ModelContextProtocol(MCP)初学者学习指南

本文集文档发布于灏天文库

02-安全最佳实践

文档摘要

安全最佳实践 采用 Model Context Protocol（MCP）为 AI 驱动的应用带来了强大的新能力，但也引入了超越传统软件风险的独特安全挑战。除了已知的安全编码、最小权限和供应链安全等问题外，MCP 和 AI 工作负载还面临诸如提示注入、工具中毒和动态工具修改等新威胁。如果管理不当，这些风险可能导致数据泄露、隐私侵犯和系统行为异常。 本课程探讨与 MCP 相关的最重要安全风险——包括身份验证、授权、权限过度、间接提示注入和供应链漏洞——并提供切实可行的控制措施和最佳实践来减轻这些风险。

安全最佳实践

采用 Model Context Protocol（MCP）为 AI 驱动的应用带来了强大的新能力，但也引入了超越传统软件风险的独特安全挑战。除了已知的安全编码、最小权限和供应链安全等问题外，MCP 和 AI 工作负载还面临诸如提示注入、工具中毒和动态工具修改等新威胁。如果管理不当，这些风险可能导致数据泄露、隐私侵犯和系统行为异常。

本课程探讨与 MCP 相关的最重要安全风险——包括身份验证、授权、权限过度、间接提示注入和供应链漏洞——并提供切实可行的控制措施和最佳实践来减轻这些风险。你还将学习如何利用 Microsoft 的解决方案，如 Prompt Shields、Azure Content Safety 和 GitHub Advanced Security，来强化 MCP 的实施。通过理解并应用这些控制措施，你可以大幅降低安全事件发生的可能性，确保 AI 系统的稳健性和可信赖性。

学习目标

完成本课程后，你将能够：

  • 识别并解释 Model Context Protocol（MCP）带来的独特安全风险，包括提示注入、工具中毒、权限过度和供应链漏洞。
  • 描述并应用有效的缓解控制措施，如强身份验证、最小权限、安全令牌管理和供应链验证。
  • 理解并利用 Microsoft 解决方案，如 Prompt Shields、Azure Content Safety 和 GitHub Advanced Security，保护 MCP 和 AI 工作负载。
  • 认识验证工具元数据、监控动态变更以及防御间接提示注入攻击的重要性。
  • 将已建立的安全最佳实践（如安全编码、服务器加固和零信任架构）整合到 MCP 实施中，降低安全漏洞发生的概率和影响。

MCP 安全控制

任何访问重要资源的系统都面临内在的安全挑战。通常，这些挑战可以通过正确应用基本的安全控制和概念来应对。由于 MCP 是一个新定义的协议，规范正在快速变化，随着协议的演进，相关的安全控制也将逐步成熟，从而更好地与企业级和成熟的安全架构及最佳实践集成。

根据Microsoft Digital Defense Report的研究，98%的已报告安全漏洞都可通过良好的安全卫生习惯预防。防止任何形式安全事件的最佳方法是确保基础的安全卫生、安全编码最佳实践和供应链安全到位——这些经过验证的做法仍是降低安全风险的关键。

下面我们来看一些采用 MCP 时可以开始应对安全风险的方法。

Note: 以下信息截至2025年5月29日为准。MCP 协议持续演进，未来的实现可能引入新的身份验证模式和控制。请始终参考最新的MCP 规范、官方MCP GitHub 仓库和安全最佳实践页面获取最新信息和指导。

问题陈述

最初的 MCP 规范假设开发者会自行编写身份验证服务器，这要求具备 OAuth 及相关安全约束的知识。MCP 服务器作为 OAuth 2.0 授权服务器，直接管理用户身份验证，而非委托给外部服务如 Microsoft Entra ID。自2025年4月26日起，MCP 规范更新允许 MCP 服务器将用户身份验证委托给外部服务。

风险

  • MCP 服务器中配置错误的授权逻辑可能导致敏感数据泄露和访问控制错误。
  • 本地 MCP 服务器上的 OAuth 令牌被盗。令牌一旦被窃取，攻击者可冒充 MCP 服务器访问该令牌对应服务的资源和数据。

令牌透传

授权规范明确禁止令牌透传，因为这会带来多种安全风险，包括：

绕过安全控制

MCP 服务器或下游 API 可能实施重要安全控制，如速率限制、请求验证或流量监控，这些控制依赖于令牌的受众或其他凭证限制。如果客户端可以直接使用下游 API 的令牌而不经过 MCP 服务器的正确验证，或令牌未针对正确服务签发，则会绕过这些安全控制。

