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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00