OWASP MASTG项目:Android键盘缓存安全测试指南
2025-05-19 16:45:37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
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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 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
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
项目优选
收起
deepin linux kernel
C
24
7
暂无简介
Dart
614
138
Ascend Extension for PyTorch
Python
163
183
React Native鸿蒙化仓库
JavaScript
240
314
仓颉编译器源码及 cjdb 调试工具。
C++
126
854
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
369
3.15 K
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
255
90
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
475
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
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++
644
255