TL;DR:德国安全团队 Crissy Field 扫描了 159,041 个用 AI 应用生成器创建的项目,发现其中数千个站点的数据库和存储桶对匿名访问完全开放——1,000+ 条含护照号、有效期、国籍的身份记录,20 万+ 条私聊消息,全部可被任何人从浏览器直接读走。没有人入侵,只是门没锁。根因是 Supabase 的两件事叠加:anon key 天生公开,而 AI 生成器默认不写 RLS 策略。
一、事件还原:不是被黑,是门没锁
这次事件最值得警惕的地方,是攻击成本几乎为零。研究者没有利用 0day、没有绕过认证,只是拿着每个前端页面里都能看到的 anon key,去请求默认打开的 REST 接口。
| 维度 | 公开信息 | 说明 |
|---|---|---|
| 扫描规模 | 159,041 个项目 | 覆盖用该平台生成的站点 |
| 受影响站点 | 约 7,000+ 个可直接读到个人数据 | 另有报道给出 24,664 个应用的更高估计,两个口径的判定阈值不同 |
| 身份数据 | 1,000+ 条含护照号、签发有效期、国籍 | 上传的身份扫描件存放在公共可读的存储桶里 |
| 通信数据 | 200,000+ 条私聊消息 | 来自一个德国生活方式论坛的直接集成 |
| 其他 | 支付信息、用户档案 | 部分站点的订单/资料表可匿名全表读取 |
| 成因 | 数据库未启用行级安全(RLS)、存储桶缺 ACL | 属于配置缺陷,不是代码漏洞 |
一句判断:这类事故的根因不在"AI 写得不好",而在"默认配置对公网友好、对隐私不友好"。生成器为了让你"三分钟跑通",把最难的一步——授权模型——留空了。
二、为什么 Supabase 项目天生容易裸奔
要理解这件事为什么大面积发生,得先接受三个设计事实。
第一,anon key 本来就是公开的。 Supabase 的 JS 客户端要直连数据库,anon key 必然被打进前端产物,任何人打开 DevTools 都能拿到。这不是泄漏,这是它的工作方式。所以"用 anon key 能访问到什么"完全取决于数据库策略,而不是取决于 key 的保密程度。
第二,PostgREST 把表直接映射成 HTTP 端点。 https://<project>.supabase.co/rest/v1/<table>?select=* 就是一条查询。表建好、权限给到 anon 角色,这个端点立刻可用;反之,只要 RLS 没开,anon 角色对这张表就是全表可读写。
第三,新建表的默认状态是"RLS 关闭"。 在 Postgres 里,RLS 需要显式 ALTER TABLE ... ENABLE ROW LEVEL SECURITY。Supabase 的表编辑器会提示你开启,但脚本建表(尤其 AI 生成的 migration)很容易漏。而一旦开启了 RLS 却没写任何 policy,效果是"全拒"——这反而安全;最危险的是中间态:RLS 没开,或者开了但 policy 写成 USING (true)。
| 配置状态 | anon 角色能做什么 | 风险 |
|---|---|---|
| 未启用 RLS | 全表读写(含 DELETE) | 极高,本次事件的主因 |
| 启用 RLS,无 policy | 全部拒绝 | 安全,但业务会 403 |
启用 RLS,USING (true) | 全表可读 | 高,等于没开 |
启用 RLS,按 auth.uid() 过滤 | 只能读自己的行 | 正确 |
service_role key 打进前端 | 绕过 RLS 全权限 | 灾难级,比前者更严重 |
这里还有一个常被误解的点值得说清:anon key 本身是一枚签名过的 JWT,payload 里写着 role: anon,而 PostgREST 正是拿这个 claim 去切 Postgres 角色。你没法把它改成 authenticated 来提权——签名校验会直接拒绝。所以风险从来不是"伪造身份",而是"这个角色本来就拥有过大的表级权限"。换句话说,安全边界不在 key 的保密,而在 anon 这个数据库角色被授予了什么,以及 RLS 是否把它限制在"只能看到该看的那几行"。理解这一点,才不会把精力花在"如何隐藏 key"这种注定失败的方向上。
这也解释了为什么这次能一次扫出几千个站点:同一代平台生成的站点,域名模式、接口路径、默认表名高度一致,一个扫描器就能批量适配。默认配置的风险从来不只属于某一个用户,而是属于整个平台生态。
三、三行 curl:先确认你是不是那个"门没锁"的
不用装任何工具,拿你前端产物里的 anon key,直接打自己的项目。判定逻辑很简单:任何你预期"只有登录用户能看"的表,如果匿名请求返回了数据行,就是裸奔。
# 1. 列出所有暴露的表(PostgREST 的 OpenAPI 根路径)
curl -s "https://<project-ref>.supabase.co/rest/v1/" \
-H "apikey: $ANON_KEY" -H "Authorization: Bearer $ANON_KEY" \
| jq -r '.definitions | keys[]'
# 2. 逐表试探:返回 200 且有数据行 = 匿名可读
curl -s -o /tmp/out.json -w "%{http_code}\n" \
"https://<project-ref>.supabase.co/rest/v1/orders?select=*&limit=1" \
-H "apikey: $ANON_KEY" -H "Authorization: Bearer $ANON_KEY"
# 3. 存储桶:public bucket 可以直接拼对象 URL
curl -s -o /dev/null -w "%{http_code}\n" \
