ScubaGear项目中AAD条件访问策略检查的问题分析
问题背景
在微软Azure Active Directory(AAD)的安全评估工具ScubaGear中,发现了一个重要的策略检查问题。该问题涉及对条件访问(Conditional Access)策略中排除项的检测不完整,可能导致安全评估结果出现偏差。
技术细节
受影响策略范围
该问题主要影响ScubaGear中对以下AAD条件访问策略的检查:
- 禁用旧式身份验证(MS.AAD.1.1v1)
- 管理员账户的MFA要求(MS.AAD.2.1v1)
- 用户账户的MFA要求(MS.AAD.2.3v1)
- 高风险登录的保护措施(MS.AAD.3.1v1)
- 高风险用户的保护措施(MS.AAD.3.2v1)
- 设备合规性要求(MS.AAD.3.6v1)
- 批准的客户端应用要求(MS.AAD.3.7v1)
- 应用保护策略要求(MS.AAD.3.8v1)
问题本质
问题的核心在于ScubaGear的Rego策略检查逻辑没有全面验证条件访问策略中的排除项配置。具体表现为:
-
角色排除项未检查:某些情况下可以通过将特定目录角色排除在策略之外来规避安全控制。
-
应用程序排除项未检查:可以将关键云应用(如Microsoft管理门户)排除在策略适用范围外。
-
检查逻辑不一致:不同策略模块对条件访问的检查实现方式不一致,有些直接实现检查逻辑而非调用统一的辅助规则集。
问题影响
该问题可能导致以下情况:
-
评估结果偏差:即使条件访问策略配置了关键安全控制,但如果存在不当排除项,ScubaGear仍可能错误地报告"通过"评估。
-
控制规避风险:可能利用排除项配置问题,针对特定用户、角色或应用程序规避MFA等关键安全控制。
-
合规性偏差:可能使组织误以为自己符合相关安全标准,而实际上存在配置缺陷。
解决方案
针对该问题的改进方案包括:
-
统一检查逻辑:重构代码确保所有相关策略调用统一的辅助规则集进行条件访问检查。
-
增强排除项检查:
- 限制角色排除项
- 限制应用程序排除项
- (注:关于访客用户排除项的检查待与相关方进一步确认需求)
-
补充测试用例:新增单元测试验证排除项配置的检测功能。
实施建议
对于使用ScubaGear进行AAD安全评估的组织,建议:
-
手动验证条件访问策略中的排除项配置,特别是管理员角色和关键应用程序。
-
关注ScubaGear的更新,及时应用包含此改进的版本。
-
定期复查条件访问策略,确保没有不合理的排除项配置。
-
结合其他安全工具进行交叉验证,避免单一工具的检测盲区。
总结
该问题的发现和改进凸显了云安全配置评估工具的复杂性。条件访问策略中的排除项虽然提供了配置灵活性,但也需要谨慎管理。安全评估工具需要全面考虑各种配置可能性,才能提供准确的风险评估结果。
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