如何使用大型语言模型（LLMs）自动检测BOLA漏洞
字数 2063 2025-08-20 18:18:16

使用大型语言模型(LLMs)自动检测BOLA漏洞教学文档

1. BOLA漏洞概述

对象级授权损坏(BOLA)是现代API和Web应用程序中广泛存在且可能非常严重的漏洞。当API应用程序的后端无法验证用户是否具有访问、修改或删除对象的正确权限时，就会发生BOLA。

1.1 BOLA示例

在一个医疗应用中，患者可以使用以下API访问医生就诊记录：

api.clinic.site/get_history?visit_id=XXXX

如果服务器未能正确验证权限逻辑，恶意患者可能通过操纵visit_id参数访问其他患者的数据。

1.2 BOLA检测的挑战

  1. 应用程序逻辑复杂性：现代应用通常具有复杂的授权机制
  2. 输入参数多样性：需要识别引用敏感数据的参数
  3. 有状态特性：API调用结果可能依赖于其他API的执行
  4. 缺乏漏洞指标：BOLA是逻辑错误，没有已知模式可识别
  5. 上下文相关输入：需要精确定位敏感参数并提供有效值

2. BOLABuster方法概述

BOLABuster是一种利用LLM的推理能力来自动检测BOLA漏洞的方法，仅需要目标API的OpenAPI 3规范作为输入。

2.1 方法流程

  1. 识别潜在易受攻击的端点(PVE)
  2. 发现端点依赖关系
  3. 生成执行路径和测试计划
  4. 创建测试脚本
  5. 执行计划并分析结果

3. 详细实施步骤

3.1 识别潜在易受攻击的端点(PVE)

目标：识别可能易受BOLA攻击的API端点

步骤：

  1. 筛选经过身份验证的端点
  2. 识别具有唯一标识数据对象的参数(如username、email、teamId等)
  3. 分析端点功能和参数，确定哪些引用或返回敏感数据

LLM任务：

  • 分析API规范
  • 识别敏感数据相关端点
  • 标记潜在易受攻击端点

3.2 发现端点依赖关系

目标：分析应用程序逻辑以发现API端点间的依赖关系

概念：

  • 生产者：输出其他端点所需参数的端点
  • 消费者：摄入其他端点输出参数的端点

LLM任务：

  • 分析每个端点的功能和参数
  • 确定端点间的生产-消费关系
  • 构建依赖关系图

3.3 生成执行路径和测试计划

目标：为每个PVE构建依赖关系树和执行路径

步骤：

  1. 以PVE为根节点构建依赖树
  2. 从叶节点到根的路径代表一条执行路径
  3. 为每条执行路径创建测试计划

LLM任务：

  • 构建依赖关系树
  • 识别所有可能的执行路径
  • 生成结构化测试计划

3.4 创建测试脚本

目标：将执行路径转换为可执行的bash脚本

脚本内容：

  1. 用户登录获取认证令牌
  2. 执行API调用序列
  3. 涉及至少两个认证用户
  4. 一个用户尝试访问另一个用户的数据

测试示例：

  1. 用户Alice登录并创建文章和评论
  2. 将文章和评论ID传递给用户Bob
  3. Bob尝试删除Alice的评论
  4. 若操作成功则存在BOLA

LLM任务：

  • 将执行路径转换为脚本代码
  • 确保脚本逻辑正确
  • 处理认证和令牌管理

3.5 执行计划并分析

目标：执行测试并分析结果

执行策略：

  1. 自动化用户注册、登录和令牌刷新
  2. 按特定顺序运行测试用例以减少依赖
  3. 确保执行路径内除PVE外的所有API调用成功
  4. 将包含更新/删除操作的脚本安排在序列末尾

分析过程：

  1. 记录测试日志和输出
  2. LLM分析结果判断是否存在漏洞
  3. 人工验证可疑结果
  4. 通过反馈提高LLM准确性

4. 实际应用案例

BOLABuster已成功发现多个开源项目的BOLA漏洞：

  1. Grafana (CVE-2024-1313)
  2. Harbor (CVE-2024-22278)
  3. Easy!Appointments (CVE-2023-3285至CVE-2023-3290和CVE-2023-38047至CVE-2023-38055)

5. 技术优势与局限

5.1 优势

  1. 自动化：将手动任务自动化
  2. 可扩展：方法可扩展到其他类型漏洞检测
  3. 高效：大规模检测能力
  4. 智能推理：利用LLM理解复杂应用逻辑

5.2 局限与挑战

  1. 人工验证需求：仍需人工验证结果
  2. API规范依赖：依赖完整准确的API规范
  3. LLM限制：受限于LLM的理解和推理能力
  4. 误报率：可能存在一定误报需要人工筛选

