无服务器架构(也称为功能即服务FaaS)在企业中用于构建和部署软件和服务,不需要内部物理或虚拟服务器。
这种架构倍受青睐,因为它本身具有的可扩展性,和与AWS Lambda、Azure Functions、Google Cloud Functions和IBM BlueMix Cloud Functions等云服务的兼容性。
然而,正如PureSec的一份新报告所指出的,这种架构对于传统基于服务器系统所面临的那些安全问题和挑战也并不具有免疫力。
周三,无服务器架构安全公司PureSec发布了一份新的报告,详细介绍了当今这些系统面临的最常见的安全问题和挑战。
这份题为“无服务器体系结构中十大关键安全风险”的报告表明,以下10个问题正在引发当今的安全挑战:
1、功能事件数据植入:应用中植入的漏洞是最常见的风险之一,不仅可以通过不可信的输入(如通过Web API调用)触发,也可由于无服务器体系结构的潜在攻击面引起,也可能是来自于云存储事件、NoSQL数据库、代码更改、消息队列事件和物联网遥测信号等等。
“这些丰富的事件源增加了潜在的攻击面,并在尝试保护无服务器功能以防止事件数据注入时引入了复杂性,特别是因为无服务器体系结构几乎不像Web环境那样,开发人员知道哪部分消息不应该被理解被信任(GET / POST参数、HTTP标头等),”报告称。
2、认证失效:为无服务器体系结构构建的应用通常包含数十个甚至数百个无服务器功能,每个都有特定的用途。
这些功能连接在一起形成整个系统逻辑,但其中一些功能可能公开Web API,其他函数可能会消耗来自不同源类型的事件,还有一些功能具有可能被攻击的编码问题,从而导致未经授权的认证。
3、不安全的无服务器部署配置:PureSec发现,错误的设置和云服务的误配置是一个常见的主题。这反过来又可能成为无服务器体系结构的攻击入口,泄露敏感的、机密的信息的泄漏,以及为潜在的中间人攻击(MiTM)提供入口点。
4、超权限的功能许可和角色:无服务器应用以及整个企业系统都应该遵循“最小权限”的原则。
如果用户得到了超出他们日常工作所需的访问权限,那么攻击者是否会攻击他们的账户?他们得到了入侵的许可,而这原本是可以避免的——对应用也是如此。
但是,PureSec发现这种原则并没有被遵循。无服务器功能应该只有所需的权限,但因为设置这些权限可能是面向几十种功能的,所以这方面往往被忽略,并成为一个安全弱点。
5、监控和日志功能不足:在侦察攻击的阶段,威胁实施者试图击破网络防御和弱点,这对网络安全解决方案检测可疑行为并关闭该行为也是一个关键点。
由于无服务器架构是驻留在云环境中的,所以“本地”实时网络安全解决方案是多余的,这意味着可能会错过发现早期的攻击迹象。
虽然无服务器系统通常提供了日志记录功能,但可能不适合安全监视或审计的目的。
6、不安全的第三方依赖关系:当无服务器功能依赖于第三方软件(如开源软件包和库)时,如果存在漏洞,也可能为被入侵开辟道路。
7、不安全的应用秘密存储:许多应用程序需要加密和存储“秘密”信息,例如API密钥、密码、配置设置和数据库凭证。
但是,PureSec检测到的一个反复出现的错误,是将这些信息存储在纯文本配置文件中的常见做法,任何入侵者都可以随意利用。
8、DDoS攻击,资源达到极限:根据研究,分布式拒绝服务(DDoS)攻击对无服务器架构构成严重风险,因为可能存在内存分配、每个功能的持续时间和执行限制。
默认限制和糟糕的配置可能导致DDoS攻击取得成功和延迟争夺问题。
9、无服务器功能执行流操作:攻击者可能通过篡改应用流来破坏应用逻辑,导致绕过访问控制、特权升级或拒绝服务攻击。
10、不正确的异常处理和冗长的错误消息:无服务器架构的逐行调试服务通常相当有限。因此,一些开发人员会用冗长的错误消息,在事实发生之后启用调试,并且在移到生产环境时可能会忘记清除代码。
当暴露给最终用户时,这些消息可能会揭示有关无服务器功能和所用逻辑的信息,以及系统和机密数据中的弱点。
PureSec公司首席技术官兼共同创始人Ory Segal表示:“无服务器架构在过去几年里飞速增长,年增长率超过700%。我们的研究表明,与无服务器相关的软件下载体验呈指数级增长,但同时,与传统应用相比,无服务器的安全知识存在巨大空白。”
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。