AI API SSRF到K8s凭证泄露防御指南

作者:da吃一鲸8862026.11.17 03:37浏览量:0

简介:本文从防御视角拆解AI API SSRF引发内网探测与K8s凭证泄露的攻击链,给出接口收敛、最终目标校验、最小权限RBAC、出站隔离、审计告警与上线清单,帮助读者补齐生产加固边界,降低横向移动风险。

当大模型服务暴露 /v1/models、/debug、远程模型下载或插件加载接口时,SSRF 可能成为内网横向探测的入口。本文从防御视角复盘 AI API SSRF 到 K8s 凭证泄露的风险链路,并给出可落地的加固方案。

一、风险链路:暴露面、泄露、横向移动、凭证扩散

这类问题的危险点通常不是单点漏洞,而是多个配置问题叠加后形成完整攻击链。

第一,模型列表接口会泄露部署信息。 /v1/models 可能返回模型名称、量化格式、文件大小、加载路径等信息。这些信息本身不一定直接造成入侵,但会帮助攻击者判断服务类型、模型框架和部署方式。

第二,调试接口会泄露环境变量。 /debug 类接口如果未关闭,可能返回 INTERNAL_API_URL、KUBERNETES_SERVICE_HOST、MONGO_CONN_STR、REDIS_URL 等敏感配置。一旦这些变量包含内网地址、数据库连接串或缓存地址,风险会显著放大。

第三,URL 参数可能形成 SSRF 探测面。 如果模型加载、远程拉取、URL 校验等参数允许用户指定 HTTP/HTTPS 地址,且没有严格白名单,就可能被用于访问内网 Dashboard、K8s API Server 或其他内部服务。

第四,K8s 凭证泄露会导致权限扩大。 当服务账号权限过大,或存在错误匿名授权、泄露的 ServiceAccount Token、过宽 RBAC 时,攻击者才可能读取 Secrets。更严谨地说,攻击者需借助泄露的 ServiceAccount Token、有效 RBAC 权限或错误匿名授权才能读取 Secrets。凭证一旦泄露,影响会从单个 AI 服务扩散到数据库、缓存、模型存储和集群控制面。

这类问题的本质是:AI API 暴露面过大 + 调试信息泄露 + SSRF 防护缺失 + K8s 权限边界不清。

二、根因分析:为什么会一路被打穿

1. 调试接口进入生产环境

很多 AI 服务在开发阶段会保留 /debug、/metrics、/health、/docs 等接口,方便排查模型加载、显存占用、请求耗时和依赖状态。但如果这些接口没有鉴权,或者直接暴露在公网,就会成为信息泄露入口。

2. 环境变量承载敏感配置

将数据库连接串、Redis 地址、Kubernetes 地址、API Key 直接写入环境变量,是常见但不安全的做法。环境变量可能被日志、调试接口、异常堆栈、进程信息或管理面板读取。

3. SSRF 校验只检查格式,不检查目标

很多系统只判断输入是否为 URL,却没有限制协议、域名、端口和解析后的 IP。如果允许访问 127.0.0.1、内网网段、云厂商元数据地址或 Kubernetes Service 地址,就可能被用于内网探测。

4. K8s 权限过大

如果 AI 服务使用的 ServiceAccount 拥有 secrets 读取权限,或者能访问 K8s API Server 的敏感资源,那么一旦应用被攻破,攻击者就可以读取集群凭证。生产环境应遵循最小权限原则,避免应用账号拥有集群级敏感权限。

5. 缺少网络隔离与审计

如果 AI API、模型存储、数据库、Redis、K8s API Server 处于同一网络平面,且没有 NetworkPolicy、安全组或出站访问控制,攻击者利用 SSRF 后更容易横向移动。

三、防御方案:从 AI API 到 K8s 的完整加固

1. 收敛 AI API 暴露面

生产环境应关闭非必要调试接口,并将管理面与推理面分离。建议至少完成以下检查:

  • 关闭 /debug、/internal、/admin 等非业务接口。
  • 对 /v1/models 做最小化返回,避免暴露文件路径、内部地址、量化细节和部署信息。
  • 对 OpenAPI 文档、健康检查、指标接口增加鉴权或内网访问限制。
  • 禁止通过公网直接访问模型加载、模型下载、远程 URL 拉取等高风险接口。
  • 如果业务确实需要模型管理能力,应通过统一网关、身份认证和审计日志进行管控。

AI API 如何关闭调试接口?优先在服务配置中关闭调试模式,并在反向代理或 API 网关层拦截 /debug、/metrics、/docs、/internal 等路径;健康检查可保留,但应限制访问来源并避免返回详细错误。

