➡️ Discord | दस्तावेज़ीकरण ⬅️

प्रोजेक्ट ciphey

ciphey अगली पीढ़ी का डिकोडिंग टूल है, जो उन्हीं लोगों द्वारा बनाया गया है जिन्होंने आपको Ciphey दिया था।

हम पूरी तरह से Ciphey को ciphey से बदलने का इरादा रखते हैं।

✨ आप ciphey के बारे में यहाँ और पढ़ सकते हैं: https://skerritt.blog/introducing-ciphey/ ✨

उपयोग कैसे करें

ciphey का उपयोग करने का सबसे सरल तरीका है Discord Server में शामिल होना, #bots चैनल पर जाएं और $ciphey के साथ ciphey का उपयोग करें। सहायक जानकारी के लिए $help टाइप करें!

दूसरा सबसे अच्छा तरीका है cargo install ciphey का उपयोग करना और इसे ciphey के साथ कॉल करना।

आप इस रेपो को git clone भी कर सकते हैं और इसे एक इमेज प्राप्त करने के लिए docker build . चला सकते हैं।

विशेषताएँ

कुछ विशेषताएँ जो आपको रुचिकर लग सकती हैं, और जिन पर हमें गर्व है।

तेज़

ciphey तेज़ है। बहुत तेज़। अन्य डिकोडर जैसे Ciphey को यह निर्धारित करने के लिए उन्नत कृत्रिम बुद्धिमत्ता की आवश्यकता होती है कि उसे डिकोड करने के लिए कौन सा मार्ग अपनाना चाहिए (Caesar या Base64 आदि आज़माना चाहिए)।

ciphey इतना तेज़ है कि हमें वर्तमान में इसके बारे में चिंता करने की आवश्यकता नहीं है। Ciphey जितने 1 डिकोड कर सकता है, ciphey लगभग ~7 कर सकता है। यह गति में 700% की वृद्धि है।

पहले लाइब्रेरी

ciphey के 2 मुख्य भाग हैं: लाइब्रेरी और CLI। CLI बस लाइब्रेरी का उपयोग करता है जिसका अर्थ है कि आप ciphey के ऊपर निर्माण कर सकते हैं। हमने कुछ विशेषताएँ बनाई हैं:

• एक Discord Bot
• पूरे प्रोग्राम का बेहतर परीक्षण 💖
• यह CLI

डिकोडर

ciphey वर्तमान में 16 डिकोडर का समर्थन करता है और यह तेज़ी से बढ़ रहा है। Ciphey लगभग ~50 का समर्थन करता है, और हम प्रतिदिन और जोड़ रहे हैं।

टाइमर

Ciphey की बड़ी समस्याओं में से एक यह है कि यह हमेशा के लिए चल सकता है। यदि यह आपके टेक्स्ट को डिकोड नहीं कर पाता, तो आपको कभी पता नहीं चलता!

ciphey के पास एक टाइमर है (लाइब्रेरी और CLI में निर्मित) जिसका अर्थ है कि यह अंततः समाप्त हो जाएगा। CLI डिफ़ॉल्ट रूप से 5 सेकंड है, Discord Bot डिफ़ॉल्ट रूप से 10 सेकंड (नेटवर्क संदेशों के भेजे जाने का ध्यान रखने के लिए)।

बेहतर दस्तावेज़, बेहतर परीक्षण

ciphey में पहले से ही ~120 परीक्षण, दस्तावेज़ीकरण परीक्षण (यह सुनिश्चित करने के लिए कि हमारे दस्तावेज़ अद्यतित रहें) और हम अपने सभी प्रमुख घटकों पर दस्तावेज़ीकरण लागू करते हैं। यह सुंदर है।

LemmeKnow

LemmeKnow PyWhat का Rust संस्करण है। यह 33 गुना तेज़ है जिसका अर्थ है कि अब हम किसी चीज़ को डिकोड और निर्धारित कर सकते हैं कि वह IP पता है या कुछ और, Python की तुलना में 3300% तेज़।

मल्टीथ्रेडिंग

Ciphey मल्टी-थ्रेडिंग का समर्थन नहीं करता था, यह काफी धीमा था। ciphey Rayon का उपयोग करके मूल रूप से इसका समर्थन करता है, जो सबसे तेज़ मल्टीथ्रेडिंग लाइब्रेरी में से एक है।

जबकि हम केवल 16 डिकोडर (और उनके काफी तेज़ होने) के साथ इसके प्रभावों को पूरी तरह से नहीं देखते हैं, जैसे-जैसे हम अधिक डिकोडर (और धीमे) जोड़ेंगे, हम देखेंगे कि इसका समग्र प्रोग्राम की गति पर उतना प्रभाव नहीं पड़ेगा।

बहु-स्तरीय डिकोडिंग

Ciphey Rot13 -> Base64 -> Rot13 जैसे बहु-स्तरीय डिक्रिप्शन का समर्थन नहीं करता था क्योंकि यह बहुत धीमा था। ciphey इसका समर्थन करने के लिए पर्याप्त तेज़ है, हालांकि हम अंततः इसे बंद करने की योजना बना रहे हैं।

प्लेनटेक्स्ट डिटेक्शन के लिए कॉन्फ़िगरेबल संवेदनशीलता

ciphey अब गिबरिश डिटेक्शन के लिए कॉन्फ़िगरेबल संवेदनशीलता स्तरों का समर्थन करता है, जो विभिन्न प्रकार के एन्कोडिंग में अधिक सटीक प्लेनटेक्स्ट पहचान की अनुमति देता है। Caesar जैसे शास्त्रीय सिफर अंग्रेज़ी जैसे परिणामों को बेहतर ढंग से संभालने के लिए कम संवेदनशीलता का उपयोग करते हैं, जबकि अधिकांश अन्य डिकोडर डिफ़ॉल्ट रूप से मध्यम संवेदनशीलता का उपयोग करते हैं।

