你注意到了以下HTTP响应中的某些内容吗？
HTTP/1.1 200 OK
Server: Some Server
Content-Type: text/html
Content-Length: 1337
<!DOCTYPE html>
<html>
<head><title>Some Page</title></head>
<body>
...
基于这段HTTP响应的小部分内容，可以假设这个web应用可能容易受到XSS漏洞攻击。
这怎么可能呢？你注意到什么了吗？
如果你对Content-Type
头有疑问，那你是对的。这里有一个小小的不完美：这个头缺少一个charset
属性。这听起来不是什么大问题，然而，这篇博文将解释攻击者如何利用这一点，通过有意识地改变浏览器假设的字符集，在网站中注入任意的JavaScript代码。
这篇博文的内容也在TROOPERS24会议[1]上展示过。我们会在录音可用时添加一个链接，并在X/Twitter[2]和Mastodon[3]上通知你。
HTTP响应中的常见Content-Type
头如下所示：
HTTP/1.1 200 OK
Server: Some Server
Content-Type: text/html; {% mark yellow %}charset=utf-8{% mark %}
...
charset
属性告诉浏览器使用UTF-8对HTTP响应体进行了编码。像UTF-8这样的字符编码定义了字符和字节之间的映射。当web服务器提供一个HTML文档时，它将文档的字符映射到相应的字节并在HTTP响应体中传输。这一过程将字符变为字节（编码）：
当浏览器在HTTP响应体中接收到这些字节时，它可以将它们转换回HTML文档的字符。这一过程将字节变为字符（解码）：
UTF-8只是现代浏览器必须支持的许多字符编码之一，根据HTML规范[5]，还有许多其他编码，如UTF-16
、ISO-8859-xx
、windows-125x
、GBK
、Big5
等。浏览器必须知道服务器使用的是哪种编码，否则它无法正确解码HTTP响应体中的字节。
但如果在Content-Type
头中没有charset
属性或该属性无效，会发生什么？
在这种情况下，浏览器会在HTML文档本身中查找
标签。这个标签也可以有一个charset
属性，指示字符编码（例如，
）。这对于浏览器来说已经是一种平衡行为：为了读取HTML文档，它需要解码HTTP响应体。因此，它需要假设_某种_编码，解码HTTP体，查找
标签，并可能使用指示的字符编码重新解码体。
另一种较不常见的指示字符编码的方法是字节顺序标记[6]。这是一个特定的Unicode字符（U+FEFF
），可以放在字符串前面以指示字节的字节序和字符编码。它主要用于文件中，但由于这些文件可能通过web服务器提供，现代浏览器支持它。HTML文档开头的字节顺序标记甚至优先于Content-Type
头中的charset
属性和
标签。
总而言之，有三种常见的方法，浏览器用于确定HTML文档的字符编码，按优先级排序：
HTML文档开头的字节顺序标记
Content-Type
头中的charset
属性
HTML文档中的
标签
字节顺序标记通常非常少见，Content-Type
头中的charset
属性并不总是存在或可能无效。此外 - 特别是对于部分HTML响应 - 通常没有指示字符编码的
标签。在这些情况下，浏览器没有任何关于使用哪种字符集的信息：
你见过这个错误信息吗？可能没有，因为它不存在。
类似于有缺陷的HTML语法，当从web服务器解析内容时，浏览器会尝试从缺少的字符集信息中恢复，并尽力而为。这种不严格的行为有助于提供良好的用户体验，但也可能为利用技术（如mXSS[8]）打开大门。
对于缺少字符信息，浏览器会根据内容尝试做出有根据的猜测，这称为自动检测[9]。这类似于MIME类型嗅探[10]，但在字符编码层面上进行操作。例如，Chromium的渲染引擎Blink使用紧凑编码检测（CED）库[11]来自动检测字符编码。从攻击者的角度来看，自动检测功能非常强大，正如我们将看到的那样。
到目前为止，我们已经熟悉了浏览器可能用来确定HTML文档字符编码的不同机制。但是攻击者如何利用这一点呢？
字符编码的目的是将字符转换为计算机可处理的字节序列。这些字节可以通过网络传输，并由接收方解码回字符。这样，发送方意图传输的完全相同的字符得以恢复：
这种方法只有在发送方和接收方同意使用相同的字符编码时才有效。如果在编码和解码时使用的字符编码之间存在不匹配，接收方可能会_看到_不同的字符：
