OWASP ASVS 3.5.3 安全要求解析:HTTP方法的安全使用
2025-06-27 03:37:14作者:裘旻烁
在Web应用安全验证标准(OWASP ASVS)的3.5.3章节中,明确规定了关于HTTP方法使用的安全要求。这一要求对于构建安全的Web应用程序至关重要,它直接关系到应用能否有效防范某些类型的安全攻击。
核心安全要求
ASVS 3.5.3要求验证所有敏感功能调用的HTTP请求是否使用了适当的HTTP方法。具体来说:
- 敏感功能必须使用POST、PUT、PATCH或DELETE等非安全方法
- 禁止使用HTTP规范定义的"安全"方法(如HEAD、OPTIONS或GET)来执行敏感操作
- 作为替代方案,可以通过严格验证Sec-Fetch-*请求头字段来确保请求来源的合法性
技术背景与原理
HTTP协议定义了多种方法,这些方法根据RFC 7231被分为"安全"和"非安全"两类:
安全方法(不应改变服务器状态):
- GET:获取资源
- HEAD:类似GET但只返回头部
- OPTIONS:查询服务器支持的选项
非安全方法(可能改变服务器状态):
- POST:提交数据
- PUT:替换资源
- PATCH:部分更新资源
- DELETE:删除资源
使用GET等安全方法执行敏感操作会带来多种安全风险,包括但不限于:
- CSRF攻击更容易实施
- 敏感数据可能通过Referer头或浏览器历史记录泄露
- 搜索引擎爬虫可能意外触发敏感操作
最佳实践建议
-
方法选择原则:
- 数据查询使用GET
- 数据创建使用POST
- 数据更新使用PUT/PATCH
- 数据删除使用DELETE
-
*Sec-Fetch-头验证:
- Sec-Fetch-Dest:指示请求的目的地(如document、image等)
- Sec-Fetch-Mode:请求模式(如cors、navigate等)
- Sec-Fetch-Site:请求来源与目标的关系(如same-origin、cross-site等)
- 通过验证这些头部可以识别并阻止不适当的跨域调用或资源加载请求
-
额外防护措施:
- 实施CSRF防护机制
- 对敏感操作要求重新认证
- 记录所有非安全方法的调用
常见误区
- 认为仅限制HTTP方法就足够安全:实际上还需要配合其他安全措施,如输入验证、输出编码等。
- 忽视HTTP参数污染问题:即使限制了HTTP方法,仍需防范通过不同来源(查询字符串、body参数、cookies等)的参数污染攻击。
- *过度依赖Sec-Fetch-头部:这些头部虽然有用,但并非所有浏览器都支持,应作为补充而非主要防护手段。
通过遵循ASVS 3.5.3的要求,开发者可以显著提高Web应用程序的安全性,减少因不当使用HTTP方法而导致的安全漏洞风险。
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
222
238
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
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
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
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217