ScubaGear项目中Microsoft Authenticator配置检查的缺陷分析
背景概述
ScubaGear是一款用于评估Microsoft 365安全配置合规性的开源工具。在最新版本中,项目团队发现了一个关于Microsoft Authenticator应用配置检查的重要缺陷,该缺陷可能导致安全评估报告显示错误结果。
问题描述
ScubaGear中的MS.AAD.3.3v1检查项旨在验证Microsoft Authenticator是否按照安全基线要求正确配置。具体来说,该检查需要确认以下配置:
- 是否启用了"在推送和无密码通知中显示应用程序名称"
- 是否启用了"在推送和无密码通知中显示地理位置信息"
- 这些设置是否应用于所有用户
然而,当前实现中存在两个关键问题:
1. 目标检查范围错误
当前代码错误地检查了Authenticator的"启用和目标"页面中的包含目标,而不是"配置"页面中各个具体设置下的目标。这导致即使管理员按照指导配置了相关设置,工具也可能错误地报告配置不符合要求。
2. 冗余检查项
代码中还包含了对Authenticator整体启用状态的检查,这部分实际上不属于安全基线要求的内容,应该从检查逻辑中移除。
技术细节分析
在Microsoft Entra ID的身份验证方法配置中,Microsoft Authenticator的设置分为两个主要部分:
- 启用和目标:控制哪些用户可以使用Authenticator应用
- 配置:包含具体的应用行为设置,如显示应用名称和位置信息
当前实现中的Rego规则错误地从MSAuth.AdditionalProperties.includeTargets获取目标信息,而实际上应该检查displayAppInformationRequiredState和displayLocationInformationRequiredState下的includeTarget属性。
解决方案
正确的实现应该修改Rego规则中的MSAuthProperlyConfigured变量,具体调整如下:
- 移除对整体启用状态的检查
- 直接检查两个关键设置的状态是否为"enabled"
- 验证这两个设置的
includeTarget.id是否为"all_users"
更新后的逻辑将准确反映安全基线的要求,确保评估结果与管理员实际配置一致。
影响范围
该缺陷会影响所有使用ScubaGear评估Microsoft 365安全配置的用户,特别是那些关注身份验证方法安全性的组织。错误的结果可能导致:
- 误报合规:实际不符合要求的配置被标记为合规
- 误报不合规:正确配置被错误标记为问题
- 增加管理员不必要的故障排除工作
最佳实践建议
对于使用Microsoft Authenticator的组织,建议:
- 确保启用应用名称和位置信息的显示功能
- 确认这些设置应用于所有用户
- 定期使用更新后的ScubaGear工具验证配置
- 考虑部署钓鱼防护的多因素认证方法作为更安全的替代方案
总结
ScubaGear工具中Microsoft Authenticator配置检查的缺陷凸显了安全评估工具准确性的重要性。通过修正Rego规则中的目标检查逻辑,可以确保工具提供的安全评估结果真实反映实际配置状态,帮助组织更有效地管理其安全态势。
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