Open5GS HSS组件S6a接口缓冲区溢出问题研究
问题概述
在Open5GS项目的HSS组件(hssd)中发现了一个需要关注的问题,该问题存在于处理S6a接口Diameter协议的代码中。具体来说,当处理Update-Location-Request(ULR)和Authentication-Information-Request(AIR)消息时,由于对Visited-PLMN-Id AVP(属性值对)长度的处理不够严谨,可能导致缓冲区溢出情况发生。
技术背景
Open5GS是一个开源的5G核心网实现,其中的HSS(Home Subscriber Server)组件负责用户认证和位置管理。S6a接口是HSS与MME(Mobility Management Entity)之间的Diameter协议接口,用于处理用户认证和位置更新等关键功能。
Diameter协议使用AVP(Attribute-Value Pair)来携带各种参数。Visited-PLMN-Id是其中一个重要AVP,用于标识用户当前访问的公共陆地移动网络(PLMN)。
问题细节
问题存在于src/hss/hss-s6a-path.c文件中的两个关键回调函数:
hss_ogs_diam_s6a_air_cb- 处理Authentication-Information-Requesthss_ogs_diam_s6a_ulr_cb- 处理Update-Location-Request
在这两个函数中,代码直接从Diameter消息中提取Visited-PLMN-Id AVP的值,并将其复制到本地栈变量visited_plmn_id中,但没有检查AVP值的长度是否超过了目标缓冲区的容量。
ret = fd_msg_search_avp(qry, ogs_diam_visited_plmn_id, &avp);
ogs_assert(ret == 0);
ret = fd_msg_avp_hdr(avp, &hdr);
ogs_assert(ret == 0);
memcpy(&visited_plmn_id, hdr->avp_value->os.data, hdr->avp_value->os.len);
问题影响
恶意用户可以通过构造特殊的Diameter消息,在Visited-PLMN-Id AVP中包含超长数据,导致:
- 缓冲区内存破坏,可能影响关键函数执行
- 潜在的服务中断风险
- 在特定条件下可能导致非预期行为
值得注意的是,虽然目标缓冲区visited_plmn_id在后续代码中未被使用,但缓冲区破坏本身已经构成风险。
修复方案
项目维护者通过添加长度检查解决了此问题:
ogs_assert(hdr->avp_value->os.len <= sizeof(visited_plmn_id));
这一修复确保只有长度合法的PLMN ID才会被处理,从根本上消除了缓冲区溢出的可能性。
安全建议
对于使用Open5GS的运营商和开发者,建议:
- 立即升级到包含修复的版本
- 在网络边界实施Diameter消息检查,防止异常消息到达HSS
- 定期检查Diameter接口处理代码,确保所有输入都经过适当验证
- 考虑启用地址空间布局随机化(ASLR)等保护机制
总结
这个问题展示了在协议实现中忽视输入验证可能带来的影响。Diameter协议作为电信核心网的基础协议,其稳定性直接影响整个网络的运行。开发者在处理协议消息时,必须对所有输入参数进行严格的长度和内容检查,这是网络开发的基本实践。
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