Apache APISIX JWT-Auth 插件安全漏洞分析与修复方案
2025-05-15 23:40:57作者:伍霜盼Ellen
问题背景
Apache APISIX 是一款高性能的云原生API网关,其jwt-auth插件提供了JWT认证功能。在3.8.0版本中,该插件存在一个潜在的安全问题,可能允许攻击者篡改JWT令牌中的关键字段。
问题详情
在jwt-auth插件的get_real_payload函数实现中,存在一个关键的安全设计缺陷。该函数负责构造JWT的payload部分,其原始实现如下:
local function get_real_payload(key, auth_conf, payload)
local real_payload = {
key = key,
exp = ngx_time() + auth_conf.exp
}
if payload then
local extra_payload = core.json.decode(payload)
core.table.merge(real_payload, extra_payload)
end
return real_payload
end
这个函数存在两个主要问题:
-
关键字段可被覆盖:当用户通过payload参数传入额外数据时,这些数据会通过
core.table.merge合并到real_payload中。由于merge操作是后者覆盖前者,攻击者可以通过构造特殊的payload来覆盖key和exp等关键字段。 -
认证逻辑被绕过:key字段用于后续查找对应的consumer配置,如果被篡改,可能导致认证绕过。exp字段控制令牌有效期,被篡改后可能导致令牌长期有效。
问题影响
该问题影响使用jwt-auth插件并通过/apisix/plugin/jwt/sign接口签发JWT令牌的场景。攻击者可能:
- 通过修改key字段,尝试访问其他用户的资源
- 通过修改exp字段,创建长期有效的令牌
- 破坏JWT令牌的完整性验证机制
修复方案
社区提出了两种修复方案:
方案一:调整字段赋值顺序
local function get_real_payload(key, auth_conf, payload)
local real_payload = {
key = key
}
if payload then
local extra_payload = core.json.decode(payload)
core.table.merge(real_payload, extra_payload)
end
real_payload.exp = ngx_time() + auth_conf.exp
return real_payload
end
此方案确保exp字段不会被覆盖,但仍无法防止key字段被篡改。
方案二:调整合并逻辑(最终采纳方案)
local function get_real_payload(key, auth_conf, payload)
local real_payload = {
key = key,
exp = ngx_time() + auth_conf.exp
}
if payload then
local extra_payload = core.json.decode(payload)
core.table.merge(extra_payload, real_payload)
return extra_payload
end
return real_payload
end
此方案通过:
- 调整merge顺序,确保real_payload中的关键字段优先
- 明确返回合并后的extra_payload
- 完全保护key和exp字段不被覆盖
安全建议
对于使用APISIX jwt-auth插件的用户,建议:
- 尽快升级到包含此修复的版本
- 如果无法立即升级,可考虑通过自定义插件覆盖原实现
- 审计现有JWT签发逻辑,确认是否有依赖可被篡改的字段
- 在生产环境中谨慎使用
/apisix/plugin/jwt/sign接口
技术思考
这个案例提醒我们,在实现认证授权相关功能时需要特别注意:
- 关键认证字段应该受到严格保护,不能被用户输入覆盖
- 合并操作需要考虑字段优先级问题
- 即使是辅助功能接口,也需要考虑安全影响
- 良好的默认安全设置比事后修复更重要
通过这个案例,我们可以更好地理解API网关安全设计中的关键考量点,为今后开发类似功能提供参考。
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
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
680
160
🔥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
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660