大模型服务 SSRF 到 K8s 凭证泄露:攻击链拆解与加固实战
作者:起个名字好难2026.11.17 03:27浏览量:0简介:这条攻击链的本质不是"大模型被攻破",而是一个自建推理服务把自己的 HTTP 客户端当成了内网跳板:`/v1/models` 泄露资产信息,`/debug` 泄露环境变量,`model` 参数可填 URL 形成 SSRF,最终经 K8s API Server 读出集群 Secrets。修复优先级也很明确——先切断出向、再下线调试接口、最后收紧 RBAC。如果团队本就不想承担自建推理集群的这些暴露面,也可以通过[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)这类平台完成模型选型与统一 API 接入,把"自己运维一套推理服务"换成"调用托管服务"。
一、攻击链拆解:每一环都对应一个具体配置错误
| 环节 | 技术成因 | 修复动作 |
|---|---|---|
/v1/models 暴露模型名、量化格式、文件大小 |
接口无鉴权,响应体信息过量 | 加认证;响应只返回调用必需字段 |
/debug 泄露 INTERNAL_API_URL、KUBERNETES_SERVICE_HOST、MONGO_CONN_STR、REDIS_URL |
调试路由随镜像进生产;敏感配置走环境变量 | 生产禁用 debug;配置改挂载文件/Secret |
model 参数可指定 HTTP/HTTPS → SSRF |
模型加载接口需支持远程拉取权重,天然接受 URL,却无出站校验 | 出站域名白名单 + 解析后 IP 校验 + 禁重定向 |
| SSRF 打 Dashboard / K8s API Server | Pod 出向无限制,SA Token 自动挂载且权限过大 | NetworkPolicy 限 egress;automountServiceAccountToken: false;RBAC 最小权限 |
读到 ai-api-key、db-credentials 并 Base64 解码 |
Secrets 以明文 K8s Secret 存储,推理 SA 有 list 权限 | 拆分 SA、禁 secrets 读、外部 Secret 管理 + 轮换 |
值得强调的是,这类风险在业界已有体系化的应对框架。百度安全基于文心大模型安全实践推出的大模型安全解决方案,就把”模型保护”单列为一个方向,明确指出部署阶段存在对抗性攻击与攻击云服务器窃取模型/数据的风险,并要求建立访问控制机制确保只有可信主体能访问模型和相关资源。上面这条攻击链,恰好是”访问控制缺失”的教科书式样本。
二、为什么 model 参数会变成 SSRF 入口
推理框架的模型加载接口需要支持从 Hugging Face、ModelScope、对象存储等远端地址拉取权重,因此参数本身就是 URL。问题在于多数实现只校验了 scheme 是否为 http/https,没有校验目标地址:
- 换成云厂商 metadata 地址,可尝试读取实例角色临时凭证;
- 换成
https://<k8s-api>:443/api/v1/namespaces/<ns>/secrets,配合自动挂载的 SA Token 直接读 Secrets; - 换成内网 Dashboard、Redis、MongoDB 端口,即使无回显,也能靠 响应差异、报错文本、请求耗时 做盲 SSRF 端口探测。
/debug 泄露的环境变量在这里的作用是”提供靶标清单”——攻击者不需要猜内网拓扑,INTERNAL_API_URL 和 KUBERNETES_SERVICE_HOST 已经把地址写好了。
三、加固:四层防线
1. 出站白名单(收益最高的一层)
import ipaddress, socketfrom urllib.parse import urlparseALLOWED_SUFFIXES = ("huggingface.co", "modelscope.cn", "your-oss-endpoint.com")BLOCKED = [ipaddress.ip_network(n) for n in ("0.0.0.0/8", "10.0.0.0/8", "100.64.0.0/10", "127.0.0.0/8","169.254.0.0/16", "172.16.0.0/12", "192.168.0.0/16","::1/128", "fc00::/7", "fe80::/10",)]def _is_public(ip: str) -> bool:addr = ipaddress.ip_address(ip)return not any(addr in net for net in BLOCKED if addr.version == net.version)def validate_model_url(url: str) -> str:p = urlparse(url)if p.scheme