复杂系统的“深水区”,不再是天然的安全屏障
原创 jishuzhain 2026-11-19 21:58 广东

— ◆ —
最近读到 Depthfirst 在 2026 年 11 月 18 日发布的一篇安全研究:Narrow Grants, Wide Engines: Reaching Native Database Attack Surface from Minimal SQL Roles。
文章啃的是一个挺有意思的问题:一个权限极小的数据库账号,能不能顺着数据库内部复杂的执行路径摸进去,最后拿到宿主机操作系统层面的代码执行?
研究覆盖了 Oracle、PostgreSQL、MySQL 和 ClickHouse。作者不仅在 PostgreSQL 和 MySQL 中挖出了新的完整 RCE 利用链,还构造了 Oracle 的跨组件攻击链,并通过复现 ClickHouse 的已有漏洞,印证了同类攻击面的通用性。
合上文章,最直观的感受是:那些藏在复杂运行时深处、平时得花不少功夫理清语义和状态机的 Bug,居然真能串成完整、可以落地的利用链。
尤其是在 AI 已经开始下场做代码分析、漏洞挖掘和 Exploit 构造的今天,复杂系统的安全边界,可能得重新算一笔账了。
• • •
一、复杂层里的缺陷,为什么能把整个系统带偏?
先看数据库的权限模型。
一个账号可能只有某张表的读取权限,甚至只能执行极有限的 SQL。从业务视角看,这个账号干不了什么大事。
可一条 SQL 进到数据库,要走完一长串底层模块:
—SQL Parser:把文本解析成语法结构。
—Query Planner:生成并裁剪执行计划。
—Type System:处理类型推导和隐式、显式转换。
—Execution Engine:执行表达式求值、聚合与算子逻辑。
—Memory Manager:管理对象分配、复用和释放。
—Serialization:处理编码、解包与网络传输。
这些核心层大量使用 C/C++ 实现,里面塞满了复杂的数据结构、内存管理和状态机跳转。数据库权限管的是用户能够访问哪些逻辑对象,但只要请求通过了权限检查,底层执行引擎就得转起来。哪怕账号一张业务表都读不到,只要能驱动这些原生执行路径,就可能撞上内存安全缺陷。一旦发生内存破坏,原本的权限边界就未必拦得住了。
Depthfirst 这篇研究,盯的就是这段缝隙。
• • •
二、三个案例:复杂执行机制里的缺陷是怎么变成 RCE 的?
1. PostgreSQL:优化器快捷路径里的类型混淆
PostgreSQL 的 CVE-2026-116331牵涉到自定义聚合函数和查询优化器。
常规流程下,聚合函数用 SFUNC维护中间状态,再用 FINALFUNC把最终状态转换成目标返回类型——比如内部状态是 int8,最终返回 text。但在特定条件满足时,PostgreSQL 会通过 SORTOP和 B-tree 索引启用 MIN/MAX 类优化路径。这条捷径跳过了 FINALFUNC,却没把“最终结果类型变了”这件事在类型语义上对齐。
结果就是,执行器返回的是按 int8语义构造的 Datum,外层却按照 text去解释它。在 64 位系统中,int8可以直接按值存入 Datum,而 text通常通过指针引用变长数据。两种类型的内部表示发生错位,最终形成了 pass-by-value与 pass-by-reference之间的类型混淆。
利用条件也相当现实。PostgreSQL 默认会向新登录角色授予数据库级 TEMPORARY权限。研究者直接利用临时 schema,在不碰任何业务表的情况下创建临时表、索引和自定义聚合对象,顺着触发了这条异常执行路径。随后,他们把类型混淆转化为内存信息泄露和受控内存读取,绕过 ASLR,并借助伪造对象中的间接函数调用完成控制流劫持,最终拿到了 PostgreSQL 服务进程权限下的命令执行。
优化器里一个为了省计算量而引入的快捷路径,就这样成了顶开数据库权限边界的缺口。
2. MySQL:两个执行阶段之间的假设落空
MySQL 的 CVE-2026-101786落在窗口函数 BIT_OR上。
