Serverless-Offline 安全问题解析:jsonpath-plus 远程执行风险
问题背景
Serverless-Offline 作为 Serverless Framework 的本地开发插件,近期被发现存在一个关键安全问题。该问题源于其依赖的 jsonpath-plus 包在 10.0.0 以下版本存在远程执行风险。jsonpath-plus 是一个用于 JSON 数据查询的 JavaScript 库,广泛应用于 Node.js 生态系统中。
问题详情
CVE-2024-21534 问题的根本原因是 jsonpath-plus 库在早期版本中未能对用户输入进行充分的过滤和验证。攻击者可以通过构造特殊的 JSONPath 查询字符串,在目标系统上执行特定代码。这种问题在安全评级中被标记为"严重"(Critical)级别,因为远程执行可能导致攻击者影响受影响系统。
影响范围
该问题影响所有使用 jsonpath-plus 10.0.0 以下版本的 serverless-offline 插件。根据社区反馈,包括 v13.8.1 在内的多个较旧版本都受到此问题影响。值得注意的是,Serverless Framework v3 及以下版本虽然已不再积极维护,但官方承诺在 2024 年内仍会提供关键安全更新。
解决方案
官方修复方案
项目维护者已确认将发布更新版本,将 jsonpath-plus 依赖升级至 10.0.0 或更高版本。建议用户关注官方发布渠道,及时更新到修复后的版本。
临时解决方案
对于无法立即升级的用户,可以采用以下临时解决方案:
-
依赖覆盖:在项目的 package.json 中显式指定 jsonpath-plus 的 10.0.0 或更高版本,并使用 npm/yarn 的覆盖功能强制使用安全版本。
-
输入验证:如果项目中有使用 jsonpath-plus 处理用户输入的场景,应增加严格的输入验证逻辑,过滤可能包含特定代码的特殊字符和表达式。
最佳实践建议
-
定期依赖检查:建议开发者定期使用 npm audit 或类似工具检查项目依赖的安全状况。
-
最小权限原则:确保运行 serverless-offline 的环境具有最小必要权限,降低潜在攻击的影响范围。
-
开发环境隔离:在开发环境中使用 serverless-offline 时,应与其他关键系统保持适当隔离。
-
长期维护策略:对于仍在使用 Serverless Framework v3 的项目,建议制定升级计划,迁移到受支持的版本。
总结
jsonpath-plus 的远程执行问题再次提醒我们第三方依赖管理的重要性。作为开发者,我们应当建立完善的安全意识,不仅关注自身代码质量,也要密切关注依赖生态的安全状况。Serverless-Offline 团队对此问题的快速响应值得肯定,用户应尽快采取相应措施确保开发环境安全。
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