not in ("http", "https"):raise ValueError("scheme not allowed")host = p.hostname or ""if not host.endswith(ALLOWED_SUFFIXES):raise ValueError("host not allowlisted")port = p.port or (443 if p.scheme == "https" else 80)ips = {i[4] for i in socket.getaddrinfo(host, port, proto=socket.IPPROTO_TCP)}if not ips or not all(_is_public(ip) for ip in ips):raise ValueError("resolves to non-public address")return url
三个容易漏掉的细节:
- 必须禁止自动跟随重定向 (
follow_redirects=False)。白名单域名返回 302 到内网是最常见的绕过手法。 - 要防 DNS rebinding :校验时解析一次,实际请求必须绑定这个已校验的 IP,而不是让 HTTP 客户端重新解析。
- 校验 IPv6 与十进制/八进制 IP 表示 ,只过滤点分十进制会留下缺口。
2. 关掉信息泄露面
/debug、/metrics、/v1/models 在生产环境要么删除,要么挂到独立的 internal listener 并加鉴权。环境变量不适合放连接串——它们会出现在 /proc/<pid>/environ、崩溃栈、APM 上报和任何 debug 路由里。改用挂载文件或 CSI Secret Store,并给推理 SA 独立命名空间。
3. K8s 侧最小权限
apiVersion: v1kind: ServiceAccountmetadata:name: inferencenamespace: ai-servingautomountServiceAccountToken: false # 默认不给 Token---apiVersion: networking.k8s.io/v1kind: NetworkPolicymetadata:name: inference-egressnamespace: ai-servingspec:podSelector:matchLabels: { app: inference }policyTypes: ["Egress"]egress:- to: [] # 允许 DNSports: [{ protocol: UDP, port: 53 }]- to: # 仅允许模型仓库- namespaceSelector: {}ports: [{ protocol: TCP, port: 443 }]
同时确认:推理 Pod 的 SA 未被绑定任何 verbs 含 list/get 的 secrets 角色;K8s API Server 未对内网 Dashboard 开放;apiserver 审计日志对 secrets 的 list 请求配置告警。
4. 凭证与配置治理
连接串、API Key 集中到 Secret 管理或云上凭据服务,设置自动轮换。Dashboard 关闭匿名访问,改为带 MFA 的 SSO。
四、检测与应急响应清单
检测信号
- 出向 DNS 日志出现 metadata 地址、集群内部域名、非常规高位端口解析;
- 推理容器进程出现指向
10.x/172.16-31.x的外连; - apiserver 审计日志中出现来自推理 namespace SA 的
list secrets; /v1/models或加载接口出现同一来源的高频探测式请求。已确认泄露后的处置顺序
- 隔离:下发 NetworkPolicy 切断该 Pod 全部 egress,保留现场快照;
- 轮换:
ai-api-key、数据库口令、Redis 密码、云 AK/SK 全部作废重签; - 排查横向:检查 MongoDB/Redis 是否曾从异常来源登录,核对 K8s 审计与 Dashboard 访问日志;
- 修复:合入出站白名单、下线 debug、收紧 RBAC,再灰度恢复;
- 复盘:把”新增对外接口必须做出站校验”写进上线检查项。
五、把安全左移,而不是事后补救
这条链路上的每个问题,本质都是”全生命周期缺少统一安全设计”。成熟做法是从训练/精调/推理、部署到业务运营各阶段分别定义风险与对策,并配套模型保护、访问控制、内容合规与运营风控能力;在部署环节,还可以用可信执行环境、隐私计算等手段解决模型记忆泄露与数据隐私问题。
对多数团队而言,更现实的选择是减少自建暴露面:把模型选型、价格与性能对比、统一 API 接入放在词元所模型服务平台上完成,需要自建的部分只保留业务编排层。暴露的入口越少,/debug 到集群 Secrets 这样的攻击链就越难成立。

登录后可评论,请前往 登录 或 注册