业务和功能介绍
本项目为某股份制银行移动 Banking APP 的客户端安全体系升级工程，核心目标是构建多层纵深防御机制，提升对终端环境异常（模拟器、调试 attach、Hook 框架注入）的感知精度，同时降低误报率对正常用户的干扰。
核心功能模块：
1.
设备指纹增强系统：基于硬件特征（传感器校准偏差、电池健康度、CPU 微架构特征）生成高稳定性设备 ID，对抗设备重置和模拟器伪造
2.
运行环境完整性校验：多维度检测 ROOT/越狱状态、调试器附加、代码注入（Xposed/Frida）、模拟器特征（QEMU 痕迹、CPU 架构异常）
3.
敏感逻辑保护：核心风控算法（风险评分计算、加密密钥派生）采用白盒加密和控制流混淆（OLLVM），防止静态分析和动态调试提取业务逻辑
4.
行为生物特征采集：采集触屏压力、手势加速度、操作节奏等行为数据，用于区分真人操作与自动化脚本
业务流程：用户启动 APP → SDK 在独立进程初始化安全环境 → 执行多层级完整性校验 → 采集设备指纹与行为数据 → 本地风险评分 → 加密传输至风控中台 → 结合云端大数据返回风险决策（放行/增强认证/阻断）。
核心功能模块：
1.
设备指纹增强系统：基于硬件特征（传感器校准偏差、电池健康度、CPU 微架构特征）生成高稳定性设备 ID，对抗设备重置和模拟器伪造
2.
运行环境完整性校验：多维度检测 ROOT/越狱状态、调试器附加、代码注入（Xposed/Frida）、模拟器特征（QEMU 痕迹、CPU 架构异常）
3.
敏感逻辑保护：核心风控算法（风险评分计算、加密密钥派生）采用白盒加密和控制流混淆（OLLVM），防止静态分析和动态调试提取业务逻辑
4.
行为生物特征采集：采集触屏压力、手势加速度、操作节奏等行为数据，用于区分真人操作与自动化脚本
业务流程：用户启动 APP → SDK 在独立进程初始化安全环境 → 执行多层级完整性校验 → 采集设备指纹与行为数据 → 本地风险评分 → 加密传输至风控中台 → 结合云端大数据返回风险决策（放行/增强认证/阻断）。
项目实现
整体架构：采用"静态加固 + 动态防护 + 数据链路加密"的三层防御架构。静态层通过编译期混淆和 SO 加密保护核心算法；动态层通过多进程守护、反调试机制、完整性自校验确保运行时安全；链路层采用白盒 AES + 证书 pinning 防止中间人攻击。
技术栈细节：
加固方案设计：针对 ARM64 架构设计 SO 加壳方案，实现 ELF 文件加密存储、运行时内存解密、代码段完整性校验（CRC + 数字签名）
反调试体系：构建基于 ptrace 陷阱、/proc/self/status 状态监控、时间差检测的多层反调试网络，阻断 GDB、LLDB 等调试器附加
环境感知优化：开发基于 JNI 的底层系统调用监控，识别虚拟设备特征（如 QEMU 的特定 CPUID、模拟器的传感器数据静态化）
负责模块与量化成果：
代码保护方案落地：主导设计并实现了 SO 库加固方案，覆盖 15 个核心风控模块，使静态逆向分析成本提升300%（基于 IDA Pro 反汇编时间评估）
风控感知准确率优化：通过逆向分析黑产工具的攻击特征，优化环境检测逻辑，将 ROOT 检测误报率从 12% 降至1.8%，同时将模拟器识别准确率从 85% 提升至99.2%
安全测试框架搭建：构建自动化安全测试平台，模拟 20+ 种攻击场景（调试注入、API Hook、内存 Dump、协议重放），实现回归测试自动化，测试效率提升80%
合规审计支持：配合等保 2.0 和《移动金融客户端应用软件安全管理规范》（JR/T 0092-2019）要求，输出安全架构设计文档 3 份，通过三级等保测评及银行内部安全审计
技术栈细节：
加固方案设计：针对 ARM64 架构设计 SO 加壳方案，实现 ELF 文件加密存储、运行时内存解密、代码段完整性校验（CRC + 数字签名）
反调试体系：构建基于 ptrace 陷阱、/proc/self/status 状态监控、时间差检测的多层反调试网络，阻断 GDB、LLDB 等调试器附加
环境感知优化：开发基于 JNI 的底层系统调用监控，识别虚拟设备特征（如 QEMU 的特定 CPUID、模拟器的传感器数据静态化）
负责模块与量化成果：
代码保护方案落地：主导设计并实现了 SO 库加固方案，覆盖 15 个核心风控模块，使静态逆向分析成本提升300%（基于 IDA Pro 反汇编时间评估）
风控感知准确率优化：通过逆向分析黑产工具的攻击特征，优化环境检测逻辑，将 ROOT 检测误报率从 12% 降至1.8%，同时将模拟器识别准确率从 85% 提升至99.2%