Prepared Statement 在准备阶段,参数类型还没完全定下来,系统先按预设长度给内部计数器数组分配空间;到了执行阶段,客户端却能绑定更长的 BLOB参数。后续逻辑按实际参数长度去遍历数据,却缺少有效的运行时边界检查,原本用来检查数组边界的 assert在 Release 构建中又被移除了。
最终,计数器数组发生堆越界写。
这种问题在大型 C/C++ 工程里很有代表性:不同阶段、不同模块各自带着一套看似合理的前提。准备阶段默认参数长度受限,执行阶段却接受了更长的输入,两边的假设一旦错位,原本看着规矩的内存操作就会变成越界写。
权限条件同样克制:研究者只用到了 CREATE TEMPORARY TABLES ON .权限,不需要读取任何已有业务表。Depthfirst 接着利用会话内存布局、临时表和对象清理时机,把这块受限的越界写推成了控制流劫持,拿到了 MySQL 服务账号下的命令执行。这类漏洞最棘手的地方,在于缺陷本身看着相当局部,真正的利用链却横跨了参数绑定、内存分配、对象布局和析构清理等多个模块。
3. ClickHouse:整数回绕把容器边界顶穿
ClickHouse 的 RowBinary 反序列化需要处理变长字符串。计算新缓冲区结束位置时,代码用的是无符号整数加法:
offset = old_size + input_size
在研究涉及的特定配置下,HTTP 请求可以把 format_binary_max_string_size设为 0,关掉对应的字符串长度限制。一旦 input_size足够大,64 位无符号整数加法就会发生回绕——比如原有缓冲区长度为 64,新输入长度为 UINT64_MAX,计算结果就会回绕到 63。程序按照这个算错的长度调整容器,后续读取却继续按原始输入长度往里写数据。容器的逻辑长度与实际写入范围由此严重偏离,形成堆内存越界写。
研究者再通过内存布局控制和后续虚函数调用,把这处内存破坏接上了服务进程权限下的命令执行。需要说明的是,ClickHouse 这个案例来自对已有漏洞的复现,它的意义在于印证同类攻击面在不同数据库引擎上的共通性,以及完整利用链的可行性。
三个案例的切入点完全不同:
—PostgreSQL:类型系统语义和优化路径不一致。
—MySQL:准备阶段和执行阶段对长度的约束不一致。
—ClickHouse:无符号整数回绕破坏了容器边界。
放在一起看,其实就一句话:局部逻辑自洽,不等于整条执行路径安全。
• • •
三、真正让人意外的,是它们已经走到了完整利用链
以前聊漏洞,总习惯把“找到一个原语”和“打通整条利用链”分开看。越界写出来了,离稳稳拿到代码执行还有好几道坎:
—怎么稳定触发?
—怎么控制受影响的内存区域?
—怎么获取有价值的内存信息?
—怎么绕过 ASLR 等安全缓解机制?
—怎么把受限的内存操作转化为可控控制流?
—怎么让整个过程在目标环境里稳定运行?
每一步都是实打实的工程活。
Depthfirst 这篇研究让我多看两眼的地方,在于它没有停在“这里存在内存破坏”的结论上。PostgreSQL 从类型混淆到信息泄露、地址空间布局分析再到控制流劫持的链条;MySQL 把受限越界写与对象清理机制咬合在一起的思路;ClickHouse 把整数回绕、容器状态变化和后续内存利用串起来的过程——都说明这类复杂运行时里的缺陷,在研究者构建的环境里已经能走通到代码执行。
Oracle 的案例又补上了另一个视角。Depthfirst 把此前披露的 GraphQL 接口漏洞 CVE-2026-91609,与 Oracle AI Database 的 CVE-2026-114819拼成了一条跨组件攻击链。攻击者通过暴露的 HTTP 接口把构造数据送进数据库,最终直接在操作系统服务账户权限下执行命令——这条链甚至在数据库登录验证之前就摸到了有问题的原生执行路径。这意味着,数据库自身的权限模型根本罩不住所有通往底层原生代码的外部入口。
更何况,在需要账号的几个案例里,攻击者手头的权限也相当克制。这就暴露出一个很扎眼的落差:权限模型限制的是业务语义,但输入真正能够驱动的,是底层原生代码的执行路径。
• • •
四、AI 到底改变了什么?
