企业家，他获得了世界上第一台可用电话机的专利权，创建了贝尔电话公司（AT&T公司的前身），被誉为“电话之父”。

最早的电话机是磁石电话机，靠自备电池供电，用手摇发电机发送呼叫信号。1891年出现了旋转拨号盘式自动电话机，它可以发出直流拨号脉冲，控制自动交换机动作，选择被叫用户，自动完成交换功能。20世纪60年代末期，出现了按键式全电子电话机，采用双音多频方式传输信号。

常见的电话拨号分为脉冲拨号和双音多频拨号。目前，无论是固定电话还是手机，基本都采用双音多频方式拨号。

1.脉冲拨号的原理

拨号时，转动拨号盘上相应的数字，拨号盘在回转的过程中控制电话机内电路节点的“断”和“续”，从而使流过电话电路中的电流时有时无，发出代表对方电话号码的电脉冲。比如：

❑拨号“1”时，电路“断”“续”1次，代表数字“1”。

❑拨号“8”时，电路“断”“续”8次，代表数字“8”。

❑拨号“0”时，电路“断”“续”10次，代表数字“0”。

每拨一位号码，电路“断”“续”多次。但是，这种拨号方式速度较慢，所发出的直流脉冲信息容易导致交换机识别错误。

2.双音多频拨号原理

双音多频信号（Dual Tone Multi-Frequency, DTMF）由高频群和低频群组成，高低频群各包含4个频率。电话上的每个按键（数字键和功能键）对应一个唯一的DTMF信号，每个DTMF信号由高频群中的一个高频信号和低频群中的一个信号叠加组成。

根据CCITT（Consultative Committee of International Telegraph and Telephone，国际电报电话咨询委员会）的建议，国际上采用697Hz、770Hz、852Hz和941Hz作为低频群，采用1209Hz、1336Hz、1477Hz和1633Hz作为高频群。用这8种频率可形成16种不同的组合，代表16种不同的数字键或功能键，具体组合见表2.2.3。

【例题】du～du～du～.wav

【题目来源】 2021“华能睿渥”杯。

【题目描述】 找到文件中的flag。

【解题思路】 查看音频的波形图和频谱图，没有发现明显的隐写信息。播放音频，发现是歌曲《桥边姑娘》，但也没有发现flag。因为文件是WAV格式，所以尝试用SilentEye提取。将音频拖入SilentEye，按图2.2.18的步骤提取LSB隐写的信息，得到1.mp3文件。

播放1.mp3，并结合题目名称，我们猜测接下来要识别拨号按键。在Audacity中查看1.mp3的频谱图，如图2.2.19所示，左侧的数值代表频率（Hz）。

我们可以对照表2.2.3来确定对应的按键。但是，图2.2.19中左侧的数值单位过大，不利于识别，因此我们可以手工放大数值区域。具体方法是：将鼠标移动到1k～2k之间，单击鼠标右键，如图2.2.20所示，再选择“放大”。经过反复整理后的结果如图2.2.21所示。最后识别的拨号为：53672516386126。

如果比赛时可以连接互联网，使用网站http://dialabc.com/sound/detect/index.html也能辅助识别拨号按键。我们向该网站上传1.mp3，发现文件解析出现错误。此时，可以利用Audacity将1.mp3导出为WAV格式，如图2.2.22所示。向网站上传转换后的WAV文件，解析结果见图2.2.23。

2.2.6 音频隐写总结

最后，我们对音频隐写解题思路做个总结。

1）使用010 Editor解析音频文件，查找较为明显的插入隐藏或文件格式冗余信息隐藏（例如MP3的private_bit隐写）。

2）使用Audacity查看波形图和频谱图等。

3）如果是WAV等无损音频文件，可以考虑LSB隐写，常使用SilentEye工具；如果是MP3文件，考虑使用MP3隐写专用工具（MP3Stego等）。