安全测试框架搭建：构建自动化安全测试平台，模拟 20+ 种攻击场景（调试注入、API Hook、内存 Dump、协议重放），实现回归测试自动化，测试效率提升80%
合规审计支持：配合等保 2.0 和《移动金融客户端应用软件安全管理规范》（JR/T 0092-2019）要求，输出安全架构设计文档 3 份，通过三级等保测评及银行内部安全审计
示例图片视频
相似推荐
skill插拔驱动多元Agent
### 多 Agent 智能协作
6 个专业 Agent（Sisyphus、Code Analyzer、Programmer、Refactor Master、Test Expert、Librarian）通过 4 种协作模式（Sequential、Parallel、Debate、Main-with-Helpers）智能协作。基于意图识别自动选择 Agent，并行执行提升效率，自动综合多专家意见。
### 深度代码理解
集成 LSP（Language Server Protocol）、AST（抽象语法树）分析和语义代码搜索。支持 Python、JavaScript、TypeScript 等主流语言，提供类型推导、引用分析、基于向量的语义检索。自动识别代码结构和依赖关系。
### 智能编排系统
7 种编排策略（Simple、ReAct、Multi-Agent、Parallel、Conditional、Workflow、Sisyphus）自动选择最优方案。ReAct 模式支持推理-行动循环，条件分支实现动态决策，并行执行提升性能。
### 完整工具链
34+ 专业工具，包含项目理解（文档发现、结构分析、代码地图）、代码搜索（文本、正则、语义、AST）、LSP 工具（诊断、跳转、引用、重命名）、文件操作（读写、批量操作、补丁）、Git 工具（状态、差异、日志）。
### 智能记忆系统
分层存储架构（会话级、用户级、全局级），对话树结构支持多分支，智能压缩和摘要，相关性检索。多轮对话保持上下文，记住用户偏好和习惯，跨会话知识复用。
### Skill 配置系统
14+ 预置技能，灵活的 Prompt 模板，工具和编排器配置，可扩展的技能定义。YAML 配置驱动，Jinja2 模板引擎，动态加载和热更新。
微信自动抢红包助手-快抢
基于Auto.js开发的微信自动抢红包脚本，通过监听系统通知实时响应红包消息，自动点击横幅进入聊天界面，并利用固定坐标快速点击红包和“开”按钮。脚本支持多次重试机制，确保红包被及时抢到，无需人工干预，极大提升抢红包成功率。
RPA的SAP BW运维监控-SAP
本项目旨在解决 SAP BW 系统运维中人工监控效率低、响应滞后、易遗漏异常的痛点，通过 RPA 机器人替代人工，实现对 SAP BW 数据加载、任务执行、系统状态的 7×24 小时自动化监控。
核心功能模块包括：
SAP BW 监控模块：RPA 自动登录 SAP 系统，定时检查 BW 进程、数据加载任务、系统日志及关键指标，识别任务失败、数据异常、系统告警等问题。
智能通知模块：当监控到异常时，RPA 触发微信消息推送，将异常详情、影响范围、建议处理措施实时推送给运维人员；同时可调用 Python 接口，通过电话语音或系统声音输出进行二次告警，确保关键问题不被遗漏。
辅助识别模块：集成 Python OCR 图片文字识别能力，自动解析 SAP BW 监控截图中的关键信息，补充到告警内容中，提升问题定位效率。
业务流程为：RPA 定时巡检→发现异常→触发多渠道告警→运维人员接收并处理→RPA 记录处理结果并归档，形成闭环运维监控体系，大幅降低人工成本，提升运维响应速度和系统稳定性。
tools box
针对用户需要多个软件处理图片文档的痛点，打造免费在线工具平台，无需安装即可使用，注重隐私保护。
图片工具（去水印、压缩、证件照、抠图）、实用工具（文档转换、屏幕录制、二维码、OCR识别）、AI助手（图片视频生成、写作翻译、旅行规划）。
访问网站→选择工具→上传文件→系统处理→预览结果→下载保存。浏览器端本地处理，无需注册，保护隐私安全。
军事agent-ugv_agents
在无人作战/军事仿真场景中，需智能体系统协调多无人平台（UAV、UGV、机器狗等）完成复杂任务。传统方案依赖人工指令与固定流程，难以应对动态任务和自然语言交互。本项目构建基于 LLM 的多 Agent 协同系统，实现自然语言驱动的任务规划、调度与执行。核心目标：支持自然语言任务输入并自动分解为可执行动作序列；多 Agent 协同（任务规划、调度、会议助手、状态检查等）；WebSocket/MQTT 双通道与上位机通信；通过 MCP 协议动态扩展工具能力；Docker 容器化部署，兼容 x86/ARM64。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服