跳到正文
cloudflare blog(blog.cloudflare.com)· Daniele Molteni·· 2026-09-29品質評分61

Cloudflare 釋出 Application Profiles 以強制執行正向安全策略

Enforce positive security with Cloudflare Application Profiles

重點導讀

Cloudflare 推出了 Application Profiles 功能,通過分析 HTTP 請求的結構與格式來執行正向安全策略,並顯著減小攻擊面。

該功能現已向擁有 API Security 的客戶開放,同時面向未購買該服務的 Enterprise 客戶開放邀請制閉源測試。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

正文 · 中文翻譯

今天,我們推出了應用程式配置檔案,這是執行積極安全策略的無縫方式。通過分析 HTTP 請求的結構和格式並識別偏差,Cloudflare 可以幫助您顯著降低攻擊面。

我們與每位客戶交談時,他們都想知道我們如何保護他們免受使用前沿 AI 模型的攻擊。這已成為任何從事安全工作的人們的首要任務。大型語言模型(LLMs)甚至讓非技術人員也能通過一次提示發起攻擊。LLMs 可以生成惡意負載,測試已知技術,並通過根據應用程式或 Web 應用防火牆(WAF)的反饋來變異其戰術,自動探測應用程式。 

我們的工具已改變,以保持領先攻擊者一步。託管 WAF 規則和基於機器學習的檢測仍然是檢測 SQL 注入、跨站指令碼、遠端程式碼執行和新 CVE 等技術的關鍵,包括這些攻擊的許多變體。答案不能僅僅是“更快修補”:這不可持續,如果您尚未完全對映漏洞,它也不起作用。

如果您可以通過分析流量結構來學習什麼是良好請求會怎樣?而不是僅僅尋找類似已知攻擊的請求,我們可以只允許符合預期的請求。通過這樣做,我們將大幅降低攻擊面。例如,如果查詢中的搜尋欄位不期望特殊字元,我們只能接受字母數字字串。這已經可以防止大量已知攻擊。

但我們不會止步於此。一旦我們學會了您的 HTTP 請求的結構和格式,我們就能推斷每個操作的目標,然後瞭解應用程式最終的功能。有了這些資訊,我們可以識別並優先處理最關鍵、最脆弱的操作和欄位,先行加以關注。

Cloudflare 已通過 Schema Learning 和 Schema Validation 支援 API 的積極安全。我們現在通過 Application Schema Profiles 將此保護擴充套件到 Web 應用程式。您上線一個應用程式,我們學習其配置檔案,然後開始部署始終開啟的檢測,識別不合規。全部自動化,並由強大的分析增強。

我們正在向未使用 API 安全的受邀企業客戶開放封閉測試;已使用 API 安全的客戶已可訪問。

基於已學習的配置檔案驗證請求

Schema Profiles 會定期從觀測流量中學習預期的請求結構。配置檔案可用後,始終開啟 的驗證層會自動部署到即時流量。對於每個請求,檢測會評估其是否符合配置檔案,並將結果作為後設資料新增,增強已關聯到請求的資訊。該訊號本身不執行操作:客戶可以在安全分析中分析過去流量,決定何處適合執行,並建立安全規則以阻止不合規請求。對沒有配置檔案的操作請求,該功能不進行分類。

與託管規則不同,驗證失敗不需要請求匹配已知攻擊簽名。超出預期範圍的值、未知的列舉值、無效的通用唯一識別符號(UUID)或意外字元——所有這些都可以被識別,因為它們與學習到的配置檔案不同。

例如,考慮以下操作:

www.example.com/shop/2dbda2e7-cfc9-448d-9465-799d2e6ff363/inventory?product_id=938062541

下面我們描述學習過程,該過程僅評估請求的結構和格式。當觀察到足夠的流量後,我們會學習到路徑期望一個 UUID 變數,並且 product_id 是一個整數以及它的邊界。當 product_id 包含字串時,它將被標記為違規。同樣,Cloudflare 可以識別格式錯誤的 UUID 值,並且當客戶啟用強制執行時,阻止非 UUID 輸入到達相應的處理程序。這些簡單的過濾器減少了攻擊者可以傳送的輸入範圍,防止了絕大多數典型攻擊向量,例如 SQL 注入、跨站指令碼、遠端程式碼執行等。

