Permify项目中外部请求安全风险分析与防护实践
2025-06-08 02:47:55作者:邓越浪Henry
风险背景
在Permify项目的代码审查过程中,安全研究人员发现了两处潜在的外部请求安全风险点。不当的外部请求处理可能导致系统安全问题,攻击者可能利用应用程序作为代理,向网络发起未经预期的请求。
风险位置分析
在Permify项目中,两处存在风险的代码位置分别是:
internal/authn/oidc/authn.go文件中的第369行pkg/schema/loader.go文件中的第123行
这两处代码的共同特点是都进行了HTTP请求操作,但未对请求的目标URL进行充分的安全验证。如果攻击者能够控制这些HTTP请求的目标URL参数,就可能构造非预期的请求。
外部请求安全原理
外部请求安全问题的本质是攻击者通过操纵服务器发起的请求,绕过预期访问机制,访问正常情况下不应直接访问的系统资源。在云环境部署的应用中,这类风险尤其需要注意。
典型的外部请求安全问题场景包括:
- 访问不应公开的服务接口
- 扫描网络结构
- 作为跳板发起进一步请求
Permify中的风险场景
在Permify的具体实现中,风险主要来自以下几个方面:
-
OIDC认证流程:在OpenID Connect认证过程中,需要从身份提供商获取配置信息,如果URL参数可控,可能出现非预期请求。
-
Schema加载机制:当从外部加载权限模型定义时,如果URL来源不可信,可能导致加载非预期内容。
防护方案
针对Permify项目中的外部请求风险,建议采取以下防护措施:
1. 输入验证与白名单机制
最有效的防护手段是实施严格的白名单机制,只允许访问预先批准的域名和IP地址。对于Permify这样的权限管理系统,可以:
var allowedDomains = map[string]bool{
"trusted-auth-provider.com": true,
"schema-repository.example": true,
}
func isAllowedDomain(url string) bool {
u, err := url.Parse(url)
if err != nil {
return false
}
_, ok := allowedDomains[u.Hostname()]
return ok
}
2. 网络层防护
对于必须支持动态URL的场景,应在网络层实施以下限制:
- 禁用HTTP重定向,防止通过重定向链访问非预期服务
- 限制对特定IP地址段的请求
- 验证请求目标是否符合预期
3. 请求处理增强
- 设置合理的请求超时时间
- 限制响应体大小
- 验证响应内容类型,确保符合预期
4. 深度防御策略
- 为内部服务添加身份验证
- 记录所有外部请求的日志,便于审计
- 使用最小权限原则
实施建议
对于Permify项目,具体的改进建议如下:
-
OIDC认证模块:
- 使用可信身份提供商的发现端点
- 验证获取的jwks_uri等URL是否属于预期域名
- 实施严格的TLS证书验证
-
Schema加载模块:
- 支持本地文件加载优先
- 对于远程加载,强制使用HTTPS
- 提供sha256校验机制验证内容完整性
总结
外部请求安全在云原生应用中十分重要,Permify作为权限管理系统更应重视此类安全问题。通过实施白名单、网络层过滤和深度防御策略,可以显著降低相关风险。开发团队应定期审查所有外部请求代码路径,确保安全控制措施覆盖全面。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869