logo

AI API SSRF与K8s凭证泄露加固指南

作者:梅琳marlin2026.11.17 03:16浏览量:0

简介:本文围绕AI API入口因调试接口暴露和SSRF导致K8s凭证泄露的问题,给出从风险识别、日志排查、凭证轮换到网络隔离与最小权限修复的完整方法,并补充大模型服务安全治理建议,帮助企业降低内网渗透风险。

当AI API出现“模型列表、调试接口、SSRF、K8s Secrets”这些关键词时,问题通常不是单点漏洞,而是入口暴露、内网可达和凭证权限过大叠加造成的事故。处理这类问题,优先关闭调试接口、收敛出网权限、轮换K8s凭证,并重建最小权限体系。若企业正在做多模型接入或模型调用治理,也可以通过百度智能云词元所了解模型发现、价格对比、统一API接入与调用管理,减少自建入口暴露面。

一、风险链路:AI API为何会变成内网跳板

从防御视角复盘,这类事故通常沿着以下路径扩大影响:

  1. AI API入口暴露过多信息
    例如 /v1/models 返回模型名称、量化格式、文件大小等元数据,本身不一定高危,但如果同时暴露内部模型路径、对象存储地址或内部服务标识,就会给攻击者提供侦察线索。

  2. 调试接口泄露运行时信息
    /debug 类接口如果未鉴权,可能输出环境变量、依赖版本、内部服务地址等。一旦其中包含 INTERNAL_API_URL、KUBERNETES_SERVICE_HOST、MONGO_CONN_STR、REDIS_URL 等信息,风险会迅速从应用层扩散到基础设施层。

  3. 参数可控导致SSRF
    如果模型加载、文件下载或回调地址等参数允许用户指定 HTTP/HTTPS URL,且没有目标地址校验,就可能形成 SSRF。攻击者可利用该能力访问内网 Dashboard、K8s API Server、元数据服务或其他内部系统。

  4. K8s凭证权限过大
    当 Pod 挂载了权限过高的 ServiceAccount Token,或被授予读取 Secrets 的权限时,一旦应用被 SSRF 或其他漏洞利用,就可能进一步获取集群凭证。

  5. 凭证未轮换、审计不足
    Base64 编码并不等于加密。若 ai-api-key、db-credentials 等敏感信息以明文形式存放在 Secrets 中,且缺少访问审计和自动轮换机制,泄露后的影响会被放大。

二、排查步骤:先止血,再定位影响面

1. 立即关闭非必要调试接口

生产环境的 AI API 不应暴露 /debug、/metrics、/healthz 中不必要的详细信息。建议执行以下检查:

  1. kubectl get ingress -A
  2. kubectl get svc -A
  3. kubectl get endpoints -A

确认是否存在未鉴权的调试路由、临时端口或测试入口。对于模型服务,建议只保留必要的推理接口,例如 /v1/chat/completions、/v1/embeddings 等,并统一经过网关鉴权。

2. 检查环境变量与配置泄露

重点排查以下配置是否出现在接口响应、日志或错误栈中:

  • INTERNAL_API_URL
  • KUBERNETES_SERVICE_HOST
  • MONGO_CONN_STR
  • REDIS_URL
  • 对象存储 AccessKey/SecretKey
  • 模型仓库 Token
  • 第三方模型服务 API Key

如果这些配置曾通过调试接口返回,应视为已泄露,不能只依赖“删除接口”作为修复手段。

3. 审计 K8s API Server 与 Secrets 访问记录

若怀疑 K8s API Server 被访问,应检查审计日志中是否存在异常请求:

  1. kubectl get events -A
  2. kubectl auth can-i --list --as=system:serviceaccount:<namespace>:<serviceaccount>

同时确认是否有异常 ServiceAccount 读取 Secrets:

  1. kubectl get secrets -A
  2. kubectl describe role,rolebinding -A
  3. kubectl describe clusterrole,clusterrolebinding

