Nuclei Templates项目中的UNA CMS反序列化问题检测模板分析
问题背景
UNA CMS是一款流行的内容管理系统,在其14.0.0-RC4及更早版本中存在一个严重的PHP对象处理问题。该问题位于/template/scripts/BxBaseMenuSetAclLevel.php脚本中,具体问题出在BxBaseMenuSetAclLevel::getCode()方法内。当调用此方法时,通过"profile_id"POST参数传递的用户输入在传递给PHP的unserialize()函数前未经过适当处理,导致远程用户能够注入特定PHP对象。
问题原理
这个问题属于典型的PHP反序列化问题。用户可以构造特殊的序列化数据,当这些数据被unserialize()函数处理时,会实例化用户控制的类对象。在UNA CMS的案例中,用户可以利用GuzzleHttp库中的FileCookieJar和SetCookie类来写入特定文件内容。
检测方法
Nuclei模板采用了分两步验证的方式来检测此问题:
-
问题触发阶段:向/menu.php发送POST请求,在profile_id参数中注入精心构造的序列化数据。这个数据会:
- 创建一个FileCookieJar对象
- 设置目标文件路径为./cache_public/[随机文件名].txt
- 包含一个SetCookie对象,其Value属性设置为"TESTSTRING"
-
结果验证阶段:尝试访问被写入的文件,检查其中是否包含预期的"TESTSTRING"字符串,同时验证响应内容类型是否为text/plain。
模板优化点
原始模板存在一些可以改进的地方:
- 文件名随机化:使用{{rand_base(6)}}变量确保每次检测生成不同的文件名,避免干扰
- 条件匹配:同时检查响应内容和Content-Type,提高准确性
- 请求控制:将最大请求数限制为2次(一次注入,一次验证),减少对目标系统的影响
- 版本描述:明确标注影响版本为"<=14.0.0-RC4",帮助用户准确评估风险
技术细节
这个问题利用的关键在于构造有效的POP链(Property-Oriented Programming chain)。在PHP反序列化问题中,POP链是指一系列对象属性和方法的组合,用户通过精心设计这些组合来实现特定文件操作。
在本案例中,POP链利用了GuzzleHttp库中的两个类:
- FileCookieJar:负责文件操作
- SetCookie:负责设置cookie数据
通过控制FileCookieJar的filename属性,用户可以指定写入位置;而通过SetCookie的Value属性,则可以控制写入内容。这种技术不依赖于特定web服务器,具有很好的通用性。
防护建议
对于使用UNA CMS的用户,建议:
- 立即升级到最新版本
- 如果不能立即升级,应考虑禁用相关功能或添加输入过滤
- 定期检查服务器上是否出现异常文件
对于开发者而言,这个案例再次提醒我们:
- 谨慎处理不可信数据
- 使用安全的替代方案,如JSON
- 对用户输入进行严格验证和过滤
这个Nuclei模板为安全团队提供了一种高效、准确的检测方法,有助于及时发现和修复这一重要问题。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00