OWASP ASVS项目中的OAuth/OIDC令牌受众注入攻击防护要求
2025-06-27 22:26:15作者:邵娇湘
在OWASP ASVS(应用程序安全验证标准)项目中,最近针对OAuth和OIDC协议中的令牌受众(audience)注入攻击提出了新的安全要求。这种攻击模式可能允许非预期的授权服务器(AS)诱导客户端签发包含冲突受众声明的令牌,从而导致安全问题。
攻击背景与风险
令牌受众注入问题(CVE-2025-27370、CVE-2025-27371)的核心在于:当令牌颁发者使用相同的私钥为不同受众签发令牌时,如果令牌中的受众限制声明不够明确,可能导致令牌被错误地用于非预期的服务或场景。攻击者可以利用这一情况,通过特殊构造的请求,让令牌颁发者生成包含非预期受众声明的令牌。
这种问题特别值得关注的地方在于,即使令牌接收方严格验证了受众声明,如果令牌颁发者本身没有正确设置这些声明,验证过程也无法完全防范此类情况。
安全防护要求
OWASP ASVS项目针对这一问题提出了明确的安全要求:
-
令牌颁发者责任:
- 必须确保为不同受众签发的令牌包含明确且唯一的受众限制声明
- 如果受众标识是动态配置的,必须验证这些标识不会导致受众混淆
- 必须防止非预期行为者诱导系统包含不适当的声明
-
令牌接收方责任:
- 必须验证收到的令牌确实是为当前服务设计的(验证aud声明)
- 必须确认令牌的签发目的与当前使用场景一致
- 对于自包含令牌,必须在基于其内容做出安全决策前完成上述验证
实现建议
开发团队在实现OAuth/OIDC协议时应考虑以下实践:
-
令牌颁发端:
- 为不同服务使用不同的签名密钥
- 实施严格的受众声明验证机制
- 记录并监控令牌签发活动,特别是受众声明的变化
-
令牌消费端:
- 维护允许的受众声明列表
- 实施多层次的令牌验证,包括但不限于签名、有效期和受众
- 对异常令牌使用模式进行监控和告警
架构考量
这一安全要求反映了现代身份验证架构中的一个重要原则:安全责任应当由令牌生命周期的所有参与者共同承担。令牌颁发者不能假设接收方会进行充分的验证,而接收方也不能完全依赖颁发方设置的正确声明。
在微服务架构中,这一要求尤为重要,因为服务间通信频繁且可能涉及多个信任域。明确的受众声明和严格的验证是防止服务间身份混淆的关键防线。
通过实施这些要求,开发团队可以显著降低OAuth/OIDC实现中的安全风险,构建更加健壮的身份验证和授权体系。
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
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
暂无简介
Dart
680
160
🔥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
Ascend Extension for PyTorch
Python
229
259
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
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.21 K
661