Yearning查询审核功能的安全问题分析与修复
问题背景
Yearning作为一款开源的SQL审核平台,其查询审核功能旨在严格控制用户对数据库的访问权限。然而,在3.1.7版本中发现了一个重要的安全问题,允许用户绕过权限限制,访问未经授权的数据库实例。
问题原理
该问题的核心在于前端路由控制与后端权限验证的不一致性。具体表现为:
-
正常流程:用户通过工单系统申请特定数据库的查询权限,审核通过后只能访问该数据库。
-
问题利用方式:用户可以通过修改URL参数的方式,将DML工单申请页面的路由路径更改为查询页面路径,同时切换source参数来访问其他已授权的数据库实例。
-
权限验证缺陷:虽然系统会检查用户是否有数据源权限,但未严格验证该数据源是否属于用户当前申请的查询工单范围。
技术影响
这个问题可能导致以下安全风险:
-
权限异常:用户可能访问到比预期更多的数据库实例,即使这些实例并非当前查询工单的审核对象。
-
数据保护风险:重要数据可能通过这种方式被未授权访问。
-
审计失效:所有查询操作应该被正确记录和审计,但绕过正常流程的操作可能导致审计日志不完整。
修复方案
Yearning开发团队通过以下方式解决了该问题:
-
强化路由验证:确保查询页面只能通过合法的工单流程访问,防止URL参数篡改。
-
完善权限检查:不仅验证用户是否有数据源权限,还验证该数据源是否属于当前查询工单的审核范围。
-
前后端一致性校验:确保前端路由和后端API的权限验证逻辑保持一致。
最佳实践建议
对于使用Yearning的企业和开发者,建议:
-
及时升级:尽快升级到已解决该问题的版本。
-
权限最小化:遵循最小权限原则,只授予用户必要的数据库访问权限。
-
日志审计:定期检查查询日志,确保所有数据库访问都经过合法流程。
-
安全测试:对自定义的功能修改进行充分的安全测试,特别是权限相关的功能。
总结
数据库安全是信息安全的重要组成部分。Yearning团队快速响应并解决这个查询审核问题,体现了对安全风险的重视。作为用户,我们应当理解这类工具的安全机制,合理配置并使用它们,才能充分发挥其价值,同时确保数据安全。
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