2. SSRF 防护必须校验“最终目标”

对于任何允许传入 URL 的功能,例如模型下载、远程配置、回调地址、插件加载等,都应进行严格校验。下面示例仅演示校验思路,生产需结合 WAF、出站代理和连接层防 DNS Rebinding。

  1. # 示例仅演示校验思路,生产需结合 WAF、出站代理和连接层防 DNS Rebinding。
  2. import ipaddress
  3. import socket
  4. from urllib.parse import urlparse
  5. ALLOWED_HOSTS = {"models.example.com"}
  6. ALLOWED_PORTS = {443}
  7. def is_safe_public_ip(ip: str) -> bool:
  8. addr = ipaddress.ip_address(ip)
  9. # 处理 IPv4-mapped IPv6 地址
  10. if addr.version == 6 and addr.ipv4_mapped:
  11. addr = addr.ipv4_mapped
  12. deny_networks = [
  13. "127.0.0.0/8", # IPv4 回环
  14. "0.0.0.0/8", # 保留地址
  15. "10.0.0.0/8", # 内网
  16. "172.16.0.0/12", # 内网
  17. "192.168.0.0/16", # 内网
  18. "169.254.0.0/16", # 链路本地与云元数据常见段
  19. "100.64.0.0/10", # CGNAT 常见地址
  20. "100.100.0.0/16", # 部分云元数据地址
  21. "224.0.0.0/4", # 组播
  22. "::1/128", # IPv6 回环
  23. "fc00::/7", # IPv6 唯一本地地址
  24. "fe80::/10", # IPv6 链路本地
  25. "ff00::/8", # IPv6 组播
  26. ]
  27. return not any(addr in ipaddress.ip_network(n) for n in deny_networks)
  28. def validate_url(url: str) -> str:
  29. parsed = urlparse(url)
  30. if parsed.scheme != "https":
  31. raise ValueError("仅允许 HTTPS")
  32. if parsed.hostname not in ALLOWED_HOSTS:
  33. raise ValueError("域名不在白名单")
  34. # 默认端口为 443,同时限制端口白名单
  35. port = parsed.port or 443
  36. if port not in ALLOWED_PORTS:
  37. raise ValueError("端口不在白名单")
  38. # 解析全部 A/AAAA 记录,避免只看 IPv4 或单条解析结果
  39. infos = socket.getaddrinfo(parsed.hostname, port, type=socket.SOCK_STREAM)
  40. ips = {info[4][0] for info in infos}
  41. if not ips:
  42. raise ValueError("DNS 解析失败")
  43. for ip in ips:
  44. if not is_safe_public_ip(ip):
  45. raise ValueError("解析到内网、保留或元数据地址")
  46. # 生产实现应固定使用校验通过的 IP 建立连接,并在连接后再次校验实际对端地址。
  47. return sorted(ips)[0]

SSRF 校验如何防 DNS Rebinding?核心不是只检查一次 URL,而是“解析时校验 + 连接时固定 IP + 连接后二次校验”。如果系统支持自动重定向,应禁止默认跟随;如业务确需跟随,每一次 302/307 都必须重新执行同样的目标校验,并记录完整跳转链。

实际落地时还需要注意:

  • 禁止自动跟随重定向,或每次重定向后重新校验目标地址。
  • 禁止访问云厂商元数据地址、Kubernetes 内部服务地址和数据库端口。
  • 对 DNS 解析结果做二次校验,防止 DNS Rebinding。
  • 出站流量应通过统一代理或网关,并配置域名、IP、端口白名单。
  • 避免仅依赖 gethostbyname 这类单一 IPv4 解析方式,防止 IPv6 或后续解析切换绕过。

3. K8s 凭证与权限必须最小化

Kubernetes 环境中,凭证泄露往往比应用漏洞更致命。建议从以下几个方面加固:

  • 为 AI 服务创建独立 ServiceAccount,不与高权限账号共用。
  • 禁止应用账号默认拥有 secrets 的 list、get、watch 权限。
  • 使用 RBAC 精确授权,只允许访问业务必需的 ConfigMap、Secret 或自定义资源。
  • 对数据库、Redis、对象存储等凭证使用独立 Secret,并定期轮换。
  • 启用 KMS、sealed-secrets、External Secrets 或 Vault 等密钥管理方案,避免明文凭证进入镜像、环境变量或代码仓库。
  • 开启 K8s API Server 审计日志,重点关注异常访问 Secrets、ServiceAccounts、Nodes 等敏感资源的行为。

