ZAP代理中Mac OSX Salted SHA-1哈希检测规则优化分析
在网络安全扫描工具ZAP代理(Zed Attack Proxy)的使用过程中,我们发现其被动扫描规则中的"Hash Disclosure - Mac OSX salted SHA-1"检测规则存在较高的误报率。本文将深入分析这一现象的技术背景、误报原因以及解决方案。
技术背景
SHA-1(安全哈希算法1)是一种广泛使用的密码哈希函数,能够将任意长度的数据映射为固定长度(160位,即40个十六进制字符)的哈希值。在Mac OSX系统中,曾使用加盐(salted)的SHA-1哈希来存储用户密码。
ZAP代理的被动扫描规则中包含了检测这类哈希值的模式匹配规则,目的是发现可能泄露的系统密码哈希。然而,随着技术发展和系统安全机制的改进,这种检测方式的实用性和准确性值得重新评估。
误报现象分析
通过实际扫描案例观察,该规则产生了多种类型的误报:
-
URL参数中的长字符串:如嵌入在SWF文件URL中的参数值"0048E3008E40001CE400F4780031EC001AA200192000F80E"
-
二进制文件内容:JPEG图片和PDF文档中出现的特定字符串模式,如"B222222222222222222222222222222222222222222222222"和"496F6965726E6174636F6E61674164636F756E74696E6721"
-
安全令牌和非ce值:如网页链接中的nonce参数"2833C52A1F55BA254A23A9237908EE49FB3655B5CC1414FE"
-
JSON数据中的编码值:如"brand-115114971181011081199710810997114116112108117112"
这些误报的根本原因在于SHA-1哈希的通用性——任何40个字符的十六进制字符串都可能被误判为密码哈希。
技术改进方案
针对这一问题,ZAP开发团队已经实施和计划了多项改进措施:
-
内容类型过滤:最新版本(pscanrules 60.0.0)已更新规则,仅扫描文本类型响应,排除了图片(JPEG)、PDF等二进制内容。
-
风险评估调整:计划降低该规则的威胁等级和置信度,因为SHA-1哈希的通用性使其难以准确判断是否为真正的密码泄露。
-
规则重命名:建议将规则名称从"Mac OSX salted SHA-1"改为更通用的"Salted SHA-1",以反映其实际检测范围。
-
模式匹配优化:考虑增加额外的验证条件,如排除纯数字或重复模式的"哈希"。
现代系统安全背景
值得注意的是,现代Mac OSX系统已不再将密码哈希存储在易访问或可转储的位置。系统采用了更安全的技术如:
- Keychain密钥链服务
- 更强大的加密算法(如PBKDF2)
- 硬件安全模块集成
这使得传统的密码哈希检测方法在现代环境中相关性降低,这也是考虑调整该规则的重要原因之一。
最佳实践建议
对于ZAP用户,我们建议:
- 及时更新到最新版本以获取已实现的改进
- 对确认为误报的结果使用ZAP的"标记为误报"功能
- 结合其他检测手段验证潜在的密码哈希泄露
- 关注现代系统的安全机制,调整扫描策略
通过这次规则优化,ZAP代理在保持安全检测能力的同时,将减少不必要的警报干扰,提高安全人员的工作效率。这也体现了安全工具需要与时俱进,不断适应变化的技术环境。
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