深入理解osquery中chrome_extensions表的查询机制
背景介绍
osquery是一款强大的开源工具,它能够将操作系统信息转化为类似SQL数据库的表结构,使系统管理员和安全研究人员能够使用SQL查询来监控和分析系统状态。其中,chrome_extensions表是一个非常有用的表,它允许用户查询安装在系统上的Chrome浏览器扩展信息。
问题现象
在Windows系统上使用osquery时,用户可能会遇到一个看似奇怪的现象:当直接使用osqueryi交互式命令行工具查询chrome_extensions表时,能够正常返回结果;但当通过osqueryd守护进程(特别是在FleetDM管理下)查询同一张表时,却得不到任何结果。
根本原因分析
这一现象的根本原因在于osquery的权限模型和用户上下文机制:
-
用户上下文差异:chrome_extensions表以及其他类似的表(如vscode_extensions)需要知道查询的是哪个用户的扩展信息。默认情况下,这些表会查询当前运行osquery的用户的扩展信息。
-
服务账户问题:当osquery作为守护进程(osqueryd)运行时,在Windows系统上通常以SYSTEM账户或LocalSystem服务账户运行。这些系统账户通常不会安装Chrome扩展或VS Code扩展,因此查询结果为空。
-
日志警告机制:osquery实际上会在日志中记录警告信息,提示用户"chrome_extensions表默认返回当前用户的数据,建议与users表进行JOIN操作"。
解决方案
要正确查询所有用户的浏览器扩展信息,有以下几种方法:
方法一:指定用户UID查询
SELECT * FROM chrome_extensions WHERE uid = <目标用户ID>;
方法二:查询所有用户的扩展信息
SELECT * FROM chrome_extensions WHERE uid IN (SELECT uid FROM users);
这种方法通过子查询获取系统中所有用户的UID,然后查询这些用户的Chrome扩展信息。
方法三:使用JOIN操作
SELECT ce.* FROM chrome_extensions ce JOIN users u ON ce.uid = u.uid;
这种方法更符合SQL最佳实践,通过显式JOIN操作关联用户表和扩展表。
最佳实践建议
-
明确用户上下文:在查询任何与用户相关的表时,都应该明确指定目标用户或考虑所有用户。
-
检查日志:当查询结果不符合预期时,应该检查osquery的日志文件,其中可能包含有价值的警告或错误信息。
-
理解服务账户限制:在部署osquery守护进程时,要理解服务账户的权限和上下文限制,特别是在Windows系统上。
-
使用完整查询:在生产环境中,建议使用完整的JOIN查询而不是依赖默认行为,这样可以使查询意图更明确,结果更可靠。
扩展思考
这一现象不仅限于chrome_extensions表,osquery中许多与用户相关的表都有类似的行为模式,包括但不限于:
- vscode_extensions
- firefox_addons
- user_ssh_keys
- user_assist
理解这一机制有助于更好地使用osquery进行系统监控和安全审计工作。在编写查询时,始终考虑用户上下文的影响,可以避免许多潜在的困惑和问题。
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