不符合並不總是意味著惡意。應用釋出、新客戶端或異常但有效的請求也可能引入差異。我們建議先以觀察模式開始,以便客戶在強制執行前審查配置檔案的影響。

學習請求的預期結構

為了確定 Web 或 API 應用程式的預期請求結構,Schema Profiles 會定期分析觀察到的流量。每個配置檔案可能包含以下內容,具體取決於應用程式流量:

  • 路徑變數
  • 查詢引數
  • 頭部和 Cookie
  • 正文結構(JSON 正文或表單編碼)

對於每個欄位,系統會學習其資料型別(整數、字串、布林值、陣列、UUID 或列舉)以及諸如數值範圍、短列舉、字串長度和字元類別等約束。

學習適用於客戶選擇進行分析的操作。在 Web Assets 中,operation 是 Cloudflare 用來指代通過 HTTP 方法、主機名模式和路徑模式識別的操作。Web Assets 持續發現操作,並在 Web Assets > Operations 下列出。客戶也可以手動新增操作。對已發現的操作,分析不會自動啟動,而手動建立的操作在建立時會觸發分析。對於已發現的操作,客戶必須有意從操作的溢位選單中選擇 Learn profile。

啟用分析後,Cloudflare 收集符合條件的流量,並每週為每個區域自動執行學習,使用最近成功的流量。一個操作需要至少 1,000 次在過去七天內收到 2xx 響應的請求來學習欄位,至少 10,000 次來學習資料邊界。成功的請求可能包含機器人和掃描器,因此客戶應在強制執行前審查已學習的配置檔案。我們的路線圖包括允許客戶按需觸發學習並排除自動化流量。

學習完成後,客戶可以通過選擇操作的 View details 並在 Security overview 面板中找到已學習的模式來檢視配置檔案。如果未顯示已學習的模式,說明 Cloudflare 仍在為該配置檔案收集資料。客戶還可以將配置檔案匯出為 OpenAPI v3 模式檔案。

學習到的配置檔案會根據應用流量變化每週更新。新增欄位會被新增,已不再觀察到的欄位會被移除,從而驗證跟蹤應用的變化。客戶可以通過下載學習到的 schema 並上傳到 Schema Validation 來固定並儲存學習到的 schema。

在阻斷前先審查

Security Analytics 現在新增了一個 Profile Analysis 選項卡。客戶可以選擇驗證配置檔案並檢視流量趨勢,包括過去七天內有多少請求不符合學習到的配置檔案。 

客戶可以檢視符合和不符合的流量。他們可以深入違規細節並檢視取樣日誌,瞭解違規發生的位置、受影響的欄位以及為何驗證失敗。違規被分為 十個原因,包括型別不匹配、值超出學習範圍以及無效格式。

一旦團隊瞭解影響,就可以使用 Security Rules 對訊號採取行動。規則可以覆蓋整個應用,也可以限定在選定的路徑、操作或欄位。團隊可以控制監控位置和阻斷位置。

面向 Web 與 API 流量的正向安全

傳統 WAF 學習模式可以構建詳細的正向安全策略,但通常需要運維人員審查建議、分階段更改並維護策略實體。Cloudflare Schema Profiles 將驗證暴露為請求欄位 cf.schema_validation.learned.violated,允許客戶將其與請求屬性、Bot Score、Attack Score 以及其他訊號合併到單個 Security Rule 中。通過建立簡單規則,團隊可以組合檢測並精確定義 Cloudflare 何時採取行動。

還有兩類欄位可用於建立更有針對性的規則。首先是收集違規發生位置的欄位。例如,基於我們的初始示例,如果 product_id 查詢引數的值不符合配置檔案,以下欄位將被填充 cf.schema_validation.uploaded.query.violated_parameters = ["product_id"]。這使客戶能夠建立僅在特定欄位上執行正向安全或將其排除在執行之外的規則。

