hgame智械危机wp

2020-02-04

emm太懒了懒得做题，听说hgame有个机器学习题还0解，去学了一下

by：小帽

下载下来有一个hdf5文件，应该是出题人训练的存储点，一个txt文件，相当于密文，一个py文件是远程检查结果的脚本

首先看下检查脚本

import numpy as np

true_flag = 'hgame{}'
flag = np.loadtxt('flag.txt')

threshold = 0.18

def mse(true, predict):
    return np.average(np.abs(true - predict))

def judge(predict):
    if mse(flag, predict) < threshold:
        print(true_flag)
    else:
        print("Unfortunately! Your mse loss is over the threshold, try again!")
        print("Wrong flag!")


if __name__ == "__main__":
    print("Welcome to this game!")
    print("Please input your flag here (separated by space please):")
    inp=input()geduangeduan
    try:
        inp = np.asarray(inp.split(' '), dtype=float)
        judge(inp)
    except Exception as e:
        print("Internal Error!")

告诉了我输入的数据用空格隔断，然后会跟他后台存的答案检查一下，平均差小于0.18即可。

还有一部分信息在题目描述里，输入128位0和1，输出64位，线性函数

1580791578954

接下来加载一下hef5文件，发现他没存储网络结构，只存了偏移（应该是这么叫那我们给他加上一层输入128输出64，可以了

import keras
import numpy as np
import random
model = keras.Sequential()
model.add(keras.layers.Dense(64,input_dim=128))
model.load_weights('flag.hdf5')
print(model.summary())

接下来就可以利用它制作数据集了

inp=''
for i in range(0,128):
    inp+=str(random.randint(0,1))+' '
inp = np.asarray(inp.split(' ')[:128], dtype=float)
print(inp.reshape(1,128).shape)
out=model.predict(inp.reshape(1,128))
X=inp.reshape(1,128)
Y=out
for i in range(0,3000):
    xx=''
    for i in range(0,128):
        xx+=str(random.randint(0,1))+' '
    xx = np.asarray(xx.split(' ')[:128], dtype=float)
    xx = xx.reshape(-1,128)
    xy=model.predict(xx.reshape(1,128))
    X=np.append(X,xx.reshape(1,128),axis=0)
    #print(X)
    #input()
    Y=np.append(Y,xy,axis=0)
print(X.shape)
print(Y.shape)
print('Data has been prepared')

model.predict(xx.reshape(1,128))利用这行代码获得随机生成的x对应的y

现在有数据了，再定义一个新的神经网络来拟合那个线性函数的逆运算，也就是x和y互换。然后再解一下题目给的文件

model2 = keras.Sequential()
model2.add(keras.layers.Dense(128,input_dim=64,activation='relu'))
print(model2.summary())
model2.compile(loss='mse', optimizer='sgd')
model2.fit(Y, X, epochs=1500)
scores = model2.evaluate(out,inp.reshape(1,128))
print("%s: %.2f%%" % (model2.metrics_names[0], scores*100))
flag = np.loadtxt('enc_flag.txt')
ouu=model2.predict(flag.reshape(1,64))
print(ouu)

即使检查脚本没规定必须用0和1作为输入，float就可以，不过还是整理了一下，大于0.5的是1，小于的是0（后来也发现是因为训练次数？导致直接给小数进去误差太大，0和1可以）

for i in a:
	if i<0.5:
		b.append(0)
	else:
		b.append(1)

1580794536623

1580794516945

总结：

中间其实还有很多细节没写比如numpy里的矩阵形状，kreas喂进数据的形状，激励函数选择等等都是很迷的，其实到现在也有点怀疑网络是不是这样建。有空真的应该好好总结一下（有空===咕咕咕

代码：

import h5py

file = h5py.File('flag.hdf5','r')
print(file.keys())

#from keras.models import load_model
#model = load_model('flag.hdf5')

import keras
import numpy as np
import random
model = keras.Sequential()
model.add(keras.layers.Dense(64,input_dim=128))
model.load_weights('flag.hdf5')
print(model.summary())
inp=''
for i in range(0,128):
    inp+=str(random.randint(0,1))+' '
#print(inp)
#print(inp.split(' ')[:128])
inp = np.asarray(inp.split(' ')[:128], dtype=float)
print(inp.reshape(1,128).shape)
out=model.predict(inp.reshape(1,128))
X=inp.reshape(1,128)
Y=out
for i in range(0,3000):
    xx=''
    for i in range(0,128):
        xx+=str(random.randint(0,1))+' '
    xx = np.asarray(xx.split(' ')[:128], dtype=float)
    xx = xx.reshape(-1,128)
    xy=model.predict(xx.reshape(1,128))
    X=np.append(X,xx.reshape(1,128),axis=0)
    #print(X)
    #input()
    Y=np.append(Y,xy,axis=0)
print(X.shape)
print(Y.shape)
print('Data has been prepared')
model2 = keras.Sequential()
#model2.add(keras.layers.Dense(128,input_dim=64))
model2.add(keras.layers.Dense(128,input_dim=64,activation='relu'))
#model2.add(keras.layers.Dense(128,activation='softmax'))
print(model2.summary())
#model2.compile(loss='categorical_crossentropy',
#              optimizer='sgd',
#              metrics=['accuracy'])
#model2.compile(loss='categorical_crossentropy',optimizer='adam')
model2.compile(loss='mse', optimizer='sgd')
#model2.fit(Y, X, epochs=5000, batch_size=12)
model2.fit(Y, X, epochs=1500)
scores = model2.evaluate(out,inp.reshape(1,128))
#print("%s: %.2f%%" % (model2.metrics_names[1], scores[1]*100))
print("%s: %.2f%%" % (model2.metrics_names[0], scores*100))
flag = np.loadtxt('enc_flag.txt')
ouu=model2.predict(flag.reshape(1,64))
print(ouu)
#print(out)
#print(out.shape)