Skip to content

Office 格式简析 ​

目前常见的 Microsoft Office 格式主要分为 97 ~ 2003 和 2007 ~ 两种格式。Microsoft Office 97 ~ 2003 的文件格式都是由 MS-CFB 结构来表示的 OLE 文件。Microsoft Office 2007 ~ 则是由 OOXML 格式的文件结构压缩而成的 zip 包来存储。

而 OOXML 又是以 XML 文件为基础的,所以,概括的说,Office文档主要基于 ole、xml、ooxml 这三种文件格式构建起来的。

常见的文件扩展名以及用途如下:

ExtensionsUsageRemark
doc、xls、ppt属于 97-2003 版 Office
docx、xlsx、pptx属于 2007 ~ 版 Office 文档,但没有启用宏
docm、xlsm、pptm属于启用了宏的 2007 ~ 版 Office 文档,可以存储 Visual Basic Applications(VBA)宏代码
ppsx是 2007 的 PPT 的一种格式,打开就是幻灯片播放模式

按照我们常规的认知,一个文档应当包含以下几个部分:

  1. 文档内容
    • 可能涉及对 embedded objects 或 external objects 的引用
    • 文档的展示相关:字体、页面大小、打印方式等等
  2. 文档工具
    • 为了更好、更方便的操作文档内容进行编辑、展示、提示以及其他功能,而提供的一些跟文档相关的组件,如 vba、formula、animation 等等
  3. 文档属性
    • 如,创作时间、作者、最后修改时间等等
  4. 保护措施
    • 签名
    • 读(打开)、写 保护

一、Malware ​

由于 ms-office 文件的广泛使用,恶意软件作者对其进行了充分的挖掘、利用,催生出了一系列针对这些文档的病毒,期中常常被用于恶意目的的组件或者方式有:宏病毒、漏洞利用、嵌入文件

1.1 漏洞 ​

漏洞利用是指软件自身缺陷被攻击者利用来执行高危动作,如利用 ole 的特点调用第三方组件并执行;栈溢出造成的任意代码执行漏洞(CVE-2017-11882) 等等,常见的漏洞有:

1.2 宏病毒 ​

宏(Macro)是 ms-office 提供的一种利用一系列独立的 office 命令来实现任务执行的自动化,以简化日常工作的工具。当前的 ms-office 是使用 Visual Basic for Applications(VBA)编写的,它是 Microsoft 的 Visual Basic 编程语言专门为 Office 服务的一种变体。VBA 可在大多数 Office 程序中使用,例如 Access,Excel,Outlook,PowerPoint,Project,Publisher,Visio 和 Word 等等。

宏病毒主要是利用 宏 来进行感染和传播。它利用宏语言的功能寄存在文档或模板中,一旦带有宏病毒的文档被打开,宏就可能会执行,而宏病毒就会被激活。

它的主要感染路径大致如下:单个Office文档 => Office文档模板 => 多个Office文档。

常见的宏主要存在于以下两种形式(vba && xlm):

此外,还有一种攻击方式被称为「模板注入」,实际上还是上述两种 macros 的利用,不过内容可能会随时发生变化

  • office2007_template_inject

此外,宏病毒常常用以下方式保护、隐藏自己:

  1. 禁止提示信息
On Error Resume Next                     '如果发生错误,不弹出出错窗口,继续执行下面语句
Application.DisplayAlerts = wdAlertsNone '不弹出警告窗口
Application.DisplayStatusBar = False     '不显示状态栏,以免显示宏的运行状态
Options.VirusProtection = False          '关闭病毒保护功能,运行前如果包含宏,不提示
  1. 屏蔽命令菜单,不许查看宏
' Disable或者删除特定菜单项,用来使“工具—宏”菜单失效的语句:
CommandBars(“Tools”).Controls(16).Enabled = False
  1. 隐藏宏的真实代码
  • 在“自动宏”中,不包括任何感染或破坏的代码,但包含了创建、执行和删除新宏(实际进行感染和破坏的宏)的代码;将宏代码字体颜色设置成与背景一样的白色等
  • “自动宏” 是指利用 AutoExec、AutoNew、AutoOpen、AutoClose、AutoExit 自动触发执行的宏
  1. 文档密码保护
  • 打开文档时需要密码 或者 查看vba脚本时需要密码

另外,病毒作者常用密码逃逸手段以增加检测难度,事实上也很有效。这种方法的全称是:VelvetSweatshop Default Password Ploy。

  • 对象:Excel 4.0 xls 97 ~ files with a compromised macro
  • 表现:XLS files appear password protected but aren’t, opening automatically to install malware from compromised macros.
  • 原因:Excel 会首先尝试使用默认密码 'VelvetSweatshop' 以 read-only 模式打开文件,如果失败时,再向用户要求输入密码。(This read-only technique has been known about for over 10 years.)
  • Reference

1.3 Embedded ​

利用复合文档可以内嵌其它文档的特性,可以嵌套如:

  • images、video、audio
  • other streams, eg. rtf、pdf、docx ... (rtf、docx等复合文档又可以继续嵌套... MY GOD ~)

二、MS-CFB ​

经常被称为 OLE(Object Linking and Embedded),实际上 OLE (是一种面向对象的技术)包含的内容更多,是 COM 技术的基础,而 CFB 只是 OLE 中关于文件格式的一种描述。

复合文档的物理结构比较简单:

  • cfb_sectors

注意:Compound File Header (512 bytes)也会独占一个 sector, 没有用到的地方填充 0.