第二類欄位收集配置檔案中不存在的新引數。當你想處理帶有新引數的請求(例如部署應用的新版本)或通過阻止過去未檢測或未定義的任何引數進一步限制姿態時,這非常有用。

使用案例

欄位

位置值

示例

識別請求中違規發生的位置

最多 20 項陣列

cf.schema_validation.learned.[location].violated_parameters

query,path,headers,cookies,body

cf.schema_validation.learned.query.violated_parameters = ["product_id"]

識別請求中是否出現未宣告的引數 

最多 20 項陣列

cf.schema_validation.learned.[location].undeclared_parameters

query

cf.schema_validation.learned.query.undeclared_parameters = ["adminMode", "utm"]

即將推出:關鍵欄位分析,幫助您部署正向安全

即使採用靈活的執行設計,客戶仍告訴我們部署正向安全策略在操作上很複雜。大型應用可能擁有數千個操作和數萬個欄位,但並非所有操作和欄位風險相同。情境化 與 優先順序排序 幫助安全團隊以受控且自信的方式推出正向安全。

大語言模型(LLM)可以幫助為學到的畫像賦予上下文,從而提供額外的洞察。對於 Web 應用程式而言,路徑和欄位名稱通常是不言自明的,因而具有語義。例如,我們嘗試在四個隨機應用程式的已學畫像上執行託管於 Workers AI 的模型。該模型成功識別了兩個系統應用程式中 clientId 和 account_number 之間的聯絡,以及使用一次性密碼(OTP)增強身份驗證的共同依賴關係。突顯這一上下文使安全團隊能夠優先採取諸如配置速率限制規則(Rate Limiting Rules)等行動,以防範針對賬戶的暴力破解攻擊。

這些由 LLM 驅動的洞察將直接在儀表板中顯示,並與 Web Assets 中的每個操作並列呈現。在執行一鍵部署之前,團隊可以評估旨在保護這些關鍵欄位的規則推薦,並通過使用歷史流量的緩解模擬來獲得信心。

除了通過語義洞察和 risk indicators 為操作提供上下文之外,我們還在開發額外的指標,以便使用歷史請求趨勢和訊號對操作進行排序。這使安全團隊能夠將緩解工作首先集中在最高優先順序的操作上,包括:

  • 資料丟失:異常增加的資料傳輸呈現上升趨勢
  • 偵察活動:未知引數數量龐大
  • 業務關鍵性:流量總量與所服務的唯一 session IDs 相關聯

現已推出的功能

由於這是 Schema Learning 和 Schema Validation 的延伸,擁有 API Security 的客戶已經可以訪問。我們正在向沒有 API Security 的客戶開放封閉測試,他們可以在生產 Web 應用程式流量上測試 Schema Profiles,與產品團隊會面,並就畫像準確性、分析和強制控制提供詳細的反饋。訪問許可權通過邀請獲得,並不意味著未來計劃中的可用性。如果您不是 API Security 客戶並希望獲得訪問許可權,請聯絡您的客戶團隊。

該功能支援路徑、查詢引數、標頭、Cookie、JSON 請求正文和表單編碼的請求正文。畫像可以驗證整數、字串、UUID、陣列以及最多包含三個值的列舉。目前不支援多部分表單(Multipart forms)、GraphQL 和 XML。

當引數名稱重複時,Schema Profiles 會驗證每個值,但它們不強制引數唯一性。它們也不會學習和強制要求必需的引數,或者僅僅因為請求包含新引數而阻止該請求。

搶先應對零日漏洞

我們關於 Application Profiles 的構想並不止於驗證請求結構。相同的工作流可以學習應用程式期望的其他特徵(例如 ASN 或 JA4s),在流量偏離這些特徵時進行解釋,並讓安全團隊對定義“正常”狀態充滿信心。通過主動安全工作流,我們幫助安全團隊搶先應對零日漏洞!

來源: cloudflare blog (blog.cloudflare.com)
開啟原文

讀者討論

理性交流 · 即時討論