OWASP MASTG项目:Android键盘缓存安全测试指南
2025-05-19 23:59:42作者:郦嵘贵Just
键盘缓存的安全风险
在Android应用开发中,键盘缓存是一个容易被忽视但潜在风险较高的安全特性。默认情况下,Android系统会记录用户在文本输入框中输入的内容,以便下次输入相似内容时提供自动补全建议。虽然这提升了用户体验,但对于处理敏感信息的应用(如银行、医疗类应用)来说,这种缓存机制可能导致用户隐私数据泄露。
测试目标与方法
MASTG-TEST-0006测试项的核心目标是验证应用是否正确地禁用了键盘缓存功能,特别是对于包含敏感信息的输入字段。测试人员需要检查以下关键点:
-
输入字段属性检查:通过检查布局XML文件或运行时UI分析,确认敏感输入字段是否设置了正确的属性来禁用缓存。
-
实际行为验证:通过实际操作验证键盘缓存是否确实被禁用,而不仅仅是检查代码声明。
详细测试步骤
静态代码分析
对于使用XML布局的应用,检查敏感输入字段(如密码框、信用卡号输入框等)是否包含以下属性:
android:inputType="textNoSuggestions"
或者更严格的设置:
android:inputType="textFilter"
对于动态创建的输入字段,检查Java/Kotlin代码中是否调用了相应方法:
editText.setInputType(InputType.TYPE_TEXT_FLAG_NO_SUGGESTIONS);
动态行为测试
- 在目标应用的敏感输入字段中输入测试内容
- 退出当前输入界面
- 重新进入相同输入字段,观察键盘是否显示之前的输入建议
- 尝试在不同输入字段中输入相似内容,验证建议是否出现
进阶测试技巧
- 使用Android Studio的Layout Inspector工具实时查看输入字段属性
- 对于WebView中的输入字段,检查是否设置了
autocomplete="off"属性 - 验证自定义输入控件是否正确处理了缓存行为
常见问题与解决方案
开发人员常犯的错误包括:
-
仅在前端禁用缓存:只在客户端禁用缓存是不够的,服务端也应验证输入数据的合法性。
-
混淆输入类型:将密码字段错误地设置为普通文本类型,导致缓存生效。
-
自定义控件遗漏:在自定义输入控件中忘记实现缓存禁用逻辑。
最佳实践建议
- 对所有可能涉及敏感信息的输入字段统一禁用缓存
- 在应用安全策略文档中明确键盘缓存处理规范
- 定期进行渗透测试验证缓存控制的有效性
- 考虑使用安全键盘替代系统键盘以增强安全性
测试工具推荐
- Android Studio Layout Inspector - 用于分析运行时UI组件属性
- ADB命令工具 - 用于提取和分析应用布局文件
- 自动化测试框架 - 如Appium可用于编写自动化测试脚本验证缓存行为
通过全面实施这些测试方法和最佳实践,可以显著降低因键盘缓存导致的数据泄露风险,确保应用符合OWASP MASVS存储安全要求。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
675
4.31 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
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++
946
886
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
302
🎉 (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
1.56 K
909
暂无简介
Dart
920
228
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
昇腾LLM分布式训练框架
Python
142
169
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
133
212