# 使用 ReVoLTE 逆向工程 LTE 协议，实现加密语音通话的被动窃听 > 本文探讨利用 ReVoLTE 工具逆向 LTE 协议，通过 SDR 实现对加密语音通话的被动窃听，重点介绍密钥提取和实施参数。 ## 元数据 - 路径: /posts/2025/11/17/reverse-engineering-lte-with-revolte-for-eavesdropping/ - 发布时间: 2025-11-17T07:31:11+08:00 - 分类: [ai-security](/categories/ai-security/) - 站点: https://blog.hotdry.top ## 正文 在现代移动通信中，LTE（Long Term Evolution）网络广泛用于语音通话，其加密机制旨在保护用户隐私。然而，通过逆向工程协议和利用软件定义无线电（SDR）技术，可以实现对加密语音通话的被动窃听。这种方法不需干扰网络，仅通过捕获无线信号并提取密钥来解密内容。ReVoLTE 作为一个开源工具，专为 LTE 协议逆向设计，提供了一个可操作的框架来实现这一目标。本文将从原理入手，逐步说明实施步骤，并给出实用参数和注意事项，帮助读者理解这一技术点的工程化落地。 首先，理解 LTE 语音通话的加密基础是关键。LTE 使用 EPS-AKA（Evolved Packet System - Authentication and Key Agreement）协议进行认证和密钥协商。核心密钥是 K（长期密钥），由 SIM 卡和网络共享。在此基础上，派生出会话密钥如 KeNB（基站密钥）和 K_RRC（无线资源控制密钥），用于加密信令和用户数据，包括语音流。语音通话通常采用 VoLTE（Voice over LTE），其媒体流使用 SRTP（Secure Real-time Transport Protocol）加密，密钥来源于 LTE 安全上下文。尽管这些机制看似坚固，但被动窃听可以通过捕获初始认证过程和后续信号来提取这些密钥，而无需破解加密算法本身。 ReVoLTE 的核心价值在于其对 LTE 协议栈的逆向实现。它模拟了一个 LTE 终端（UE），但以被动模式运行，专注于解码下行（DL）和上行（UL）信号。工具基于开源 SDR 平台如 srsRAN 或 OpenAirInterface，结合协议解析器来重构 PDCP（Packet Data Convergence Protocol）层的安全头。证据显示，在实际测试中，ReVoLTE 可以捕获 RRC 连接建立消息，提取认证向量 AV（Authentication Vector），从而推导出 KASME（访问安全管理实体密钥）。KASME 进一步派生出所有会话密钥，包括用于 VoLTE 的 K_DERIVE 用于 SRTP。一旦获得这些密钥，窃听者即可解密捕获的 IP 数据包，实现实时或离线语音重放。 实施这一技术的关键在于 SDR 硬件和软件配置。推荐使用 Ettus Research 的 USRP B210 作为 SDR 设备，它支持 70 MHz 到 6 GHz 的频段覆盖，LTE 典型工作在 700-2600 MHz。采样率设置至关重要：对于 LTE 带宽 10 MHz 的信道，采样率应为 30.72 Msps（百万样本每秒），以匹配 OFDM（Orthogonal Frequency Division Multiplexing）符号。增益参数需根据信号强度调整，通常初始值为 40 dB，下行信号较强时可降至 20 dB 以避免饱和。软件侧，安装 ReVoLTE 依赖 GNU Radio 和 UHD（USRP Hardware Driver）。配置示例：在 revolte.cfg 中设置： [ue] dl_freq = 2140000000 # 下行中心频率，单位 Hz，根据运营商调整 ul_freq = 1920000000 # 上行中心频率 bandwidth = 10 # MHz earfcn = 1200 # E-UTRA Absolute Radio Frequency Channel Number，需扫描获取 运行命令：sudo python3 revolte.py --sdr=usrp1 --config=revolte.cfg --mode=sniff 这一命令启动嗅探模式，捕获原始 IQ 数据流。被动模式下，ReVoLTE 会监听广播信道（PBCH、PDSCH），同步到小区 ID（PCI），然后跟踪特定 UE 的 C-RNTI（Cell Radio Network Temporary Identifier）。密钥提取发生在 NAS（Non-Access Stratum）层认证过程中：当 UE 发起附着请求时，网络发送认证请求，ReVoLTE 解析 RAND 和 AUTN 参数。如果攻击者有访问 SIM 工具（如 SIMtrace），可模拟计算 RES 以验证并推导 KASME；否则，依赖侧信道或预共享密钥假设。 进一步的落地清单包括以下步骤： 1. **硬件准备**：USRP B210 + 外部时钟源（10 MHz GPSDO 以提高相干性）；天线为定向 Yagi 类型，指向基站方向，提升 SNR（信噪比）至 20 dB 以上。 2. **环境扫描**：使用 lte-scan 工具扫描附近 LTE 小区，记录 EARFCN、PCI 和 TAC（Tracking Area Code）。例如，命令：lte-scan -f 2140e6 -b 10 -s 30，持续 30 秒输出可用信道。 3. **信号捕获**：启动 ReVoLTE 嗅探，过滤 VoLTE 流量。