要是这篇研究发在几年前,我大概会把它归进“硬核数据库漏洞分析”的范畴。但放到 2026 年,背景已经变了。
AI 已经开始往漏洞研究的几个核心环节里扎。
2026 年 5 月,Max Planck Institute for Security and Privacy 等团队发布了 ExploitGym。这个基准包含 898 个真实漏洞,覆盖普通用户态程序、V8 引擎和 Linux 内核。研究给 AI Agent 提供能够触发漏洞的 PoV,要求它往下构造出能实现未授权代码执行的 Exploit。结果是:
—Claude Mythos Preview成功利用了 157 个漏洞。
—GPT-5.5成功利用了 120 个漏洞。
更有意思的是实验里的一个旁支现象:GPT-5.5 实际上在 210 项任务中拿到了目标 Flag,但其中只有 120 项走的是指定漏洞;Claude Mythos Preview 的这两组数字则是 226 项和 157 项。也就是说,不少 Agent 在分析过程中自己摸出了别的缺陷,绕开了原本指定的路径——有的转向相邻代码路径找验证更松的入口,有的甚至直接靠源码审计或动态模糊测试挖出了新攻击面。这已经超出了“按给定漏洞写 Exploit”的范畴。当然,实验环境和真实生产系统之间还有距离,但这种自主寻找替代路径的能力,已经很难忽视了。
到了 2026 年 11 月 4 日,OpenAI 公开了一项 Linux 内核自动化安全研究。单次管线跑下来:
—分析并产生了 2,308 个漏洞候选;
—动态复现了 1,724 个漏洞;
—生成了 291 个信息泄露 PoC;
—产出了 1,169 个可工作的本地提权 Exploit,经变体归并后为 948 项独立 LPE。
整轮实验的 API 成本约 121 万美元。研究团队对其中 166 个 Exploit 做了抽样分析,报告了至少 10 种此前未见的利用技术。整套流程串起了候选筛选、动态验证、利用构造和补丁生成,同时保留了人工复核。虽然数据来自厂商自述,后续仍需关注独立验证与社区反馈,但方向已经很清楚:AI 正在逐步接手原本高度依赖个体经验的漏洞研究流水线。
• • •
五、复杂层的缺陷,会因此变得更容易被利用吗?
变化是实实在在的,但最好把几个层面拆开看:
第一,读懂复杂代码的前期成本在往下掉。以前啃数据库、浏览器或者内核源码,光把调用链、数据流、类型转换和对象生命周期理顺,就得耗掉大量时间。现在让 AI 帮忙梳理调用关系、追踪变量、分析状态转换,切入陌生代码库的周期明显变短了。
第二,验证假设的闭环在加快。构造测试样例、跑程序、看崩溃现场、顺着日志改假设,再配上 ASan、UBSan、调试器和自动化 harness,试错循环比过去紧凑得多。
第三,已知缺陷的利用工程开始有了自动化抓手。ExploitGym 已经给出了实验依据。只要漏洞能稳定触发,后半段的内存分析、利用构造和环境适配,AI 已经能分担一部分重活。
第四,能摸进复杂运行时研究的人会变多。过去这类领域门槛高,很大程度上是因为知识密度大、试错贵、周期长。当理解、验证和利用环节都有模型托一把,进来的人自然会多起来。
不过,还有一道硬门槛有待观察:模型能不能在大型、陌生的复杂运行时中,稳定地独立完成未知缺陷发现、动态验证和可靠利用?现有的公开成果已经给出不少积极信号,但还不足以证明这种能力在所有复杂软件里都已普遍成熟。
这里其实藏着一笔经济学账。如果把一次漏洞研究的总成本拆成四块:
Cresearch=Cunderstanding+Cdiscovery+Cvalidation+Cexploitation
AI 对每一块的降本幅度并不均衡——有些环节已经展现出明显的自动化效率,有些依然吃人工经验和动态验证。但只要其中几项核心成本持续往下掉,过去那些因为“啃不动、划不来”而被搁置的复杂目标,就会变得越来越值得一试。这才是真正值得留意的拐点。
