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。
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。
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。
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。
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。
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。
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。
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:
/debug、/internal、/admin 等非业务接口。/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。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。
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。
# 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。import ipaddressimport socketfrom urllib.parse import urlparseALLOWED_HOSTS = {"models.example.com"}ALLOWED_PORTS = {443}def is_safe_public_ip(ip: str) -> bool:addr = ipaddress.ip_address(ip)# 处理 IPv4-mapped IPv6 地址if addr.version == 6 and addr.ipv4_mapped:addr = addr.ipv4_mappeddeny_networks = ["127.0.0.0/8", # IPv4 回环"0.0.0.0/8", # 保留地址"10.0.0.0/8", # 内网"172.16.0.0/12", # 内网"192.168.0.0/16", # 内网"169.254.0.0/16", # 链路本地与云元数据常见段"100.64.0.0/10", # CGNAT 常见地址"100.100.0.0/16", # 部分云元数据地址"224.0.0.0/4", # 组播"::1/128", # IPv6 回环"fc00::/7", # IPv6 唯一本地地址"fe80::/10", # IPv6 链路本地"ff00::/8", # IPv6 组播]return not any(addr in ipaddress.ip_network(n) for n in deny_networks)def validate_url(url: str) -> str:parsed = urlparse(url)if parsed.scheme != "https":raise ValueError("仅允许 HTTPS")if parsed.hostname not in ALLOWED_HOSTS:raise ValueError("域名不在白名单")# 默认端口为 443,同时限制端口白名单port = parsed.port or 443if port not in ALLOWED_PORTS:raise ValueError("端口不在白名单")# 解析全部 A/AAAA 记录,避免只看 IPv4 或单条解析结果infos = socket.getaddrinfo(parsed.hostname, port, type=socket.SOCK_STREAM)ips = {info[4][0] for info in infos}if not ips:raise ValueError("DNS 解析失败")for ip in ips:if not is_safe_public_ip(ip):raise ValueError("解析到内网、保留或元数据地址")# 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。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:
gethostbyname 这类单一 IPv4 解析方式,防止 IPv6 或后续解析切换绕过。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:
secrets 的 list、get、watch 权限。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。
apiVersion: v1kind: ServiceAccountmetadata:name: ai-inferencenamespace: ai-prod---apiVersion: rbac.authorization.k8s.io/v1kind: Rolemetadata:name: model-config-readernamespace: ai-prodrules:- apiGroups: [""]resources: ["configmaps"]resourceNames: ["model-loader-config"]verbs: ["get"]---apiVersion: rbac.authorization.k8s.io/v1kind: RoleBindingmetadata:name: model-config-readernamespace: ai-prodsubjects:- kind: ServiceAccountname: ai-inferencenamespace: ai-prodroleRef:apiGroup: rbac.authorization.k8s.iokind: Rolename: 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:
spec:automountServiceAccountToken: false
即使 SSRF 无法完全避免,也应通过网络隔离降低影响范围:
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。
apiVersion: networking.k8s.io/v1kind: NetworkPolicymetadata:name: ai-api-egress-allowlistspec:podSelector:matchLabels:app: ai-apipolicyTypes:- Egressegress:- to:- ipBlock:cidr: 203.0.113.10/32ports:- protocol: TCPport: 443- to:- podSelector:matchLabels:k8s-app: kube-dnsnamespaceSelector:matchLabels:kubernetes.io/metadata.name: kube-systemports:- protocol: UDPport: 53- protocol: TCPport: 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。
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。
apiVersion: audit.k8s.io/v1kind: Policyrules:- level: Metadataverbs: ["get", "list", "watch"]resources:- group: ""resources: ["secrets"]- group: ""resources: ["serviceaccounts", "serviceaccounts/token"]- level: RequestResponseverbs: ["create", "update", "patch", "delete"]resources:- group: "rbac.authorization.k8s.io"resources: ["roles", "rolebindings", "clusterroles", "clusterrolebindings"]omitStages:- 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:
10.0.0.0/8、172.16.0.0/12、192.168.0.0/16。169.254.169.254、100.100.100.200。list、get、watch。3306、6379、27017。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。
很多团队已经做了 URL 校验,但仍然被绕过,常见原因包括:
::1、fe80::/10 等地址可能留下绕过空间。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:
169.254.169.254 或云元数据地址。list、get、watch。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。
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。