这里是逻辑结构:

  • cfb_summary

文档中的内容都以 stream 来保持具体内容,storage 来组织 stream 的结构。而这些内容在文件中的位置、查找方式、解读方式,就由 Directory Entry Array 来表达。

复合文档的结构非常类似 FAT 文件系统,storage 相当于 directory,stream 相当于 file。为了文件的快速定位,我们需要相应的分区索引表(DiFat 和 Fat)。在 复合文档中,为了节省空间,会将 sector 划分成等长的 short-sector 用于小对象(short-stream)的存储,而它的索引需要 Mini-Fat。

由于 CFB 文件由 sectors 组成,这里统一称呼为:

  • msat (master sector allocation table),又名 DiFat
  • sat (sector allocation table),又名 Fat
  • ssat (short-sector allocation table)
  • stream
  • short_stream

他们的功能如下:

  • msat 表包含了用于构造 sat 表的 sectors 的 sid
  • sat 表包含了很多 sid 链(有特定的 sid 标识链条结束)
    • 每个 sid 链上的 sectors 联合构成了一个完整的 object (如,stream、storage、directory entry array、ssat ...)的物理存储。
  • ssat 表包含了很多 ssid 链(有特定的 ssid 标识链条结束)
    • 每个 ssid 链上的 short-sectors 联合构成了一个完整的 short-stream

到这里,我们大概可以想到为了解析 CFB 结构,需要知道以下几个内容:

  1. Directory Entry 的结构 和 存放位置
  2. msat 表在文件中的位置
  3. stream 和 short-stream 的切割点:什么情况下用 stream 什么时候用 short-stream
  4. short-sector 存储于哪些 sector 中
  5. ssid 存储于哪些 sector 中

这些内容就存放在 Compound File Header 和 Directory Entry Root 中。

OLE ​

OLE, Object Linking and Embedded。

微软在 1991 年制定的 OLE1.0 规范,主要解决多个应用程序之间的通信和消息传递问题,微软希望第三方开发商能够遵守这个规范,以使在当时的Windows平台上的应用程序能够相互协调工作,更大的提高工作效率。然而事与愿违,只有很少的软件开发商支持它。为此,微软于1993 年发布了新的规范 OLE2.0,它在原有的基础上完善并增强了以下各方面的性能:

  1. OLE自动化:一个程序有计划地控制另一个程序的能力。
  2. OLE控件:小型的组件程序,可嵌入到另外的程序,提供自己的专有功能。
  3. OLE文档:完善了早期的混合文档功能,不仅支持简单链接和嵌入,还支持在位激活、拖放等功能。

强大的功能使得很多的开发商开始支持新的 OLE 技术,因为微软在 OLE2.0 中建立了 COM(Component Object Model即组件对象模式)规范。

OLE 相关的基础概念有:

  • 容器:
    • 容器是一个客户程序,它具有申请并使用其它COM组件通过接口为其它程序实现的功能;
  • 服务器:
    • 服务器通过特定的接口将自己完成的一些功能,提供给使用自己的应用程序(例如画笔程序是一个文档服务器,它提供创建并编辑BMP 图像的功能)。当打开Word,选择【插入】菜单下的【对象...】项,您可以看到在您的系统中存在哪些文档服务器,此时的Word以文档容器的身份出现。
  • 在位激活:
    • 当您双击插入的对象后发现Word的菜单有些改变成文档服务器程序的菜单,可以在当前的环境下编辑对象,这称为在位激活。

简单的说,OLE 是一种可以用来创建复杂文档的技术,这些复杂文档可以包含来自不同渠道(数据源)的信息,并保留其原始属性。例如,一个支持 OLE 的文档(例如word)能够支持嵌入的表格对象,并且嵌入的文档会保留所有原来的属性。如果用户打算编辑嵌入的数据,windows 操作系统会激活原来的应用程序(如excel)并载入这个嵌入的文档。

OLE 格式 ​

OLE 文件的 Property Sets 通过以下两个 stream 存储:

  • "\005SummaryInformation"
  • "\005DocumentSummaryInformation"

这两个 stream 都以 PropertySetStream 结构(见 [MS-OSHARED] 的 section3.2.1 )开头。

OLE文件中包含的常见内容主要有:

1. linked or embedded object ​

包含嵌入、链接对象的容器文档的逻辑布局如下图:

  • OLEStream
    • OLE2.0 中,由复合文档的以 "\1Ole" 为名的 stream object 包含。OLEStream structure 表述了存储对象是用于 linked object 还是 embedded object。当此结构是为 linked object 指定 storage object 时,它还指定了对此链接对象的引用。
  • CompObjStream
    • OLE2.0 中,名为 "\1CompObj" 的流,主要用于描述 Clipboard Format、用于显示的linked object 或 embedded object 的名字。
  • Embedded Object Native Data
    • OLE1.0 中,其由 EmbeddedObject structure 的 NativeData field 指定。
    • OLE2.0 中,Native Data 的指定方式有以下两种,可以互换使用:
      • 由复合文档的以 "\1Ole10Native" 为名的 stream object 包含。如 OLENativeStream structure 的 NativeData field 所指定。
      • 由 creating application 创建的 stream objects 可以包含 native data。此类流对象是 creating application 的私有对象,未在文档中说明。
        • creating application: An application whose data is stored in or referenced by documents from other applications.
  • Embedded Object Presentation Data
    • 用于指定如何在 container application 中显示 linked or embedded object 对象
    • OLE1.0 中,其由 EmbeddedObject structure 的 Presentation field 指定
    • OLE2.0 中,由复合文档的以 "\2OlePres" 为前缀(后跟着3个十进制数字,并且最多只能有999个Presentations)的 stream objects 指定。每一个 stream 都包含一个 OLEPresentationStream structure。

2. 宏 ​

常见的 宏 有两种:vba 和 ms-excel4.0, 它们出现的主要位置有:

  • vba project
    • office97 ~ 2003: vba project storage
    • office2007 ~ : vbaProject.bin
  • microsoft office excel 4.0
    • office97 ~ 2003: book\workbook stream
      • 注:主要通过 BIFF 格式保存了 formula、drawing group 等内容
    • office2007 ~ : macrosheets
  • macro template
    • office2007 ~ : /[xx]/_rels/settings.xml.rels 中引用外部(远程)模板文件
  • VbaProjectStg
    • binary powerpoint document 中用于指定一个用于 VBA project 的结构化存储

3. officeart ​

  • office97 ~ 2003:
    • worddocument、book\workbook、'powerpoint document' stream
      • Office Drawing Binary File Format (MS-ODRAW),This file format is also known as OfficeArt.
  • office2007 ~ :
    • TODO

4. encryption and obfuscation ​

详见 Office 格式简析 - Crypto

这里需要注意的是 vba project 的保护(待确认):

  • vba project
    • 可以对其中的 stream 设置独立的密码 (未确认)
      • VBA uses a reversible encryption algorithm for selected data.
    • PROJECT Stream: ProjectProtectionState
      • ProjectProtectionState: "CMG="0705D8E3D8EDDBF1DBF1DBF1DBF1"" specifies no sources are restricted access to the VBA project. The value is obfuscated by Data Encryption (section 2.4.3).
      • ProjectPassword (section 2.3.1.16): "DPB="0E0CD1ECDFF4E7F5E7F5E7"" specifies the VBA project has no password. The value is obfuscated by Data Encryption (section 2.4.3).
      • ProjectVisibilityState (section 2.3.1.17): "GC="1517CAF1D6F9D7F9D706"" specifies the VBA project is visible. The value is obfuscated by Data Encryption (section 2.4.3).
      • LibName: "VBE" specifies a built in name for the VBA Automation type library.

VBA Project 格式 ​

VBA project 是由一系列 records 组成的结构。其中每个 record 都定义了 project 的三要素之一的部分内容。每个 record 都是以结构开头:ID(2 bytes) + Size(4 bytes) + ...

project 的三要素有:project information, project references, and project items.

1. project information ​

ole 中 VBA 存储(storage)结构如下:

VBA

其中 Project Root Storage 是一个独立的 storage。例如,OLE 文件中的 Macros storage。

  • VBA Storage
    • sub-structure
      • _VBA_PROJECT Stream
        • MUST
        • 包含了 VBA project 的基础信息,如,版本号(用于加载此结构的剩余内容) 等
      • dir Stream
        • MUST
        • 指明 VBA project properties, project references, 和 module properties
        • The entire stream MUST be compressed as specified in Compression
      • "Module Stream"
        • VBA project 中的每个 module 必须拥有一个 Module Stream
        • VBA project 中 modules 的源码。此 stream 的名字由 MODULESTREAMNAME 指定。
      • SRP Streams
        • Optional
        • 指定 特定实现和版本相关 的性能缓存的流。必须是读取时忽略。写入时不得出现。
  • PROJECT Stream
    • MUST
    • VBA Project Properties, 如 工程的目录结构、脚本类型、module的可编辑窗口的信息等等, 以及一些 VBA project 的附加信息,如:ProjectPassword、ProjectVisibilityState 等 sample_vba_project 注:[[MS-OVBA] - v20200219 的 2.3.1.3 ProjectModule] 有脚本类型的相关说明
  • PROJECTwm Stream
    • Optional
    • 包含了用于 module name 在 multibyte character set (MBCS) 和 UTF-16 之间互相映射的信息
  • PROJECTlk Stream
    • Optional
    • 包含了 VBA project 中的 ActiveX controls 的 license 信息
  • Designer Storages
    • Optional
    • 每个 vba project 中的 designer module 都必定有一个与之对应的 designer storage ,此 storage 的名字由 dir stream 中相关 module 中的 MODULESTREAMNAME record 指定。
    • 每个 designer storage 必定有一个 VBFrame Stream
      • VBFrame Stream,用于描述 designer module 的属性信息,此 stream 的名字必须是以 UTF-16 character 0x0003 开头紧接着是 UTF-16 的 "VBFrame"。
    • 如果此 designer 是一个 Office Form ActiveX control, 那么此 storage 必定包含 [MS-OFORMS] section 2中描述的必须 storages 和 streams。

2. project references ​

dir Stream 中的 records 包含了 VBA project 对外部资源引用的信息。主要有三类:REFERENCECONTROL、REFERENCEREGISTERED、REFERENCEPROJECT。

3. project items ​

VBA project 包含一系列用于嵌入 macros 的 project items。而 project item 是由多个 records 组合定义。主要有以下 5 种 project item(详见 MS-OVBA 文档): project package, document modules, procedural modules, class modules 和 designer modules。

4. pcode ​

它并不广为人知,一般来说 VBA 编写的宏以三种不同的可执行形式存在,每种形式都可以是在运行时实际执行的内容,具体取决于具体情况. 它们是:

  • source code
    • 这是最为我们熟知的形式。但大多数情况下,office 会完全忽略源代码。
    • 事实上,删除源代码是可能的,但宏仍然可以毫无问题地执行(从 pcode)
      • 这种威胁利用技术被称为 VBA Stomping
  • p-code
    • 当每行 vba 脚本被输入到 vba 编辑器中时,它会立即被编译成 pcode 并存储到模块流中。 pcode 正是大部分时间被执行的代码。
    • 事实上,即使在 vba 编辑器中打开宏模块的源码,显示的也不是解压后的源码,而是反编译成源码的 pcode。
    • 只有在使用与创建文档时使用的 vba 版本不同的 office 版本下打开文档时,才会将存储的压缩源代码重新编译为 pcode,然后执行该 pcode
    • 这使得可以在支持 vba 的任何版本的 office 上打开包含 vba 的文档,并使内部的宏保持可执行,尽管不同版本的 vba 使用不同(不兼容)的 pcode 指令。
  • dxecodes
    • 当 pcode 至少被执行过一次后,它会以进一步标记化形式存储在文档的其他地方(在流中,其名称以 _SRP 开头,后跟一个数字)。从那里它可以执行得更快。
    • 但是 execode 的格式极其复杂,并且特定于创建它们的特定 Office 版本(不是 VBA 版本)。这使得它们的通用性很差。
    • 此外,它们的存在不是必需的 --- 它们可以被删除并且宏将运行得很好(从 pcode)

综上,我们可以知道:

  • source 的通用性最好,但只有在 pcode 不能使用时,才会被使用
  • execodes 的通用性最差,但执行得最快
  • p-code 则是执行速度和通用性的折中,也是用的比较广泛的形式

因此,我们有必要解析 pcode,具体可以参考:github.com/bontchev/pcodedmp

Microsoft Office Excel 4.0 ​

Microsoft Office Excel 4.0, 主要存在于 MS-XLS 的 book\workbook stream 中。此 stream 以 BIFF8(Binary Interchange File Format) 格式组织各个细节。

Stream 由以下几部分组成:

  • Globals Substream
    • 描述 workbook 中的全局属性和数据
      • 注意 Lbl、ShrFmla 数据
  • Chart Sheet Substream
  • Dialog Sheet Substream
  • Macro Sheet Substream
  • Worksheet Substream

使用 Excel 4 Macros 的一些细节:

  • 使用 relative named range 时,函数主体和结果之间的单元格距离必须都相同,否则可能会计算出错误的结果。
  • Office 2007 ~ 中,任何带有 Excel 4 Macro 的文件都必须另存为启用宏的工作簿 (.xlsm),尝试另存为标准 Excel 文件将触发以下错误消息: must_save_excel4_as_xlsm
  • 任何包含数组的函数,例如 GET.WORKSPACE(37) 或 NAMES() 都应该包含在 INDEX 函数中: 如,=INDEX(GET.WORKSPACE(37),!A1),在这个例子中,A1 包含应该检索的数组中的数字,例如如果 A1 包含值 2,它将返回 GET.WORKSPACE(37) 数组中的第二项。
  • 使用 Macro Worksheet 时,工作表设置为显示公式,而不是公式的结果。可以使用 Ctrl + | 在公式视图和结果视图之间切换。