• • •
六、一个更值得盯的趋势:复杂运行时的审计面在往外扩
数据库只是复杂运行时的一种。往大了看,现代基础设施里到处都是类似的结构:
—浏览器 JS 引擎:JIT、GC、对象布局。
—JVM / CLR:类加载、类型系统、JIT 与对象生命周期。
—WebAssembly Runtime:模块校验、线性内存、宿主接口。
—容器运行时:Namespace、权限隔离、系统调用转发。
—GPU 驱动:内存映射、命令缓冲区、硬件交互。
—AI 推理引擎:模型解析、计算图优化、张量内存分配、原生算子。
这类系统普遍有个特征:对外接口看着不算复杂,往里钻一层却全是重型状态机和底层资源管理。
我尤其留意 AI 推理基础设施。随着本地模型、企业私有化部署和各种 Agent 落地,推理引擎越来越像一块新的核心底座。里面堆着大量 C/C++ 代码,同时要处理模型文件、外部输入、计算图优化、张量内存和不同硬件后端。一个看似普通的模型文件送进推理系统,经过一连串解析和图转换,最终触达底层原生算子,同样要面对类型、长度、内存生命周期和边界条件这些老问题。
接下来,像 ONNX Runtime、llama.cpp、TensorRT这类项目,大概率会成为复杂运行时安全审计的一个重镇。
• • •
七、重新看一眼软件系统的安全边界
再回到开头的数据库例子。
一个账号权限很少,按传统视角,它的威胁面好像有限。但顺着 Depthfirst 的思路往下想,真正得问清楚的是:
—这个账号能驱动哪些原生代码路径?
—哪些外部输入能钻进复杂的内部状态机?
—各模块、各阶段之间的安全假设和约束是否一致?
—有没有条件把局部内存破坏顺成控制流劫持?
—承载它的服务进程,在操作系统里站着多高的权限位?
这些问题不能只盯着权限表看,得看程序跑起来时的真实行为。对安全团队来说,除了权限模型,代码可达性、状态转换和原生内存安全也得纳入审视;对写代码的人来说,跨模块的不变量检查、动态检测和回归测试要跟上;对跑在生产环境里的服务,进程权限收缩、系统调用限制和容器隔离同样关键,能把单个原生缺陷的爆炸半径压到最低。
AI 能帮防守方多扫出几处隐患,也一样会抬高进攻方的效率。说到底,当漏洞发现和利用的成本持续下探,防守体系能不能跑出足够快的修复节奏,才是接下来的硬仗。
• • •
八、最后
这次研究最让我记牢的一点是:那些看起来离外部攻击很远、藏在复杂系统深处的代码,其实可能一直都在外部输入的射程之内。
查询优化器里的一条快捷路径,准备阶段对参数长度的一次假设,反序列化时的一步整数加法,都可能变成捅破边界的入口。当这些缺陷能连成完整的利用链,复杂系统过去赖以自保的技术门槛就没那么可靠了;而 AI 的介入,又给这条演进添了一个新变量——压低理解成本、加快验证闭环、分担利用工程,让过去投入产出比不高的复杂目标变得更值得一打。
接下来安全圈里一个值得持续观察的问题是:当 AI 帮更多人看懂复杂系统的内部结构之后,那些过去依靠“够深、够冷门、够难啃”换来的安全缓冲,到底还能剩多少?
复杂系统的内部世界,正在变得越来越透明。它们的安全边界,也该迎一轮更硬核的检验了。
• • •
参考资料
1.Depthfirst — Narrow Grants, Wide Engines: Reaching Native Database Attack Surface from Minimal SQL Roles
2.ExploitGym — Can AI Agents Turn Security Vulnerabilities into Real Attacks?
3.ExploitGym — Research Paper, arXiv:2605.11086
4.OpenAI — A thousand fewer paths to root
本文转载自微信公众号「OnionSec」,查看原文。版权归原作者所有,如有侵权请联系删除。