यह सुविधा प्लेनटेक्स्ट डिटेक्शन में गलत सकारात्मक और नकारात्मक को कम करने में मदद करती है, जिससे ciphey एन्कोडेड टेक्स्ट की एक विस्तृत श्रृंखला में अधिक विश्वसनीय हो जाता है।

BERT के साथ उन्नत प्लेनटेक्स्ट डिटेक्शन

ciphey अब gibberish-or-not क्रेट से BERT-आधारित मॉडल का उपयोग करके उन्नत प्लेनटेक्स्ट डिटेक्शन प्रदान करता है। यह सुविधा:

• प्लेनटेक्स्ट डिटेक्शन सटीकता को लगभग 40% बढ़ाती है
• प्लेनटेक्स्ट की पहचान करते समय गलत सकारात्मक और नकारात्मक को कम करती है
• पहली बार सेटअप के दौरान या बाद में ciphey --enable-enhanced-detection के साथ सक्षम किया जा सकता है
• 500MB AI मॉडल के एक बार डाउनलोड की आवश्यकता होती है (एक मुफ्त Hugging Face खाते की आवश्यकता है)

नई विशेषताएँ

बेहतर खोज एल्गोरिदम

अब हम A* खोज का उपयोग करते हैं। यह बहुत तेज़ है।

A* वर्तमान स्थिति से लक्ष्य तक पहुँचने की लागत का अनुमान लगाने के लिए एक ह्यूरिस्टिक का उपयोग करके काम करता है।

पहले, हम Base64 जैसे बहुत तेज़ डिकोडर के लिए ह्यूरिस्टिक को अनदेखा करते हैं और सुनिश्चित करते हैं कि हम उन्हें प्रत्येक नोड पर पहले चलाएँ।

फिर, हम शेष डिकोडर के लिए cipher_identifier का उपयोग करके ह्यूरिस्टिक की गणना करते हैं जो यह निर्धारित कर सकता है कि किसी दिए गए स्ट्रिंग के एक निश्चित सिफर होने की संभावना क्या है।

हम पिछले परिणामों को एक कैश में संग्रहीत करते हैं ताकि एक ही पथ की पुन: गणना से बचा जा सके।

हम खोज ट्री को प्रून करते हैं ताकि अनावश्यक गणनाओं से बचा जा सके और यदि यह बहुत खराब हो जाए तो मेमोरी उपयोग को कम रखा जा सके।

हम डिकोडर पर आँकड़े भी रखते हैं ताकि बेहतर काम करने वाले डिकोडर को गतिशील रूप से प्राथमिकता दी जा सके (उदाहरण: caesar लोकप्रिय है, लेकिन Beaufort नहीं है, इसलिए Caesar को Beaufort पर गतिशील रूप से प्राथमिकता दी जाएगी)

अंत में, हम लोकप्रिय जोड़ियों पर नज़र रखते हैं। तो base64 -> base64 बहुत लोकप्रिय है, इसलिए हम उस पथ को प्राथमिकता देते हैं (अन्य के अलावा)।

कस्टम थीम

अब आप ciphey के लिए एक कस्टम थीम सेट कर सकते हैं। यह उपयोगी है यदि आप ciphey को अलग दिखाना चाहते हैं। यह पहुंच में भी मदद करता है।

Vigenere

अब हम शायद Vigenere के लिए सबसे अच्छा एल्गोरिदम उपयोग करते हैं।

यह तेज़, सटीक है और गैर-अक्षर वर्णों को किसी भी अन्य एल्गोरिदम से बेहतर ढंग से संभालता है।

बेहतर अंग्रेज़ी जाँच

हम प्लेनटेक्स्ट की संभावना की गणना करने के लिए एक qudgaram / trigram / english dict checker का उपयोग करते हैं।

हम सिफर के आधार पर थ्रेशोल्ड बदलते हैं। उदाहरण यह है कि Caesar ऐसा टेक्स्ट लौटाता है जो अंग्रेज़ी "दिखता" है, जबकि base64 नहीं।

इसके अलावा, हमारे पास API कुंजी, MAC पते आदि के लोकप्रिय regex (लगभग 500) का एक डेटाबेस है।

हमारे पास एक is_password फ़ंक्शन भी है ताकि यह निर्धारित किया जा सके कि कोई स्ट्रिंग डेटा डंप में देखा गया सटीक पासवर्ड है या नहीं।

और सिफर

• Braille
• Atbash
• Vigenere

डेटाबेस

अब हम आँकड़ों को एक डेटाबेस में संग्रहीत करते हैं। यह देखने के लिए उपयोगी है कि समय के साथ ciphey कैसा प्रदर्शन कर रहा है।

AI उपयोग

हम AI का उपयोग 2 चीजों के लिए करते हैं:

1. TUI पूरी तरह से vibe coded है।
2. मैंने AI को हर एक CTF चैलेंज पर घंटों शोध करने के लिए कहा। इसने 15,071 CTF की एक सूची बनाई। फिर इसने हर एक CTF के माध्यम से जाकर writeups की खोज की। उन writeups में इसने एन्कोडिंग / डिकोडिंग से संबंधित कुछ भी खोजा। फिर इसने उनसे परीक्षण बनाए। इसने हमें अपने परीक्षण कवरेज को बढ़ाने और यह सुनिश्चित करने में सक्षम बनाया कि सभी CTF एन्कोडिंग / डिकोडिंग चुनौतियाँ इस टूल से हल करने योग्य हैं।