OWASP ASVS项目中关于Referer泄漏防护的技术解析
背景介绍
在OWASP应用安全验证标准(ASVS)项目的最新讨论中,安全专家们针对v5.0.be-50.3.4条款中关于Referer泄漏防护的要求进行了深入探讨。这项要求原本位于14.4.6条款,后被移动并修改到当前位置,主要关注如何防止URL中的敏感信息通过Referer头部泄露给不可信的第三方。
Referer泄漏的风险分析
Referer头部是HTTP协议中的一个标准字段,浏览器在请求外部资源时会自动包含该字段,其中包含当前页面的URL信息。这种机制虽然在某些场景下有用,但也带来了两个主要安全风险:
-
技术性信息泄露:URL中的路径和查询参数可能包含敏感信息,如会话令牌、用户ID等。如果这些信息通过Referer头部泄露给第三方,可能导致安全漏洞。
-
隐私泄露:即使URL本身不包含敏感参数,Referer头部也会透露用户访问了特定网站的事实,包括访问时间、用户代理等信息,这在隐私保护日益重要的今天尤为关键。
现代浏览器的默认行为
值得注意的是,自2020年11月起,大多数主流浏览器(包括2021年9月后的Safari)已将strict-origin-when-cross-origin设为默认的Referrer策略。这一策略:
- 在同源请求中发送完整URL
- 在跨源请求中仅发送源(协议+域名+端口)
- 从HTTPS降级到HTTP时不发送Referer
这意味着在现代浏览器中,URL中的查询参数默认不会通过Referer泄露给第三方站点,大大降低了信息泄露风险。
防护机制与最佳实践
尽管现代浏览器提供了基本保护,但在某些场景下仍需额外配置:
1. HTTP响应头设置
最推荐的方式是通过HTTP响应头设置全局策略:
Referrer-Policy: no-referrer
或更细粒度的策略如same-origin、strict-origin等。
2. HTML元标签
对于无法控制HTTP头部的场景,可在HTML中使用:
<meta name="referrer" content="no-referrer">
3. 元素级控制
对特定链接或资源,可使用HTML属性控制:
<a href="..." rel="noreferrer">链接</a>
或
<img src="..." referrerpolicy="no-referrer">
4. 内部应用的特别考虑
对于非公开的内部应用程序,建议采用最严格的no-referrer策略,防止内部主机名信息泄露。
实施建议
-
评估需求:根据应用性质决定所需保护级别。公开网站可能只需依赖浏览器默认,而内部系统可能需要完全禁用Referer。
-
兼容性考虑:虽然现代浏览器行为安全,但若需支持旧版浏览器,应明确设置Referrer策略。
-
隐私保护:即使不考虑技术性信息泄露,从隐私角度也应评估Referer策略。
-
第三方资源:特别注意通过CSS、字体等加载的第三方资源,这些也会触发Referer发送。
总结
OWASP ASVS的这项要求强调了Web应用对Referer泄漏的防护必要性。开发者应当根据应用的具体场景和安全需求,选择合适的防护机制。现代浏览器虽然提供了基本保护,但在高安全要求的场景下,主动配置Referrer策略仍是必要的最佳实践。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00