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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
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
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00