责任追踪和审计问题

当客户端使用上游签发的访问令牌调用时，MCP 服务器无法识别或区分不同 MCP 客户端。下游资源服务器的日志可能显示请求来自不同身份的来源，而非实际转发令牌的 MCP 服务器。这使得事件调查、控制和审计更加困难。如果 MCP 服务器未验证令牌声明（如角色、权限或受众）或其他元数据，恶意持有被盗令牌者可利用服务器作为数据外泄的代理。

信任边界问题

下游资源服务器对特定实体授予信任，该信任可能包括对来源或客户端行为模式的假设。破坏此信任边界可能导致意外问题。如果令牌被多个服务接受而未经过适当验证，攻击者攻破其中一个服务后可利用该令牌访问其他关联服务。

未来兼容性风险

即使 MCP 服务器当前作为“纯代理”，未来可能需要添加安全控制。始终保持令牌受众分离，有助于安全模型的演进。

缓解控制

MCP 服务器不得接受非明确为 MCP 服务器签发的任何令牌

MCP 服务器权限过度

问题陈述

MCP 服务器可能被授予访问服务/资源的过度权限。例如，作为 AI 销售应用一部分的 MCP 服务器，连接到企业数据存储时，应仅限于访问销售数据，而不应访问存储中的所有文件。回归最小权限原则（最古老的安全原则之一），任何资源都不应拥有超出其执行任务所需的权限。AI 在此方面带来更大挑战，因为为了实现灵活性，准确界定所需权限可能较为困难。

风险

  • 过度权限可能导致 MCP 服务器访问或篡改其不应接触的数据。这也可能涉及隐私问题，尤其是涉及个人身份信息（PII）时。

缓解控制

  • 应用最小权限原则： 仅授予 MCP 服务器执行任务所需的最小权限，定期审查和更新权限，确保不超出必要范围。详细指导见Secure least-privileged access。
  • 使用基于角色的访问控制（RBAC）： 为 MCP 服务器分配与特定资源和操作紧密相关的角色，避免赋予广泛或不必要的权限。
  • 权限监控与审计： 持续监控权限使用情况，审计访问日志，及时发现并纠正过度或未使用的权限。

间接提示注入攻击

问题陈述

恶意或被攻破的 MCP 服务器可能带来重大风险，导致客户数据泄露或触发意外操作。这些风险在 AI 和基于 MCP 的工作负载中尤为突出，包括：

  • 提示注入攻击：攻击者在提示或外部内容中嵌入恶意指令，诱使 AI 系统执行非预期操作或泄露敏感数据。详情见：Prompt Injection
  • 工具中毒：攻击者操控工具元数据（如描述或参数），影响 AI 行为，可能绕过安全控制或进行数据外泄。详情见：Tool Poisoning
  • 跨域提示注入：恶意指令隐藏在文档、网页或邮件中，AI 处理时导致数据泄露或篡改。
  • 动态工具修改（Rug Pulls）：用户批准后，工具定义被更改，引入新的恶意行为，用户不知情。

这些漏洞凸显了在集成 MCP 服务器和工具时，需加强验证、监控和安全控制。详细内容请参考上述链接。

prompt-injection-lg-2048x1034

间接提示注入（也称跨域提示注入或 XPIA）是生成式 AI 系统中的严重漏洞，包括使用 Model Context Protocol（MCP）的系统。在此攻击中，恶意指令隐藏在外部内容（如文档、网页或邮件）中。当 AI 处理这些内容时，可能将嵌入的指令误认为合法用户命令，导致数据泄露、生成有害内容或操控用户交互。详见Prompt Injection。

一种特别危险的形式是工具中毒。攻击者在 MCP 工具的元数据（如工具描述或参数）中注入恶意指令。由于大型语言模型（LLM）依赖这些元数据决定调用哪个工具，受损的描述可能欺骗模型执行未授权的工具调用或绕过安全控制。这些操控通常对终端用户不可见，但 AI 系统会解读并执行。此风险在托管 MCP 服务器环境中尤为突出，工具定义可在用户批准后被修改，这种情况有时被称为“rug pull”。在此情形下，原本安全的工具可能被改为执行恶意操作，如数据外泄或系统行为篡改，用户毫不知情。更多内容见Tool Poisoning。

tool-injection-lg-2048x1239 (1)

风险

AI 的非预期行为带来多种安全风险，包括数据外泄和隐私侵犯。

缓解控制

使用 Prompt Shields 防御间接提示注入攻击

AI Prompt Shields 是微软开发的解决方案，用于防御直接和间接的提示注入攻击。其作用包括：

  1. 检测与过滤：Prompt Shields 利用先进的机器学习算法和自然语言处理技术，检测并过滤外部内容（如文档、网页、邮件）中嵌入的恶意指令。

  2. 聚焦技术（Spotlighting）：帮助 AI 系统区分有效的系统指令和潜在不可信的外部输入。通过转换输入文本，使其更贴合模型理解，Spotlighting 确保 AI 更准确地识别并忽略恶意指令。

