ZenStack 权限控制中的未认证用户数据读取问题分析
2025-07-01 22:51:55作者:冯梦姬Eddie
问题背景
在ZenStack项目中,开发者发现了一个关于权限控制的潜在安全问题:当使用特定的数据模型定义时,未认证用户(即匿名用户)能够绕过预期的访问控制策略,读取到本应受保护的数据表内容。
问题重现
以一个健身房管理系统为例,数据模型中定义了Gym和GymUser两个主要实体。按照设计意图,GymUser表的读取权限应该受到严格限制:
- 只有健身房成员中的管理员或教练可以查看成员列表
- 用户只能查看自己的信息
- 管理员可以更新成员信息
然而在实际测试中,当未认证用户直接执行db.gymUser.findMany()查询时,系统返回了所有用户数据,这明显违反了预期的安全策略。
技术分析
权限策略解析
在模型定义中,关键的读取权限控制语句为:
@@allow('read',gym.members?[user == auth() && (role == "ADMIN" || role == "TRAINER")])
这条策略的本意是:只有当用户是认证用户(auth() != null),并且是当前健身房的管理员或教练时,才允许读取成员信息。
问题根源
当未认证用户(auth() == null)发起查询时,ZenStack生成的Prisma查询条件中出现了逻辑缺陷:
{
"where": {
"OR": [
{
"OR": [
{
"gym": {
"members": {
"some": {
"AND": [
{
"OR": [] // 这里表示false条件
},
// 其他条件...
]
}
}
}
}
]
}
]
}
}
关键问题在于OR: []这个表示false条件的语法在Prisma中的处理方式。在逻辑上,false AND x应该等价于false,但Prisma并未完全正确处理这种特殊情况,导致最终生成的查询条件未能有效阻止未认证用户的访问。
解决方案
临时解决方案
目前可以通过在基础模型中添加全局拒绝规则来解决:
@@deny('all', auth() == null)
这条规则会明确拒绝所有未认证用户的任何操作,从根本上解决问题。
长期改进方向
从技术实现角度,ZenStack应该在生成查询条件时进行更彻底的逻辑化简:
- 识别并处理
AND中包含false条件的情况 - 优化查询条件的组合逻辑
- 在条件生成阶段就进行尽可能多的简化
这种改进不仅能解决安全问题,还能提升查询性能。
最佳实践建议
- 显式拒绝未认证用户:在所有敏感数据模型上明确添加
@@deny('all', auth() == null)规则 - 分层权限设计:先设置全局限制,再添加特定例外
- 全面测试:不仅要测试认证用户的访问,也要测试未认证用户的行为
- 最小权限原则:默认拒绝所有访问,只明确允许必要的操作
总结
这个案例揭示了权限控制系统中的一个重要原则:安全设计应该采用"默认拒绝"而非"默认允许"的策略。在复杂的权限规则组合下,条件表达式的处理需要特别小心,避免因逻辑化简不彻底而导致安全漏洞。开发者在使用ZenStack时应当充分理解其权限控制机制的工作原理,并通过全面的测试来验证安全策略的实际效果。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218