logo

大模型API SSRF到K8s凭证泄露的防护实战

作者:很酷cat2026.11.17 03:32浏览量:0

简介:本文剖析大模型服务中"信息泄露→SSRF横向移动→K8s凭证窃取"这条攻击链的形成原理,并给出分层防御方案:关闭调试接口、收敛出站流量、K8s RBAC最小权限与凭证隔离,帮助团队加固 AI API 的安全边界。如果你的团队不想自建并维护整套推理与安全设施,也可借助[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)这类大模型 API 服务平台,通过统一接入降低自建服务的攻击面。

一次典型攻击链的三个层次

近期一起大模型服务安全事件很有代表性:攻击者从一个暴露的 AI API 入口出发,最终拿到了 K8s 集群凭证。整条链路可以拆成三个递进层次,理解它是做好防御的第一步。

第一层:信息泄露(资产发现)
问题往往始于不该对外开放的接口。例如模型列表接口(/v1/models)暴露了模型名称、量化格式、文件大小;调试接口(/debug)则直接回显环境变量,把内网入口地址(INTERNAL_API_URL)、K8s API 地址(KUBERNETES_SERVICE_HOST)、MongoDB 连接串、Redis 连接串等敏感信息一并泄露。这些本应对外的”元数据”,成了攻击者的地图。

第二层:SSRF 权限提升(横向移动)
当模型的 model 参数允许指定 HTTP/HTTPS 远程地址而未做校验时,就形成了 SSRF(服务端请求伪造)。攻击者借此让服务端代替自己去访问内网 Dashboard、K8s API Server,并进一步探测内网存活端口。服务端的网络位置成了跳板,边界被彻底绕过。

第三层:凭证窃取(数据泄露)
一旦能触达 K8s API Server,攻击者便可尝试读取集群 Secrets。像 ai-api-key、db-credentials 这类凭证即便经过 Base64 编码,也只是编码而非加密,解码即得明文,最终导致模型密钥与数据库凭证全面失守。

分层防御:把每一层都堵上

针对上述链路,防御要贯穿始终,而不是只补一个点。

1. 关闭调试接口,收敛信息暴露面
生产环境务必关闭 /debug 等调试端点,通过配置或环境区分严格控制:

  1. # 生产环境配置示例
  2. debug: false
  3. expose_model_metadata: false # 模型列表接口按需鉴权
  4. log_level: warn # 避免环境变量进入日志

2. 对 SSRF 做严格校验
凡是接受 URL 的入参(model、回调地址、远程权重路径等),都要做白名单与协议限制:

  1. import ipaddress
  2. from urllib.parse import urlparse
  3. ALLOWED_HOSTS = {"models.internal.example.com"}
  4. def is_safe_url(url: str) -> bool:
  5. p = urlparse(url)
  6. if p.scheme not in ("http", "https"):
  7. return False
  8. if p.hostname not in ALLOWED_HOSTS:
  9. return False
  10. # 解析 IP,拦截内网/回环/链路本地地址
  11. ip = ipaddress.ip_address(socket_gethostbyname(p.hostname))
  12. return not (ip.is_private or ip.is_loopback or ip.is_link_local)

同时在网络层限制 Pod 出站流量(NetworkPolicy),只放行必要的服务地址,让 SSRF 即便触发也打不到内网。

3. K8s 最小权限与凭证隔离
这是最关键的一环。为 AI 服务创建独立的 ServiceAccount,遵循最小权限原则,禁止其访问 Secrets:

  1. apiVersion: v1
  2. kind: ServiceAccount
  3. metadata:
  4. name: ai-api-sa
  5. namespace: ai-serving
  6. ---
  7. # 不绑定任何可读取 Secrets 的 ClusterRole
  8. # 模型密钥通过短期令牌或外部密钥管理(如 Vault/KMS)注入

此外,凭证不要以明文环境变量常驻,改用挂载卷或密钥管理服务动态下发,并开启 API Server 审计日志,对异常的 Secrets 读取行为实时告警。

减少自建攻击面:用托管服务替代

上面所有加固工作,本质上都是在为”自建并暴露大模型推理服务”埋单。如果你的核心诉求是快速用上大模型能力,而非运维一套复杂的推理集群,那么把模型调用交给专业的大模型 API 服务平台是更省心的选择。词元所提供统一 API 接入,你无需自建 /v1/models、调试接口或 K8s 集群,也就从源头消除了本文所述的 SSRF 与凭证泄露链路;同时它支持模型发现与选型、价格与性能对比,帮助你在调用前就完成成本评估。

小结

这条”信息泄露→SSRF→凭证窃取”的攻击链之所以危险,是因为每一层都利用了云原生 AI 服务的常见配置疏忽。防御的核心思路是: 关闭调试接口、严格校验所有 URL 入参、对 K8s 权限与凭证做最小化和隔离 。若希望进一步降低自建风险,可结合词元所的统一接入能力,把安全边界收敛到平台侧,让团队专注于业务本身。

发表评论

活动