探索Spring框架中的视图操纵漏洞
本文将带你深入理解一个危险的Spring框架中不受限制的视图名称操纵问题,以及如何保护你的应用免受此类攻击。让我们从一个简单的Spring Boot应用开始:
项目介绍
这个项目是一个基础的Spring应用,它使用Thymeleaf作为模板引擎。当请求根URL("/")时,应用会调用HelloController.index()方法,该方法将消息添加到模型,并返回一个字符串"welcome"。Spring会将"welcome"解释为视图名,尝试寻找并渲染资源文件夹中的"welcome.html"。
项目技术分析
在Spring框架中,@Controller和@GetMapping注解使得控制器能够响应特定的HTTP请求。默认情况下,返回的字符串被视为视图名,Spring负责找到对应的模板文件进行渲染。Thymeleaf模板语言允许片段引用,例如"welcome :: main",这将只返回"welcome.html"模板中的'main'部分。
然而,如果视图名与不受信任的数据相结合,如通过请求参数传递,可能会导致表达式语言注入,甚至远程代码执行。Thymeleaf在加载模板前会解析视图名为表达式,这就打开了安全漏洞的大门。
项目及技术应用场景
这个项目演示了如何利用Spring ThymeleafView类解析模板名这一特性进行攻击。通过构造特定的请求路径,攻击者可以执行表达式语言,从而实现远程代码执行。例如,对'/path'端点发起如下请求:
GET /path?lang=__${new java.util.Scanner(T(java.lang.Runtime).getRuntime().exec("id").getInputStream()).next()}__::.x HTTP/1.1
这种攻击方式比传统的路径遍历更隐蔽,因为它不依赖于文件系统权限,而是利用了Thymeleaf的表达式语言。
另外,当控制器返回类型不明确,比如void或java.util.Map时,Spring会尝试从请求URI推断视图名,这也同样存在风险。
项目特点
- 深入揭示Spring和Thymeleaf之间的潜在安全问题。
- 提供了详细的示例代码和攻击场景,帮助开发者了解风险所在。
- 提供本地测试环境,只需Java 8+ 和Maven即可运行。
- 揭示了处理用户输入数据时应注意事项,有助于提高应用安全性。
总之,这个开源项目提供了一个深入了解和防范Spring视图操纵漏洞的机会,对于任何使用Spring和Thymeleaf构建Web应用的开发人员来说都是宝贵的资源。确保你的应用安全无虞,学习如何避免这类安全威胁,这将是你不可错过的一课。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00