  3. 分隔符与数据标记：在系统消息中加入分隔符，明确指出输入文本的位置，帮助 AI 系统识别并区分用户输入与潜在有害的外部内容。数据标记则使用特殊标记突出可信和不可信数据的边界。

  4. 持续监控与更新：微软持续监控并更新 Prompt Shields，以应对新兴和不断演变的威胁，确保防护措施始终有效。

  5. 与 Azure Content Safety 集成： Prompt Shields 是 Azure AI Content Safety 套件的一部分，提供额外工具检测越狱尝试、有害内容及 AI 应用中的其他安全风险。

更多信息请参阅Prompt Shields 文档。

prompt-shield-lg-2048x1328

供应链安全

供应链安全在 AI 时代依然至关重要，但供应链的范围已扩大。除了传统的代码包外，你还必须严格验证和监控所有与 AI 相关的组件，包括基础模型、嵌入服务、上下文提供者和第三方 API。任何一个环节管理不当都可能引入漏洞或风险。

AI 和 MCP 供应链安全的关键做法：

  • 集成前验证所有组件： 不仅是开源库，还包括 AI 模型、数据源和外部 API。务必核实来源、许可和已知漏洞。
  • 维护安全的部署流水线： 使用集成安全扫描的自动化 CI/CD 流水线，及早发现问题。确保仅将可信制品部署到生产环境。
  • 持续监控与审计： 对所有依赖项（包括模型和数据服务）实施持续监控，及时发现新漏洞或供应链攻击。
  • 应用最小权限和访问控制： 限制对模型、数据和服务的访问，仅授予 MCP 服务器运行所需权限。
  • 快速响应威胁： 建立流程，及时修补或替换受损组件，若发现泄露，及时轮换密钥或凭证。

GitHub Advanced Security 提供秘密扫描、依赖扫描和 CodeQL 分析等功能。这些工具与Azure DevOps和Azure Repos集成，帮助团队识别和缓解代码及 AI 供应链组件中的漏洞。

微软内部对所有产品也实施了全面的供应链安全实践。详情见微软保障软件供应链之旅。

提升 MCP 实施安全态势的既有安全最佳实践

任何 MCP 实施都继承了其所构建组织环境的现有安全态势。因此，在考虑 MCP 作为整体 AI 系统组件的安全时，建议提升整体现有安全态势。以下既有安全控制尤为相关：

  • AI 应用中的安全编码最佳实践——防范OWASP Top 10、OWASP LLM Top 10，使用安全保险库管理密钥和令牌，实现应用各组件间的端到端安全通信等。
  • 服务器加固——尽可能启用多因素认证，保持补丁更新，将服务器接入第三方身份提供者进行访问控制等。
  • 设备、基础设施和应用保持补丁最新。
  • 安全监控——实现 AI 应用（包括 MCP 客户端/服务器）的日志记录和监控，将日志发送到集中式 SIEM 以检测异常活动。
  • 零信任架构——通过网络和身份控制逻辑隔离组件，最大限度减少 AI 应用被攻破时的横向移动。

关键要点

  • 安全基础仍然至关重要：安全编码、最小权限、供应链验证和持续监控是 MCP 和 AI 工作负载的关键。
  • MCP 引入了提示注入、工具中毒和权限过度等新风险，需要传统与 AI 特有的控制措施。
  • 使用强身份验证、授权和令牌管理实践，尽可能利用外部身份提供者如 Microsoft Entra ID。
  • 通过验证工具元数据、监控动态变更及使用 Microsoft Prompt Shields 等解决方案，防范间接提示注入和工具中毒。
  • 对 AI 供应链中的所有组件——包括模型、嵌入和上下文提供者——保持与代码依赖同等严格的安全要求。
  • 紧跟 MCP 规范演进，积极参与社区，共同推动安全标准的发展。

附加资源

下一步

下一步: 第3章：入门指南

免责声明：
本文件使用AI翻译服务Co-op Translator进行翻译。虽然我们力求准确，但请注意自动翻译可能存在错误或不准确之处。原始文件的原文版本应被视为权威来源。对于重要信息，建议采用专业人工翻译。对于因使用本翻译而产生的任何误解或误释，我们不承担任何责任。

发布者: 作者: 转发
评论区 (0)
U
0/500