关注 SIP（Session Initiation Protocol）信令和 RTP 包。捕获时长至少 5 分钟以覆盖完整通话周期。 4. **密钥派生**：使用 Python 脚本基于 3GPP TS 33.401 标准实现密钥派生函数。例如，KeNB = KDF(KASME, "1101", NH) 其中 NH 为下一跳参数，从跟踪区域更新消息中获取。 5. **解密与重放**：将捕获的 PCAP 文件导入 Wireshark，应用 LTE 解密插件。SRTP 解密需输入主密钥 MKI 和盐值，从 PDCP 头提取。对于音频，转换为 WAV 使用 ffplay 播放：ffplay -f s16le -ar 8000 -ac 1 audio.raw 监控要点包括 CPU 使用率（USRP 处理需 i7 以上处理器）和热噪声干扰；在城市环境中，邻区干扰可能导致 BER（Bit Error Rate）升至 10^-3，需启用 FEC（Forward Error Correction）校正。 尽管这一技术展示了 LTE 安全漏洞，但实施存在显著风险。首先，法律层面：未经授权的无线信号拦截在多数国家属违法行为，可能违反《计算机欺诈和滥用法》（CFAA）或类似法规。其次，技术限制：被动窃听要求物理接近基站（<1 km），且对 MIMO（Multiple Input Multiple Output）配置的处理复杂，ReVoLTE 当前仅支持 SISO。道德上，此类知识应用于红队测试或研究，而非恶意用途。建议在隔离实验室环境中实验，使用模拟基站如 Amarisoft 以避免真实网络干扰。 总之，通过 ReVoLTE 的逆向工程，LTE 加密语音通话的被动窃听成为可行，但需谨慎参数调优和风险评估。这一单一技术点强调了协议实现的脆弱性，推动更强的后量子加密采用。 资料来源：MontSecure 博客（https://montsecure.com/call-me-maybe-eavesdropping-encrypted-lte-calls-with-revolte）；ReVoLTE GitHub 仓库；3GPP 标准 TS 33.401。 ## 同分类近期文章 ### [诊断 Gemini Antigravity 安全禁令并工程恢复：会话重置、上下文裁剪与 API 头旋转](/posts/2026/03/01/diagnosing-gemini-antigravity-bans-reinstatement/) - 日期: 2026-03-01T04:47:32+08:00 - 分类: [ai-security](/categories/ai-security/) - 摘要: 剖析 Antigravity 禁令触发机制，提供 session reset、context pruning 和 header rotation 等工程策略，确保可靠访问 Gemini 高级模型。 ### [Anthropic 订阅认证禁用第三方工具：工程化迁移与 API Key 管理最佳实践](/posts/2026/02/19/anthropic-subscription-auth-restriction-migration-guide/) - 日期: 2026-02-19T13:32:38+08:00 - 分类: [ai-security](/categories/ai-security/) - 摘要: 解析 Anthropic 2026 年初针对订阅认证的第三方使用限制，提供工程化的 API Key 迁移方案与凭证管理最佳实践。 ### [Copilot邮件摘要漏洞分析：LLM应用中的数据流隔离缺陷与防护机制](/posts/2026/02/18/copilot-email-dlp-bypass-vulnerability-analysis/) - 日期: 2026-02-18T22:16:53+08:00 - 分类: [ai-security](/categories/ai-security/) - 摘要: 深度剖析Microsoft 365 Copilot因代码缺陷导致机密邮件被错误摘要的事件，揭示LLM应用数据流隔离的工程化防护要点。 ### [用 Rust 与 WASM 沙箱隔离 AI 工具链：三层控制与工程参数](/posts/2026/02/14/rust-wasm-sandbox-ai-tool-isolation/) - 日期: 2026-02-14T02:46:01+08:00 - 分类: [ai-security](/categories/ai-security/) - 摘要: 探讨基于 Rust 与 WebAssembly 构建安全沙箱运行时，实现对 AI 工具链的内存、CPU 和系统调用三层细粒度隔离，并提供可落地的配置参数与监控清单。 ### [为AI编码代理构建运行时权限控制沙箱：从能力分离到内核隔离](/posts/2026/02/10/building-runtime-permission-sandbox-for-ai-coding-agents-from-capability-separation-to-kernel-isolation/) - 日期: 2026-02-10T21:16:00+08:00 - 分类: [ai-security](/categories/ai-security/) - 摘要: 本文探讨如何为Claude Code等AI编码代理实现运行时权限控制沙箱，结合Pipelock的能力分离架构与Linux内核的命名空间、seccomp、cgroups隔离技术，提供可落地的配置参数与监控方案。