6. 安全影响与未来方向

6.1 安全影响

  1. 防御应用：增强安全团队检测能力
  2. 攻击风险：可能被攻击者用于发现零日漏洞
  3. AI对抗：需要发展更先进的防御性AI

6.2 未来方向

  1. 扩展到更多漏洞类型检测
  2. 提高自动化程度减少人工干预
  3. 优化LLM提示和训练以提高准确性
  4. 开发预防BOLA的开发框架

7. 参考文献

  1. Grafana安全公告: https://grafana.com/security/security-advisories/cve-2024-1313/
  2. NVD漏洞详情: https://nvd.nist.gov/vuln/detail/CVE-2024-22278
  3. CVE数据库: https://cve.mitre.org/
  4. Palo Alto Networks研究报告: https://unit42.paloaltonetworks.com/automated-bola-detection-and-ai/
使用大型语言模型(LLMs)自动检测BOLA漏洞教学文档 1. BOLA漏洞概述 对象级授权损坏(BOLA) 是现代API和Web应用程序中广泛存在且可能非常严重的漏洞。当API应用程序的后端无法验证用户是否具有访问、修改或删除对象的正确权限时，就会发生BOLA。 1.1 BOLA示例 在一个医疗应用中，患者可以使用以下API访问医生就诊记录： 如果服务器未能正确验证权限逻辑，恶意患者可能通过操纵 visit_id 参数访问其他患者的数据。 1.2 BOLA检测的挑战 应用程序逻辑复杂性 ：现代应用通常具有复杂的授权机制 输入参数多样性 ：需要识别引用敏感数据的参数 有状态特性 ：API调用结果可能依赖于其他API的执行 缺乏漏洞指标 ：BOLA是逻辑错误，没有已知模式可识别 上下文相关输入 ：需要精确定位敏感参数并提供有效值 2. BOLABuster方法概述 BOLABuster是一种利用LLM的推理能力来自动检测BOLA漏洞的方法，仅需要目标API的OpenAPI 3规范作为输入。 2.1 方法流程 识别潜在易受攻击的端点(PVE) 发现端点依赖关系 生成执行路径和测试计划 创建测试脚本 执行计划并分析结果 3. 详细实施步骤 3.1 识别潜在易受攻击的端点(PVE) 目标 ：识别可能易受BOLA攻击的API端点 步骤 ： 筛选经过身份验证的端点 识别具有唯一标识数据对象的参数(如username、email、teamId等) 分析端点功能和参数，确定哪些引用或返回敏感数据 LLM任务 ： 分析API规范 识别敏感数据相关端点 标记潜在易受攻击端点 3.2 发现端点依赖关系 目标 ：分析应用程序逻辑以发现API端点间的依赖关系 概念 ： 生产者 ：输出其他端点所需参数的端点 消费者 ：摄入其他端点输出参数的端点 LLM任务 ： 分析每个端点的功能和参数 确定端点间的生产-消费关系 构建依赖关系图 3.3 生成执行路径和测试计划 目标 ：为每个PVE构建依赖关系树和执行路径 步骤 ： 以PVE为根节点构建依赖树 从叶节点到根的路径代表一条执行路径 为每条执行路径创建测试计划 LLM任务 ： 构建依赖关系树 识别所有可能的执行路径 生成结构化测试计划 3.4 创建测试脚本 目标 ：将执行路径转换为可执行的bash脚本 脚本内容 ： 用户登录获取认证令牌 执行API调用序列 涉及至少两个认证用户 一个用户尝试访问另一个用户的数据 测试示例 ： 用户Alice登录并创建文章和评论 将文章和评论ID传递给用户Bob Bob尝试删除Alice的评论 若操作成功则存在BOLA LLM任务 ： 将执行路径转换为脚本代码 确保脚本逻辑正确 处理认证和令牌管理 3.5 执行计划并分析 目标 ：执行测试并分析结果 执行策略 ： 自动化用户注册、登录和令牌刷新 按特定顺序运行测试用例以减少依赖 确保执行路径内除PVE外的所有API调用成功 将包含更新/删除操作的脚本安排在序列末尾 分析过程 ： 记录测试日志和输出 LLM分析结果判断是否存在漏洞 人工验证可疑结果 通过反馈提高LLM准确性 4. 实际应用案例 BOLABuster已成功发现多个开源项目的BOLA漏洞： Grafana (CVE-2024-1313) Harbor (CVE-2024-22278) Easy !Appointments (CVE-2023-3285至CVE-2023-3290和CVE-2023-38047至CVE-2023-38055) 5. 技术优势与局限 5.1 优势 自动化 ：将手动任务自动化 可扩展 ：方法可扩展到其他类型漏洞检测 高效 ：大规模检测能力 智能推理 ：利用LLM理解复杂应用逻辑 5.2 局限与挑战 人工验证需求 ：仍需人工验证结果 API规范依赖 ：依赖完整准确的API规范 LLM限制 ：受限于LLM的理解和推理能力 误报率 ：可能存在一定误报需要人工筛选 6. 安全影响与未来方向 6.1 安全影响 防御应用 ：增强安全团队检测能力 攻击风险 ：可能被攻击者用于发现零日漏洞 AI对抗 ：需要发展更先进的防御性AI 6.2 未来方向 扩展到更多漏洞类型检测 提高自动化程度减少人工干预 优化LLM提示和训练以提高准确性 开发预防BOLA的开发框架 7. 参考文献 Grafana安全公告: https://grafana.com/security/security-advisories/cve-2024-1313/ NVD漏洞详情: https://nvd.nist.gov/vuln/detail/CVE-2024-22278 CVE数据库: https://cve.mitre.org/ Palo Alto Networks研究报告: https://unit42.paloaltonetworks.com/automated-bola-detection-and-ai/