OpenCTI平台中排除列表大小写敏感问题分析与解决方案
问题背景
在网络安全情报平台OpenCTI中,排除列表(Exclusion List)是一项重要的功能,它允许管理员定义一组特定的值,当用户尝试创建与这些值匹配的威胁指标(IOC)时,系统会自动阻止创建操作。这种机制可以有效防止误报和重复数据的产生。
然而,在OpenCTI 6.5.1版本中,发现了一个关于排除列表功能的重要缺陷:系统在进行值匹配时没有考虑大小写敏感性,导致排除规则可能被绕过。
技术细节分析
在OpenCTI平台中,排除列表通常用于阻止特定域名、IP地址或其他可观察对象的创建。以域名为例,当管理员将"www.google.com"添加到域名排除列表后,理论上任何尝试创建该域名指标的请求都应该被拒绝。
但实际测试表明,如果用户尝试创建"www.Google.com"(首字母大写)的域名指标,系统不会触发排除规则,允许该指标被成功创建。这种大小写敏感性的缺失会导致安全策略执行不完整,可能造成数据重复或误报。
影响范围
这个缺陷的影响主要体现在以下几个方面:
-
安全策略执行不完整:攻击者可能利用大小写变体绕过排除规则,创建本应被阻止的指标。
-
数据质量问题:导致系统中存在相同实体的多个变体,影响数据分析的准确性。
-
运营效率降低:管理员需要手动识别和清理这些变体,增加维护成本。
解决方案
要解决这个问题,需要在值匹配逻辑中引入大小写不敏感的比对机制。具体实现可以考虑以下方式:
-
统一转换为小写比较:在比对排除列表值和输入值时,先将双方都转换为统一的大小写形式(通常是小写),然后再进行比较。
-
使用正则表达式:在比对时使用大小写不敏感的正则表达式标志,确保各种大小写变体都能被正确匹配。
-
数据库层面解决:如果使用支持大小写不敏感比较的数据库,可以在查询时指定大小写不敏感的比对方式。
最佳实践建议
除了修复这个具体问题外,在处理类似的安全策略匹配时,建议考虑以下最佳实践:
-
规范化输入数据:在存储和比较前,对数据进行规范化处理,如统一大小写、去除多余空格等。
-
考虑国际化因素:对于非ASCII字符,需要考虑Unicode的大小写转换规则。
-
记录匹配失败案例:当输入值接近但不完全匹配排除列表时,记录这些案例以便后续分析。
-
定期审查排除列表:确保排除列表中的值考虑了各种可能的变体形式。
总结
OpenCTI平台中排除列表的大小写敏感性问题虽然看似简单,但实际上关系到整个平台的安全策略执行效果和数据质量。通过引入大小写不敏感的匹配机制,可以确保安全策略得到完整执行,同时提高系统的易用性和数据一致性。这个问题的解决也提醒我们,在开发安全相关的功能时,必须考虑各种可能的规避方式,确保防御机制的全面性和鲁棒性。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALA暂无简介00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01