"https://<project-ref>.supabase.co/storage/v1/object/public/ids/passport-001.jpg"三条命令分别对应三种泄漏面:表结构暴露、行数据暴露、文件对象暴露。第三条特别容易被忽略——storage 里 bucket 一旦设为 public,文件路径就是可枚举的,护照扫描件就是这么流出去的。
四、正确的写法:RLS 策略怎么落地
修复的核心只有一句话:每张表都开 RLS,并且每条 policy 都基于 auth.uid() 做行级过滤。下面是一个最小可用的模板。
-- 1. 所有面向用户的表,先开启 RLS
alter table public.orders enable row level security;
alter table public.profiles enable row level security;
alter table public.messages enable row level security;
-- 2. 读:只能读自己的行
create policy "own rows read"
on public.orders for select
to authenticated
using (user_id = (select auth.uid()));
-- 3. 写:插入时必须带上自己的 uid(with check 管住写入)
create policy "own rows insert"
on public.orders for insert
to authenticated
with check (user_id = (select auth.uid()));
-- 4. 改/删:using 管"能不能碰这行",with check 管"改完还是不是自己的"
create policy "own rows update"
on public.orders for update
to authenticated
using (user_id = (select auth.uid()))
with check (user_id = (select auth.uid()));
-- 5. 明确拒绝匿名角色(默认没有 policy 就已经拒绝,这里是显式兜底)
revoke all on public.orders from anon;四个细节决定策略是否真的有效:
- 要写
to authenticated。不写角色限定,policy 会对anon也生效——而anon的auth.uid()是null,user_id = null恒为假,看起来"安全",但换成别的写法(比如USING (true))就直接失守。 using和with check是两个方向。只写using能防住读,但防不住INSERT塞进一条user_id是别人的记录——这是最常被漏掉的一环。auth.uid()建议包一层子查询(select auth.uid()),让 Postgres 把它当常量而不是逐行求值,大表上能省一个数量级的开销。service_rolekey 绝不能出现在前端。它绕过所有 RLS,一旦泄漏等于数据库管理员权限。需要服务端特权操作就放到 Edge Function 里,用环境变量注入。
存储侧同理,public bucket 只放"本来就该公开"的资源(头像、商品图),身份证明、发票、合同一律私有 + 签名 URL:
-- 私有桶 + 按用户目录隔离的对象策略
insert into storage.buckets (id, name, public) values ('ids', 'ids', false);
create policy "own files read"
on storage.objects for select
to authenticated
using (bucket_id = 'ids' and owner_id = (select auth.uid())::text);五、把它变成 CI 门禁:一条脚本扫全部表
上面三步靠人工检查只能覆盖一次,工程上应该做成可重复的断言。下面这个脚本只依赖标准库,遍历 OpenAPI 里的所有表,用 anon key 逐个试探,把"匿名能读到行"的表列出来。
import json, os, urllib.request, urllib.error
REF, KEY = os.environ["SB_REF"], os.environ["SB_ANON_KEY"]
BASE = f"https://{REF}.supabase.co/rest/v1"
def get(path, key):
req = urllib.request.Request(
f"{BASE}/{path}",
headers={"apikey": key, "Authorization": f"Bearer {key}"},
)
try:
with urllib.request.urlopen(req, timeout=10) as r:
return r.status, r.read()
except urllib.error.HTTPError as e:
return e.code, b""
status, body = get("", KEY)
tables = list(json.loads(body).get("definitions", {}).keys())
leaks = []
for t in tables:
code, data = get(f"{t}?select=*&limit=1", KEY)
rows = json.loads(data) if code == 200 and data else []
if code == 200 and rows:
leaks.append(t)