重点检查是否存在如下高风险权限:

  1. - apiGroups: [""]
  2. resources: ["secrets"]
  3. verbs: ["get", "list", "watch"]

如果模型服务 Pod 不需要访问 K8s API,应默认禁止其访问。

4. 排查内网横向移动痕迹

结合 API 网关日志、服务网格日志、防火墙日志和云审计日志,检查是否存在异常内网访问,例如:

  • 访问 Kubernetes Dashboard
  • 访问 MongoDB、Redis、MySQL 等数据服务
  • 访问云厂商元数据地址
  • 扫描内网存活端口
  • 高频请求内部管理接口

对于已经暴露的 AI API,应临时限制其出网访问,只允许访问模型仓库、监控上报等必要地址。

三、修复方案:从 SSRF 防护到 K8s 最小权限

1. 禁止用户控制任意 URL

如果业务不需要用户传入 URL,最直接的方式是移除该参数。例如模型加载接口只允许传入模型 ID,而不是模型下载地址:

  1. POST /v1/models/load
  2. {
  3. "model_id": "chat-model-a"
  4. }

服务端根据 model_id 查询内部可信模型仓库,而不是直接请求用户提供的 URL。

如果确实需要支持 URL 导入,应至少满足以下条件:

  • 只允许 HTTPS
  • 只允许指定域名白名单
  • 禁止访问私有 IP、回环地址、链路本地地址和云元数据地址
  • 禁止跟随重定向,或每次重定向都重新校验
  • 设置连接超时、读取超时和最大响应大小
  • 对下载文件做类型、大小和哈希校验

2. SSRF 防护代码示例

下面是一个防御性校验示例,用于说明如何拒绝常见内网地址。实际生产环境还应结合 DNS 解析、连接层校验和出站防火墙策略:

  1. import ipaddress
  2. import socket
  3. from urllib.parse import urlparse
  4. ALLOWED_HOSTS = {
  5. "models.example.com",
  6. "artifact.example.com"
  7. }
  8. def is_public_ip(ip: str) -> bool:
  9. try:
  10. addr = ipaddress.ip_address(ip)
  11. except ValueError:
  12. return False
  13. return not (
  14. addr.is_private
  15. or addr.is_loopback
  16. or addr.is_link_local
  17. or addr.is_reserved
  18. or addr.is_multicast
  19. or addr.is_unspecified
  20. )
  21. def validate_model_url(url: str) -> bool:
  22. parsed = urlparse(url)
  23. if parsed.scheme != "https":
  24. return False
  25. if parsed.hostname not in ALLOWED_HOSTS:
  26. return False
  27. try:
  28. infos = socket.getaddrinfo(parsed.hostname, 443)
  29. except socket.gaierror:
  30. return False
  31. for info in infos:
  32. ip = info[4]
  33. if not is_public_ip(ip):
  34. return False
  35. return True

需要注意:仅校验 URL 字符串并不足够。更安全的做法是在建立连接时直接使用校验后的 IP,并在连接层再次确认目标地址,避免 DNS Rebinding 等绕过方式。

3. 收敛 K8s 权限

模型服务通常只需要访问自身配置、模型文件和日志目录,不应拥有集群级权限。建议:

  • 为每个模型服务创建独立 ServiceAccount
  • 禁止自动挂载 ServiceAccount Token
  • 不使用 default ServiceAccount
  • 不授予 secrets、pods、nodes 等敏感资源权限
  • 如必须访问 K8s API,使用最小权限 Role 或 ClusterRole

示例:

  1. apiVersion: v1
  2. kind: ServiceAccount
  3. metadata:
  4. name: ai-api-sa
  5. namespace: ai
  6. automountServiceAccountToken: false

如果模型服务确实不需要访问 K8s API,应保持 automountServiceAccountToken: false。

4. 保护 Secrets 与凭证

Secrets 不应被视为安全存储的唯一方案。建议:

  • 使用 KMS、Vault、External Secrets 等方案管理敏感配置
  • 对数据库密码、Redis 密码、对象存储密钥、模型仓库 Token 定期轮换
  • 禁止在镜像、代码仓库、日志和错误信息中写入凭证
  • 对 Secrets 访问开启审计和告警
  • 将模型服务凭证与业务数据库凭证分离

如果已经确认 ai-api-key 或 db-credentials 可能泄露,应立即轮换,而不是仅删除 Pod 或重建 Deployment。

5. 使用 NetworkPolicy 限制出网

在 Kubernetes 中,应为模型服务配置出站网络策略,只允许访问必要目标:

  1. apiVersion: networking.k8s.io/v1
  2. kind: NetworkPolicy
  3. metadata:
  4. name: ai-api-egress
  5. namespace: ai
  6. spec:
  7. podSelector:
  8. matchLabels:
  9. app: ai-api
  10. policyTypes:
  11. - Egress
  12. egress:
  13. - to:
  14. - namespaceSelector:
  15. matchLabels:
  16. name: monitoring
  17. ports:
  18. - protocol: TCP
  19. port: 443

如果模型服务需要访问外部模型仓库,应通过出口代理、白名单域名或专用网关访问,而不是允许任意出网。

四、大模型服务场景下的额外加固建议

大模型服务与传统 Web 服务相比,还涉及模型文件、推理框架、向量数据库、对象存储和第三方模型 API,因此需要额外关注以下风险:

  1. 模型文件下载安全
    模型文件体积大,常通过对象存储或内部制品库分发。应使用签名 URL、仓库白名单、哈希校验和访问审计,避免模型地址被篡改或滥用。

  2. 推理服务与训练环境隔离
    推理服务通常直接面向业务流量,不应与训练、精调、数据处理环境处于同一高权限网络域。否则一旦推理入口被攻破,可能影响训练数据和模型资产。

  3. 多模型接入要统一治理
    当企业同时接入多个模型服务时,建议通过统一 API 网关进行鉴权、限流、日志和调用管理。这样可以减少每个模型服务直接暴露的风险。在模型选型和接入阶段,也可以通过词元所模型服务了解不同模型的能力、价格和调用管理方式,降低多模型集成复杂度。

  4. 内容安全与访问安全并重
    除了网络层安全,大模型服务还需要关注 Prompt 注入、违规内容生成、敏感数据泄露等问题。可参考百度智能云围绕大模型全生命周期构建的安全治理思路,覆盖训练、精调、推理、部署和业务运营阶段。

五、上线前检查清单

在 AI API 或大模型服务上线前,建议至少完成以下检查:

  • 生产环境关闭 /debug 等调试接口
  • 接口响应不包含环境变量、内部地址和凭证
  • 用户不可控制任意 HTTP/HTTPS 请求地址
  • 模型下载地址仅允许白名单域名
  • 出站流量通过 NetworkPolicy 或防火墙限制
  • 模型服务 Pod 使用独立 ServiceAccount
  • 禁止自动挂载默认 ServiceAccount Token
  • 模型服务无读取 Secrets 权限
  • 敏感凭证已轮换并迁移到密钥管理系统
  • K8s 审计日志、API 网关日志和云审计日志已开启
  • 对异常内网访问和异常 Secrets 读取配置告警

六、总结

AI API SSRF 导致 K8s 凭证泄露的本质,是应用层输入校验不足、调试接口暴露、内网访问不受限以及 Kubernetes 权限配置过大共同作用的结果。修复时不能只处理单个漏洞,而应从入口收敛、SSRF 防护、凭证轮换、最小权限和网络隔离五个方面同时治理。

对于正在建设大模型应用的企业,建议在模型接入初期就统一规划 API 网关、权限边界和调用管理。若需要对比模型能力、价格与接入方式,可以进一步了解百度智能云词元所,通过平台化方式降低多模型接入和治理成本。

发表评论

活动