一个简单的原则是:AI 推理服务不应该拥有读取集群全部 Secrets 的权限。

K8s ServiceAccount 最小权限怎么配?如果托管 K8s 与自建集群并存,还需结合云 IAM、安全组和密钥管理服务配置。下面是一个最小权限 Role 示例,仅允许读取指定 ConfigMap,不授予 Secrets 权限。

  1. apiVersion: v1
  2. kind: ServiceAccount
  3. metadata:
  4. name: ai-inference
  5. namespace: ai-prod
  6. ---
  7. apiVersion: rbac.authorization.k8s.io/v1
  8. kind: Role
  9. metadata:
  10. name: model-config-reader
  11. namespace: ai-prod
  12. rules:
  13. - apiGroups: [""]
  14. resources: ["configmaps"]
  15. resourceNames: ["model-loader-config"]
  16. verbs: ["get"]
  17. ---
  18. apiVersion: rbac.authorization.k8s.io/v1
  19. kind: RoleBinding
  20. metadata:
  21. name: model-config-reader
  22. namespace: ai-prod
  23. subjects:
  24. - kind: ServiceAccount
  25. name: ai-inference
  26. namespace: ai-prod
  27. roleRef:
  28. apiGroup: rbac.authorization.k8s.io
  29. kind: Role
  30. name: model-config-reader

如果 AI 服务不需要访问 Kubernetes API,还应在 Pod 配置中关闭默认 Token 挂载,例如:

  1. spec:
  2. automountServiceAccountToken: false

4. 网络隔离:阻断 SSRF 后的横向移动

即使 SSRF 无法完全避免,也应通过网络隔离降低影响范围:

  • 使用 Kubernetes NetworkPolicy 限制 Pod 之间访问。
  • AI API Pod 不应直接访问 K8s API Server,除非有明确业务需求。
  • 模型存储、向量数据库、Redis、MongoDB 等服务应限制来源网段。
  • 内网 Dashboard、监控面板、管理后台不得暴露给业务 Pod 或公网。
  • 对出站流量设置白名单,禁止访问任意内网地址。

下面是一个 AI API 出站白名单示例,只允许访问指定模型服务地址和集群 DNS。实际生产环境应替换为业务真实 CIDR、命名空间和端口。

  1. apiVersion: networking.k8s.io/v1
  2. kind: NetworkPolicy
  3. metadata:
  4. name: ai-api-egress-allowlist
  5. spec:
  6. podSelector:
  7. matchLabels:
  8. app: ai-api
  9. policyTypes:
  10. - Egress
  11. egress:
  12. - to:
  13. - ipBlock:
  14. cidr: 203.0.113.10/32
  15. ports:
  16. - protocol: TCP
  17. port: 443
  18. - to:
  19. - podSelector:
  20. matchLabels:
  21. k8s-app: kube-dns
  22. namespaceSelector:
  23. matchLabels:
  24. kubernetes.io/metadata.name: kube-system
  25. ports:
  26. - protocol: UDP
  27. port: 53
  28. - protocol: TCP
  29. port: 53

如果企业使用云上 Kubernetes,还应结合安全组、私有网络、WAF、API 网关和云防火墙进行多层防护。对于自建集群,建议额外增加默认拒绝策略,再逐条放开必要流量。

5. 审计告警:让异常访问可见

K8s API Server 审计日志是发现凭证异常访问的重要来源。下面是一个审计策略示例,用于记录敏感资源访问和 RBAC 变更。

  1. apiVersion: audit.k8s.io/v1
  2. kind: Policy
  3. rules:
  4. - level: Metadata
  5. verbs: ["get", "list", "watch"]
  6. resources:
  7. - group: ""
  8. resources: ["secrets"]
  9. - group: ""
  10. resources: ["serviceaccounts", "serviceaccounts/token"]
  11. - level: RequestResponse
  12. verbs: ["create", "update", "patch", "delete"]
  13. resources:
  14. - group: "rbac.authorization.k8s.io"
  15. resources: ["roles", "rolebindings", "clusterroles", "clusterrolebindings"]
  16. omitStages:
  17. - RequestReceived

审计日志不能只写本地文件,应接入 SIEM、日志平台或云审计服务,并与告警规则联动。重点告警包括:

  • 内网段访问,例如 10.0.0.0/8、172.16.0.0/12、192.168.0.0/16。
  • 云元数据访问,例如 169.254.169.254、100.100.100.200。
  • Secrets 异常 list、get、watch。
  • ServiceAccount Token 异常创建、挂载或使用。
  • AI API Pod 异常访问数据库端口,例如 3306、6379、27017。
  • URL 参数请求后出现 302/307 跳转到内网地址。
  • K8s API Server 出现匿名访问或低权限越权访问。