PtgExp、ShrFmla、Array ​

PtgExp 一般会出现在 formula 的第一个 rgce 元素。此时,它表示当前单元格是 array formula 或 shared formula 的一部分。

PtgExp.row 和 PtgExp.col 指定了一个在当前 sheet 中的 cell

  • 这个 cell 也是 array formula 或 shared formula 的一部分
    • 也就是说必定有一个 formula record 的 row == PtgExp.row && col == PtgExp.col
      • 紧跟着这个 formula record 的必定是一个 ShrFmla record 或者 Array record
      • 也就是说这个 PtgExp 指向了使用此 array formula 或 shared formula 的区域中的 the first cell
        • 隐含:拥有 PtgExp 的 formula record 满足:record.row == PtgExp.row && record.col == PtgExp.col 时,它后边一定跟着 ShrFmla record 或 Array record
    • 这个 formula record 定义了区域中使用 array formula 或 shared formula 的 the first cell

ShrFmla(shared formula record)

  • 此 record 前必定有一个 formula record,这个 formula record 指定了使用此 shared formula 的区域中的 the first cell
  • 其它使用了此 shared formula 的 formula records 后续会出现,但不一定是连续的
  • 使用了此 shared formula 的 formula records 会有 Formula.fShrFmla bit 被置位,同时 Formula.cell 必定位于 ShrFmla.ref 指定的区域内

Array(array formula record)

  • 此 record 前必定有一个 Formula record,这个 formula record 指定了使用此 array formula 的区域中的 the first cell
  • 其它使用了此 array formula 的 formula records 后续会出现,但不一定是连续的
  • 使用了此 array formula 的 formula records 必定有 Formula.cell 位于 Array.ref 指定的区域内,同时这些使用 array formula 的 formula 的 rgce 必定以 PtgExp 开头。

解析过程中遇到的问题 ​

  • RgceLoc 可以按照 RgceLocRel 来解析,以简化解析流程。
  • 解析 formula 的过程中,会遇到 "is part of a revision or not" 的分支流程,这里涉及以下三个概念:
    • UserBView Record:
      • fPersonalView : MUST be 0 if this is not a shared workbook.
    • Revision Stream
      • An instance of the Revision Stream specifies the revision logs (section 2.2.11.2) and revision records (section 2.2.11.3) for a shared workbook (section 2.2.11).
      • The name of this stream MUST be "Revision Log". A file MUST contain at most one Revision Stream. The Revision Stream MUST exist if the workbook is a shared workbook.
    • Revision Records
      • a series of records. 详情可以参考 [MS-XLS] 文档。
  • external references:
    • Supporting Link 包含了 Self-Referencing、Same-Sheet Referencing、External Workbook Referencing 等等类型。
  • name manager:
    • LblRecord : (关联 name 和 sheet)
      • 内置名字的索引,可能由 1 或 2 字节表示
      • NameParsedFormula 可能出现 ptgRef3d 的 ixti == 0xFFFF,此时,此时的结构未被文档记录:
        • we can reproduce it: make a macro sheet in ooxml and export it to xls.
          		uint8_t ptg = uint8_t(data[cce_offset] & 0x7f);
          		if (ptg == ptgRef3d || ptg == ptgRef3dA || ptg == ptgRef3dV) {
          			uint16_t ixti = *(uint16_t*)(data + cce_offset + 1);
          			if (ixti > 0xFF00 && record->cce >= 15 + 3) {
          				assert(record->itab == 0 || record->itab == 1);
              uint16_t iscope_1base = (record->itab == 1) ? record->reserved1 : record->itab;
          				uint16_t isheet_0base_a = *(uint16_t*)(data + cce_offset + 11);
          				uint16_t isheet_0base_b = *(uint16_t*)(data + cce_offset + 13);
          				assert(isheet_0base_a == isheet_0base_b);
          				auto row = *(uint16_t*)(data + cce_offset + 15);
          				auto col = (uint16_t)*(uint8_t*)(data + cce_offset + 17);
          			}
          		}
          	}
  • Rgce 的 ACTUAL_PTG_SIZE 跟实际情况不符合

DOC ​

一个 doc 文档应当由以下几个部分组成:

  1. WordDocument stream
    • 有一个 FIB structure 在流的起始位置
  2. Table stream
    • 1Table 或者 0Table 流必定存在。当二者同时存在时,base.fWhichTblStm 指定的为有效流,忽略其他即可。
    • 如果文档被加密的话,会有一个 EncryptionHeader 结构在流的起始位置。反之,如果文档没有加密,则此流没有预定义的结构。
    • 存储了文档的文本信息
  3. Data stream
    • 没有预定义的结构,也不是必定存在。它包含的是 FIB 或 文件的其它部分的引用数据,也就是说如果没有引用数据的话,这个流没有存在的必要
  4. ObjectPool storage
    • Object Pool storage 包含一些用于持久化 embedded OLE objects 的 storages。如果文档没有 embedded OLE objects 时,是不会出现此 storage 的。
    • 每一个位于 ObjectPool storage 中的 storage 都有一个 ObjInfo Stream (名为 "\003ObjInfo"),这个流里存放着用于描述 embedded OLE object 信息的 ODT structure。
      • embedded OLE object 相关的其他流的描述可以参考 [Embedded Object Native Data] 相关内容
    • 每个 sub-storage 都存储了一个用户嵌入(embedded)的文件。并且,每个 sub-storage 都是以: 下划线"_" + 10个digits 组成,如 _1557814583
      • 关联引用的关键词:sprmCFOle2、sprmCPicLocation
  5. Summary Information
    • Summary Information stream
    • Document Summary Information stream
    • Encrypt stream
      • 名为 encryption 的流,只有当以下两个条件同时满足才会出现:文档被 RC4 CryptoAPI 加密, 并且,EncryptionHeader.Flags 的 fDocProps 标记被置位
  6. Macros stream
    • vba project
  7. Signature
  8. Protected Content
  • 由 IRMDS 描述的方式进行保护的内容, 在 MS-OFFCRYPTO 有描述。

PPT ​

按照 [MS-PPT] - v20210817 :pageno 28 中 Part 1 ~ 11 的描述,即可解出完整的 ppt 文档内容。

注意:the UserEditAtom record closest to the end of the PointPower Document stream

其中,所有用于 presentation 的文本都存储在 "PowerPoint Document" stream 中;所有用于 presentation 的 images 都存储在Pictures stream 中;不过,Embedded files 没有存储在独立的 storages,而是被融合到 "PowerPoint Document" stream 中,此外,这些 embedded files 在存储时,有些会被压缩有些却不会。

External Objects ​

Slides 可以包含连接到外部的 objects。播放 ppt 的人可以在幻灯片放映期间激活链接对象以访问外部资源。External Objects 的例子有 embedded and linked audio, linked video, embedded and linked OLE objects, 以及 hyperlinks。

也就是说 Embedded or Linked Object 在 ppt 中的存在形式就是 External Objects。

有关有 External Objects 的记录,请参阅 [MS-PPT] External Object Types (section 2.10) 相关内容。简单的说,为了解析出 External Objects,我们需要关注:

  • ExternalOleObjectStg 0x1011 , 用于对象存储(如果有n个则会有n个此类型的 record)
  • DocumentContainer 0x03E8 , 用于描述文档对象
    • DocInfoListContainer 0x07D0
      • VBAInfoContainer 0x03FF
        • VBAInfoAtom 0x0400
    • ExObjListContainer 0x0409
      • storage for compressed/uncompressed OLE/VBA/ActiveX control data, 如 VbaProjectStg
    • SoundCollectionContainer
    • DrawingGroupContainer

也就是说要首先找到 DocumentContainer:

1. 构造 PersistDirectory
  Current User Stream
    CurrentUserAtom Record
      offsetToCurrentEdit field
  |-->PowerPoint Document Stream
  |		UserEditAtom
  |			offsetPersistDirectory field
  |		PersistDirectoryAtom
  UserEditAtom.offsetLastEdit (Repeat until offsetLastEdit is 0x000000)

2. 定位 DocumentContainer
  UserEditAtom.docPersistIdRef
    DocumentContainer Record

关于鉴别 embedded OLE object 对象的具体步骤可以参考 [MS-PPT] 2.1.2 PowerPoint Document Stream part 9 相关内容

关于鉴别 linked OLE object 对象的具体步骤可以参考 [MS-PPT] 2.1.2 PowerPoint Document Stream part 10 相关内容

XLS ​

一个 xls 文件最多只能一个 Component Object Stream。 一个 xls 文件最多只能一个 OLE Stream。 一个 xls 文件最多只能一个 Control Stream。

WorkBook stream 中存储了 excel 中所有的 text 和 formulas。

Embedded or Linked Object ​

在 Excel 的 workbook 中嵌入一个文件的话,这些文件会被存储在名为 "MBD + 随机的8个十六进制数字" 的 Embedding Storages 中。

每个 Embedding Storage 都表示了一个基于 storage-based 持久化的 embedded OLE object 或 ActiveX control 对象。同时,持久化在 Embedding Storage 的对象必定有一个相关联的 Obj record 在 worksheet substream、macro sheet substream 或 dialog sheet substream 中,并且 cmo.ot == 8,pictFlags.fPrstm == pictFlags.fDde == 0。

不过不同类型的文件在 Embedding Storage 中的形式有些不一样,如:

  1. 如果 embedded file 是另外一个 binary Office document, 那么这个 embedded file 中的 storages 和 streams 会被当成对应的节点原样存储在 MDB storage 中
  2. 如果 embedded file 是一个 Open XML document, 那么这个 embedded file 会被完整存储在名为 "Package" 的 stream 中

一个 Link Storage 指定一个 linked OLE object 和任意其他的默认数据或表示为其建立的缓存。它的名字必定是由:"LNK" + 8个十六进制数字 标识。持久化在 Link Storage 的对象必定有一个相关联的 Obj record (Obj.pictFmla.lPosInCtlStm)在 worksheet substream、macro sheet substream 或 dialog sheet substream 中,并且 cmo.ot == 8,pictFlags.fPrstm == pictFlags.fDde == 0。

OOXML ​

OOXML(Office Open XML File Formats), 简单来说,OOXML 是一个基于 XML 的文档格式标准,最早是微软 Office2007 的产品开发技术规范,先是成为 Ecma(ECMA-376) 的标准,最后改进推广成为了 ISO 和 IEC (as ISO/IEC 29500) 的国际文档格式标准。也就是说,通过 OOXML 标准,我们能够在不依赖 Office 产品的情况下,在任何平台读写Office Word,PPT 和 Excel 文件。

OOXML 的主要目录结构如下所示:

OOXML
├── [Content_Types].xml // 描述文档各个部分的ContentType,协助解析文档
│           
├─ docProps        // ms-office 需要此内容以打开文件,而 wps 不需要
│   ├── app.xml    //程序级别的文档属性,如:页数、文本行数、程序版本等
│   └── core.xml   //用户填写的文档属性,如:标题、主题、作者等
│
├─ _rels
│   └── .rels      //描述各个部分之间的关系
│
└─ word / xl / ppt
    ├── document.xml     //word
    ├── fontTable.xml    //word,页脚
    │
    ├── workbook.xml     // xl
    ├── worksheets       // xl
    │    └── sheet1.xml
    ├── macrosheets      // xl, microsoft excel 4.0 macros
    │      ├── _rels
    │      │   └── sheet1.xml.rels
    │      └── sheet1.xml
    |
    |── presentation.xml // ppt
    |
    |── embeddings       //all, optional, 存放 embedded files
    |     ├── a
    |     └── b
    │
    |── vbaData.xml      //all, vba属性,是否auoopen,是否加密
    |── vbaProject.bin   //all, 记录 vba project 信息, ole 格式
    |
    ├─ theme             //all, 记录样式,颜色编号,字体大小等等
    │    └── theme1.xml
    │
    ├─ _rels             //all, relationships
    |    ├── settings.xml.rels   // 指定 模板 引用
    │    ├── document.xml.rels   // 使用 ID 和 URL 来定义文档各零件
    |    ├── workbook.xml.rels   // 使用 ID 和 URL 来定义文档各零件
    │    └── vbaProject.bin.rels // vba
    │ 
    ├── printerSettings //all, Reference to Printer Settings Data
    │....└── printerSettings1.bin
    │
    └─ styles.xml       //all

1. Name Representation ​

无论是 definedNames 中定义的,还是表格显示的名字,这些需要展示的名字都应当在 docProps\app.xml 中作为 Application-Defined File Properties 部分被定义,如下:

<TitlesOfParts>
 <vt:vector size="[0-9]+" baseType="lpstr">
  <vt:lpstr>Sheet1</vt:lpstr>
  <vt:lpstr>Sheet2</vt:lpstr>
  <vt:lpstr>Sheet3</vt:lpstr>
  <vt:lpstr>value1</vt:lpstr>
  <vt:lpstr>value2</vt:lpstr>
 </vt:vector>
</TitlesOfParts>

2. Cell References & Name ​

excel中可以给 函数、cell、sheet、甚至任意一段文本或图形等定义名字(也被称为 bookmark),并通过名字来引用对应的内容,引用方式参考

  • [ECMA-376-Fifth-Edition-Part-1] --- 18.17.2.3 Cell References
  • [ECMA-376-Fifth-Edition-Part-1] --- 18.17.2.5 Names

name 的组成形式:

name = [ workbook-name, "!" ], [letter | "_" | "\"], [ letter | decimal-digit | "_" | "." ] ;

其中 name 不能包含以下几种格形式:

  • TRUE or FALSE
  • user-defined-function-name
  • cell-reference

function-name 的组成形式:

function-name= prefixed-function-name | predefined-function-name | user-defined-function-name ;

predefined-function-name= "ABS" | "ACOS" | "ACOSH" | ( any of the other functions defined in §18.17.7) ;
prefixed-function-name= "ISO.", predefined-function-name | "ECMA.", predefined-function-name ; 
user-defined-function-name= letter, [ letter | decimal-digit | "." ] ;

其中 function-name 不能包含以下几种格形式:

  • TRUE or FALSE
  • name
  • cell-reference

Cell Reference 的形式有两种:R1C1-Style 和 A1-Style

operator 有以下几种格式:

":" | comma | space | "^" | "*" | "/" | "+" | "-" | "&" | "=" | "<>" | "<" | "<=" | ">" | ">=" | "%" ;

3. Formulas and expressions ​

  • [ECMA-376-Fifth-Edition-Part-1] --- 17.16.3 Formulas and expressions

A field instruction can involve a calculation via a formula, which is simply an expression that is an arbitrary complex arithmetic expression,如:

<sheetData>
		<row r="2" spans="4:4" x14ac:dyDescent="0.25">
			<c r="D2" s="1" t="b">
				<f>FORMULA()=FORMULA()=FORMULA('Buk1'!E11,'Buk2'!B12)=FORMULA('Buk2'!H5,'Buk3'!H3)=FORMULA('Buk3'!C9,'Buk4'!C2)=FORMULA('Buk4'!I8,'Buk5'!F2)=FORMULA('Buk5'!B12,'Buk6'!B10)=FORMULA('Buk6'!G3,'Buk7'!I2)=FORMULA('Buk7'!D13,'Buk1'!A3)=FORMULA('Buk3'!H3&amp;'Ss1'!O6&amp;'Ss1'!D16&amp;'Ss1'!K13&amp;'Ss1'!R12&amp;'Ss1'!R14,D3)=FORMULA('Buk3'!H3&amp;'Buk7'!I2&amp;'Buk4'!C2&amp;'Buk5'!F2&amp;'Buk5'!F2&amp;Ss1br2!B3&amp;'Buk1'!A3&amp;Ss1br2!D5&amp;'Buk6'!B10&amp;Ss1br2!G3&amp;'Buk7'!I2&amp;'Buk7'!I2&amp;Ss1br2!B9,D17)</f>
				<v>1</v>
			</c>
		</row>
	</sheetData>

MS-Office 的其他形式 ​

使用 MS-Office 软件可以将 office 文件通过"另存为"保存为 xml、mhtml、html 等格式的文本文件,并且,可以再次通过 MS-Office 软件打开、编辑。

另外,这些转换而成的文本类型的文档,被加密后,是一个 ole 文件。

被转换而成的 xml 文件,在结构上保持了跟 binary 形式的 office 文件一致,并且一一对应。如,contentType 为 "application/vnd.ms-office.vbaProject" 的 binaryData 数据, 就是二进制形式的 vbaProject 内容 base64 后的结果。

这里要注意的是,在解析 binData 类型的数据时,可能会遇到 mso(ActiveMine) 文件。这是一种文件名为 *.mso 同时 MIME Types 为 application/x-mso 的结构未公开的文件格式(参考 activemime-format )。

MSO文件是将Microsoft Office文档保存为网页时创建的宏引用文件。它包含有关原始文件中包含的宏和OLE(对象链接和嵌入)对象的信息,并且可以被创建的网页作为样式表引用。MSO文件可以用文本编辑器查看,但由于内容是编码的,因此无法读取。大多数用户只会将MSO文件作为电子邮件的附件。

RTF ​

富文本格式(Rtf,rich text tormat)是微软的文本和图像信息交换指定的格式。Rtf文件可以划分为文件头和文档区两个部分组成。文件头和文档区由文本、控制字和控制符组成,同时利用{…}来表明层级关系。

检出 ​

  • hash (忽略大小写、空字符)
    • function
    • stream
  • 模糊匹配
    • 简单的模式匹配
    • eg.
      • 搜索到 :VirtualProtectEx、WriteProcessMemory、CreateRemoteThread、VirtualAllocEx
      • Shell Environ$("comspec") & " /c attrib -S -h """ & Application.StartupPath & "\K4.XLS""", vbMinimizedFocus
      • Shell ("\jdq\cc$\b.exe")
      • If .Lines(1, 1) = "APMP" & .Lines(1, 2) <> "KILL" Then ........ End If
      • 混淆的文件:熵 ?

清理 ​

  • 抹除
    • function
      • 替换函数内容为空格
    • stream :
      • 将 stream 的 size 置 0,同时抹除第一个扇区内容,断开内容扇区链
      • 一般来说,只修改 size 就可以让 office 软件无法读取相关内容。但其他杀软可能会继续报毒,毕竟 stream 的其他信息依然有效,可以在容错情况下还原出来 malicious 内容。
      • 注意:其它部分对 macro 的引用,如:
        • doc 中 fcCmds 会通过 macro names 引用对应的宏,所以
          1. 根据需要将 document 流中的 fcCmds 和 lcbCmds 所引用的数据
          2. 粗暴的将 document 流中的 fcCmds 和 lcbCmds 都置空
  • 还原
    • 还原被加密破坏的文件内容
      • 病毒感染时是有机会操作原有的正常 vba 脚本的,比如,加密(目前还没见到此类样本)。

Reference ​