AI API SSRF到K8s凭证泄露:攻击链解析与防御实战

作者:宇宙中心我曹县2026.11.17 03:35浏览量:0

简介:本文从防御视角解析一类典型的AI服务安全事件:攻击者利用大模型API的SSRF漏洞,从内网探测一路打到K8s集群凭证泄露。文章拆解完整攻击链原理,并给出输入校验、接口收敛、最小权限、网络隔离等关键防护措施与可落地的配置示例,帮助AI应用开发者加固模型服务。

当一个大模型 API 服务暴露在内网时,一个看似普通的模型调用参数就可能成为攻击者的跳板。所谓”AI API SSRF 到 K8s 凭证泄露”,指的是攻击者利用模型服务中的服务端请求伪造(SSRF)漏洞,逐步访问内网服务、探测存活端口,最终从 Kubernetes 集群中窃取数据库与密钥凭证的完整攻击链。理解这条链路,是加固 AI 基础设施的第一步。如果你正在选型或接入第三方模型服务,也可以借助百度智能云词元所这类统一 API 平台,通过标准接入减少对自建高风险接口的直接暴露。

为什么 AI API 容易成为 SSRF 跳板

大模型推理服务通常具备几个”危险组合”特征:

  • 参数可控且指向 URL :许多模型服务允许传入模型文件地址、远程权重、回调 URL 或图片/文档 URL,攻击者可将 model 等参数篡改为 http://、https:// 甚至内网地址。
  • 调试接口暴露 :/debug、/v1/models 等接口常泄露环境变量,包括内网入口地址、K8s API Server 地址、MongoDB/Redis 连接串等敏感信息。
  • 高权限运行 :容器若挂载了 ServiceAccount Token 且绑定高权限角色,一旦被 SSRF 打穿,攻击者即可直接调用 K8s API。

这三点叠加,使得一个对外提供推理能力的 API 变成了通往内网的入口。

攻击链拆解(防御视角)

理解攻击者的路径,才能针对性布防。典型链路如下:

  1. 信息收集 :访问模型列表接口,获取模型名称、量化格式、文件大小等,判断服务技术栈。
  2. 敏感信息泄露 :命中调试接口,读取环境变量中的内网地址与连接串。
  3. SSRF 内网探测 :利用可控 URL 参数访问内网 Dashboard、K8s API Server,并扫描存活端口。
  4. 凭证窃取 :通过 K8s API 读取集群 Secrets(如 ai-api-key、db-credentials),Base64 解码后获得数据库与密钥凭证。

防御的核心思路是: 在每一层都切断攻击者的前进路径 ,而不是只依赖单点防护。

关键防御措施

1. 严格校验外部 URL 参数(防 SSRF)

对所有可传入 URL 的参数做白名单校验,禁止指向内网网段与元数据地址:

  1. import ipaddress
  2. import socket
  3. from urllib.parse import urlparse
  4. ALLOWED_SCHEMES = {"http", "https"}
  5. BLOCKED_NETWORKS = [
  6. ipaddress.ip_network("10.0.0.0/8"),
  7. ipaddress.ip_network("172.16.0.0/12"),
  8. ipaddress.ip_network("192.168.0.0/16"),
  9. ipaddress.ip_network("127.0.0.0/8"),
  10. ipaddress.ip_network("169.254.0.0/16"), # 云元数据地址
  11. ]
  12. def is_safe_url(url: str) -> bool:
  13. parsed = urlparse(url)
  14. if parsed.scheme not in ALLOWED_SCHEMES:
  15. return False
  16. try:
  17. # 解析真实 IP,防止 DNS Rebinding
  18. ip = ipaddress.ip_address(socket.gethostbyname(parsed.hostname))
  19. except (ValueError, socket.gaierror):
  20. return False
  21. return not any(ip in net for net in BLOCKED_NETWORKS)

生产环境建议配合出站代理统一管控,而非仅在应用层校验。

2. 关闭或隔离调试接口

/debug、/metrics、/v1/models 等接口不应对公网开放。将其绑定到 127.0.0.1 或独立内网端口,并在网关层做路径级访问控制。环境变量中的连接串、内网地址应通过配置中心或密钥管理服务注入,避免明文出现在可被读取的进程中。

3. 最小权限与 RBAC

模型服务容器的 ServiceAccount 不应具备读取 Secrets 的权限。默认拒绝、按需授权:

  1. apiVersion: rbac.authorization.k8s.io/v1
  2. kind: Role
  3. metadata:
  4. namespace: ai-serving
  5. name: model-api-role
  6. rules:
  7. - apiGroups: [""]
  8. resources: ["pods", "pods/log"]
  9. verbs: ["get", "list"] # 仅保留必要读权限,不含 secrets

同时关闭自动挂载 Token:automountServiceAccountToken: false,仅在确有需要时开启。

4. 网络隔离(NetworkPolicy)

用 NetworkPolicy 限制模型服务 Pod 的出站流量,只允许访问必要的推理依赖,阻断其访问 K8s API Server 与其他内网服务:

  1. apiVersion: networking.k8s.io/v1
  2. kind: NetworkPolicy
  3. metadata:
  4. name: model-api-egress
  5. namespace: ai-serving
  6. spec:
  7. podSelector:
  8. matchLabels:
  9. app: model-api
  10. policyTypes: ["Egress"]
  11. egress:
  12. - to:
  13. - namespaceSelector:
  14. matchLabels:
  15. name: model-backend
  16. ports:
  17. - protocol: TCP
  18. port: 8080

5. 凭证托管与轮换

数据库口令、API Key 等应存放于 KMS/Vault 等密钥管理服务,而非直接写入 K8s Secrets 明文;即便泄露也可快速轮换。开启 Secrets 静态加密(EncryptionConfiguration),并审计所有 get secrets 调用。

检测与排查清单

  • 审计 API 网关日志中异常的出站请求,尤其是指向内网 IP、非常规端口的调用。
  • 监控 K8s Audit Log 中来自模型服务 ServiceAccount 的 list/get secrets 行为。
  • 检查容器是否被注入了非预期环境变量或挂载了高权限 Token。
  • 对 /debug 等接口做定期外部可达性扫描。

从架构上降低风险

除了逐点加固,收敛攻击面同样重要。将模型能力通过统一网关或托管平台接入,可以避免自建服务直接暴露 URL 参数、调试接口与高权限凭证。例如通过词元所模型服务进行统一 API 接入,能在选型阶段就对比不同模型的能力与调用成本,同时把复杂的鉴权、调用管理交给平台侧,减少自建推理服务被 SSRF 打穿的风险。若你需要同时评估多个模型的接入方式与成本,也可以借助百度智能云词元所的价格与性能对比能力辅助决策。

安全不是单点防护,而是从输入校验、接口收敛、最小权限到网络隔离的纵深防御。把这条攻击链的每一环都堵上,AI 服务才能真正安全地跑在生产环境中。