6. 大模型服务还需要内容安全与运营风控

除了传统 Web 安全,大模型服务还要面对 Prompt 注入、越权提问、敏感内容生成、接口滥用、盗爬和恶意反馈等风险。对于面向公众提供对话或生成能力的企业,建议同时建设输入审核、输出审核、红线知识库、异常频率控制和蓝军评测机制。

7. SSRF 校验常见错误

很多团队已经做了 URL 校验,但仍然被绕过,常见原因包括:

  • 只查域名,不查解析后的 IP。 域名可指向内网或元数据地址。
  • 只查 IPv4,不查 IPv6。 忽略 ::1、fe80::/10 等地址可能留下绕过空间。
  • 允许 302 重定向。 首个地址合法,跳转后进入内网。
  • 先解析后连接,中间 DNS 发生变化。 存在 DNS Rebinding 或 TOCTOU 风险。
  • 端口无限制。 只限制域名或协议,未限制端口。
  • 黑名单策略过于依赖。 应优先采用域名、IP、端口白名单。
  • 出站流量无隔离。 应用 Pod 可任意访问集群内部服务。

四、上线前安全检查清单

在 AI 服务上线前,可以按以下清单逐项确认:

检查项 建议
调试接口 生产环境关闭 /debug、/metrics、/docs,或强鉴权并限制内网
模型列表接口 最小化返回,不暴露内部路径、文件路径、部署细节
URL 参数 协议、域名、IP、端口、重定向全部校验
DNS 解析 校验全部 A/AAAA 记录,连接时固定 IP 并二次校验
环境变量 不存放明文密钥和数据库连接串
K8s RBAC 应用账号最小权限,禁止读取无关 Secrets
ServiceAccount 独立 SA,无需要时关闭 Token 自动挂载
NetworkPolicy 限制 Pod 出站和东西向流量,默认拒绝
审计日志 记录管理接口、Secrets 访问、RBAC 变更和异常请求
凭证轮换 定期更换 API Key、数据库密码和模型服务凭证
内容安全 增加 Prompt 审核、输出审核和敏感词策略
监控告警 对内网探测、异常 URL 请求和权限异常实时告警

建议额外补充以下告警指标:

  • AI Pod 访问 169.254.169.254 或云元数据地址。
  • AI Pod 访问 Kubernetes Service 地址或 API Server。
  • 任意 Pod 对 Secrets 执行高频 list、get、watch。
  • ServiceAccount Token 被用于非预期 API 调用。
  • 出站流量命中数据库、Redis、MongoDB、模型存储等敏感端口。
  • URL 请求返回 302/307 且 Location 指向内网或元数据地址。

五、平台化接入的边界与条件

对于很多团队来说,完全自建模型推理服务、网关、密钥管理和安全审计会带来较高成本。若企业只是需要调用多种大模型能力,可以在统一网关、鉴权、审计与密钥管理完备的前提下,参考 百度智能云词元所 进行模型发现、价格与性能对比,并通过统一 API 接入降低多模型集成复杂度。

这种方式的降险价值不是绝对的,而是在统一网关、鉴权与审计前提下,可减少部分自建暴露面和运维成本。对于安全要求较高的场景,企业仍应保留自己的身份认证、访问控制、日志审计和内容安全策略,避免把安全边界完全外置。

在模型选型阶段,建议不要只看单次调用价格,还要综合评估上下文长度、推理延迟、并发能力、内容安全、服务稳定性和运维成本。通过平台化方式接入模型服务,可以让企业更专注于业务逻辑,而不是重复建设底层 AI 基础设施。

六、总结

AI API SSRF 到 K8s 凭证泄露的风险,并不是单一漏洞造成的,而是接口暴露、调试信息泄露、URL 校验缺失、权限边界模糊和网络隔离不足共同作用的结果。企业应优先关闭调试接口、收敛模型管理面、严格校验外部 URL、实施 K8s 最小权限,并建立网络隔离与审计告警体系。

对于 SSRF 防御,关键是校验最终目标:不仅看 URL 格式,还要校验协议、域名、端口、DNS 解析结果、连接 IP 和重定向链。对于 K8s 防御,关键是限制 ServiceAccount 权限,避免 AI 服务获得读取集群 Secrets 的能力。对于需要快速接入多模型能力的企业,可以在统一网关、鉴权与审计前提下,借助平台化接入降低部分自建风险,同时保留自身的安全控制边界。