Cromite项目中Blink内存缓存的安全隐患分析
在Chromium分支项目Cromite的最新版本v130中,开发者发现了一个与Blink渲染引擎内存缓存相关的潜在安全问题。这个问题最初是通过privacytests.org的缓存测试失败而被发现的,经过深入分析,发现这涉及到浏览器缓存机制的底层实现细节。
问题背景
Blink渲染引擎维护了一个内存缓存机制,主要用于处理data URL请求,避免这些请求需要通过mojo调用网络栈。然而在实际调试中发现,这个缓存机制也被应用于其他资源类型,特别是图片资源。与HTTP缓存不同,Blink的内存缓存采用了不同的逻辑,最初的分区补丁(Partition-Blink-memory-cache.patch)未能完全正确地处理这种情况。
技术细节
Blink的内存缓存存在几个关键特性:
-
进程级别共享:内存缓存是以进程为单位进行共享的,这意味着同一进程内的不同站点可以访问相同的缓存资源。
-
标识符问题:缓存标识仅基于URL,没有进行适当的分区处理。在补丁实现中,原本应该使用top-frame-url进行分区,但实际上却使用了frame initiation url,这导致了分区失败。
-
隐私风险:由于缓存共享机制,攻击者可能通过时序攻击探测缓存中是否存在特定资源,从而获取跨站信息。
问题影响
在Cromite项目中,这个问题表现为:
-
即使启用了严格的站点隔离(SitePerProcess)和OOPIF(Out-of-Process iframes)保护,内存缓存仍可能导致跨站信息泄露。
-
对于data URL的处理,虽然理论上可以通过base64宽容解码来交换跨站数据,但实际风险较低。
-
在privacytests.org的测试中,privacytests.org和privacytests2.org这两个理论上应该隔离的站点却共享了缓存资源。
解决方案
经过深入分析,开发者确定了问题的根本原因:
-
Worker环境下的top-origin-url缺失:在Service Worker环境中,top-origin-url没有被正确设置,导致缓存标识符使用了不正确的initiator url。
-
缓存控制权问题:缓存标识符的选择权应该由浏览器层面控制,而不是由Blink引擎自行决定。
基于这些发现,项目决定:
- 完全禁用Service Worker环境下的内存缓存使用
- 确保所有缓存操作都经过浏览器层面的安全控制
- 避免在Blink层面自行决定缓存策略
结论
这个案例展示了浏览器缓存机制的复杂性,特别是在多进程架构下的安全边界维护。即使是看似简单的内存缓存机制,也可能成为隐私保护的薄弱环节。Cromite项目通过禁用有风险的内存缓存功能,确保了更严格的跨站隔离,为用户提供了更强的隐私保护。这也提醒我们,在浏览器安全设计中,缓存机制必须与进程隔离、站点隔离等安全措施协同工作,才能提供全面的保护。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00