print("匿名可读表:", leaks)
raise SystemExit(1 if leaks else 0)接进 CI 就是一条 python scripts/rls_audit.py,返回码非 0 直接阻断发布。这个脚本同时解决了一个常见争论:"我开了 RLS 吗"——不用看控制台,跑一遍就知道。它也有局限:policy 写成 USING (true) 时脚本只能发现"可读",判断不了"是否被过度授权",所以策略审查还得靠 code review。
5.1 再加一道 SQL 断言:查策略覆盖率
接口探测只能发现"现在能读",查不出"哪些表压根没开 RLS"。这两条 SQL 直接问系统目录,比翻控制台可靠:
-- A. public schema 下没启用 RLS 的表(每一张都是潜在裸奔点)
select c.relname
from pg_class c
join pg_namespace n on n.oid = c.relnamespace
where n.nspname = 'public' and c.relkind = 'r' and c.relrowsecurity = false;
-- B. 开了 RLS 但一条 policy 都没有的表(等于全拒,业务会莫名 403)
select t.tablename
from pg_tables t
where t.schemaname = 'public' and t.rowsecurity
and not exists (
select 1 from pg_policies p
where p.schemaname = 'public' and p.tablename = t.tablename
);把这两条查询的结果当成发布门禁:A 为空、B 为空,才允许上线。它们和 5 节的接口探测是互补的——SQL 查配置,脚本验行为,一个看"有没有设防",一个看"设防是否真的生效"。很多事故的教训恰恰是两边只做了其中一边。
六、生产落地清单与踩坑
| 阶段 | 动作 | 验收标准 |
|---|---|---|
| 上线前 | 每张表 ENABLE ROW LEVEL SECURITY | select relname from pg_class where relrowsecurity = false 为空 |
| 上线前 | 每条 policy 限定角色与 auth.uid() | 匿名请求业务表返回 401 / 空结果 |
| 上线前 | 存储桶 public 标志逐个确认 | 仅公开资源为 public |
| 上线前 | 前端产物 grep service_role | 0 命中 |
| 上线后 | RLS 审计脚本进 CI | 每次发布自动跑 |
| 持续 | 新表/新 migration 纳入同一套策略模板 | 建表 checklist 有 RLS 项 |
四个真实会踩的坑:
- 关联表泄漏。
orders锁住了,但order_items没锁,攻击者从明细反推订单内容。策略要按"数据图"而不是按"表"来审。 - 视图绕过。视图默认以定义者权限运行,
anon查视图可能拿到基表数据。要么给视图加security_invoker = true,要么不放给 anon。 - Edge Function 里的越权。函数内部用
service_role连接时,用户身份校验必须在函数入口自己做,否则前端传个user_id就能读别人的数据。 - 默认权限与列级暴露。
profiles表里混放了手机号、身份证号这类高敏列,就算 RLS 正确,只要该用户能看到自己的行,就能看到自己的全部列——敏感列建议拆表或用列权限控制。
如果已经泄漏了,顺序是:先轮换 anon key(注意 key 会随前端产物重建)、关掉 public bucket、补 RLS 策略,然后按日志评估影响面并在必要时履行告知义务。先关门,再清点——顺序反了,等于一边调查一边继续泄漏。
七、结论
这起事件给 AI 生成应用提了个醒:"能跑"和"能公开"之间隔着一整套授权模型。
- 对个人开发者:三行 curl 就能知道自己是不是下一个案例,成本比任何安全工具都低;
- 对团队:把 RLS 审计脚本接进 CI,比每月做一次手工检查靠谱;
- 对平台方:默认关闭 RLS 是"体验优先"的必然结果,但默认配置应该记住一件事——用户不会替你想到授权,你必须在第一次建表时就替他想到。
同一类问题在数据库层还有更经典的版本,可以对照 PostgreSQL 安全最佳实践 一起看;供应链侧的投毒路径见 EtherHiding 与 Go Module 劫持;如果你在用 AI 生成应用做前置判断(比如自动判定数据是否敏感),昨天那篇 Gemini Decisions API 实战 里正好有一节讲护栏;更多安全工程文章在 安全工程专栏 汇总。
参考资料
- Apps built on Lovable AI expose passport details and 200,000 chat messages — Cybernews,2026-11-04,含 159,041 项目扫描口径
- Lovable Apps Data Exposure: What's Fixed and What Isn't — Privacy Affairs,2026-11-14
- Lovable Leak Exposes Passports and 200K User Messages — Tech Bytes,2026-11-15
- Supabase Docs: Row Level Security — RLS 与 policy 的官方定义
- PostgREST: Tables and Views — 表到 HTTP 端点的映射规则
- Supabase Docs: Storage Access Control — bucket 与对象策略