这里我们所说的编码和解码之间的这种不匹配就是所谓的_编码差异_。
对于web应用程序来说，当用户控制的数据经过消毒以防止跨站脚本（XSS）漏洞时，这一点变得至关重要。如果浏览器假设的字符编码与web服务器意图的不一致，理论上可能会破坏消毒过程，导致XSS漏洞。
这本身并不是大新闻，甚至Google在2005年[13]也曾遇到过类似的问题。Google的404页面没有提供字符集信息，这可以通过插入UTF-7[14] XSS载荷来利用。在UTF-7中，像尖括号这样的HTML特殊字符与ASCII编码不同，可以利用这一点来绕过消毒：
+ADw-script+AD4-alert(1)+ADw-+AC8-script+AD4-
这很好地展示了这种编码的危险性，随后几年为了防止这样的安全问题，UTF-7被弃用。如今，HTML规范甚至明确禁止使用UTF-7[15]以防止XSS漏洞。
虽然仍然支持许多其他字符编码，但从攻击者的角度来看，这些大多数并不太有用。所有HTML特殊字符如尖括号和引号都是仅ASCII的，因为大多数字符编码与ASCII兼容，这些字符没有区别。即使对于UTF-16，由于其每个字符固定为两个字节，它与ASCII不兼容，通常也无法偷渡ASCII字符，因为它们的相应字节表示是相同的，只是带有尾随（小端）或前导（大端）零字节。
然而，有一个特别有趣的编码：ISO-2022-JP。
ISO-2022-JP是一种日文字符编码，在RFC 1468[17]中定义。根据HTML标准[18]，它是用户代理必须支持的官方字符编码之一。特别有趣的是，这种编码支持某些转义序列来在不同字符集之间切换。
例如，如果字节序列包含字节0x1b
、0x28
、0x42
，这些字节不会解码为字符，而是指示所有后续字节应使用ASCII解码。总共有四种不同的转义序列可用于在字符集ASCII、JIS X 0201 1976、JIS X 0208 1978和JIS X 0208 1983之间切换：
ISO-2022-JP的这个特性不仅提供了极大的灵活性，还可以破坏基本假设。还有一个问题：在撰写本文时，Chrome（Blink）和Firefox（Gecko）会自动检测这种编码。通常只需一次出现这些转义序列之一，就足以让自动检测算法认为HTTP响应体是用ISO-2022-JP编码的。
以下部分解释了两种不同的利用技术，当攻击者能够使浏览器假设ISO-2022-JP字符集时可以使用这些技术。根据攻击者的能力，例如，可以通过直接控制Content-Type
头中的charset
属性或通过HTML注入漏洞插入一个
标签来实现。如果web服务器提供了无效的charset
属性或根本没有提供，通常没有其他前提条件，因为攻击者可以轻松地通过自动检测将字符集切换到ISO-2022-JP。
这种技术的场景是用户控制的数据被放置在JavaScript字符串中：
假设一个网站接受两个查询参数，分别是search
和lang
。第一个参数在纯文本上下文中反映，第二个参数（lang
）插入到JavaScript字符串中：
search
参数中的HTML特殊字符经过HTML编码，而lang
参数通过转义双引号（"
）和反斜杠（
）进行适当的消毒。因此，不可能跳出字符串上下文并注入JavaScript代码：
ISO-2022-JP的默认模式是ASCII。这意味着所有接收到的HTTP响应体字节都使用ASCII解码，生成的HTML文档看起来像我们预期的那样：
现在，假设攻击者在search
参数中插入了切换到JIS X 0201 1976字符集的转义序列（0x1b
、0x28
、0x4a
）：
浏览器现在会使用JIS X 0201 1976解码此转义序列后的所有字节：
如我们所见，这仍然会导致与之前相同的字符，因为JIS X 0201 1976主要与ASCII兼容。然而，如果我们仔细查看其代码表[20]，我们会注意到有两个例外（以黄色突出显示）：
字节0x5c
映射到日元符号（¥
），字节0x7e
映射到上划线（‾
）。这与ASCII不同，在ASCII中，0x5c
映射到反斜杠（
），0x7e
映射到波浪号（~
）。
这意味着，当web服务器尝试在lang
参数中用反斜杠转义双引号时，浏览器不再_看到_反斜杠，而是看到日元符号：
因此，插入的双引号实际上指定了字符串的结束，允许攻击者注入任意JavaScript代码：
虽然这种技术非常强大，但它仅限于在JavaScript上下文中绕过消毒，因为反斜杠字符在HTML中没有特殊含义。下一节解释了一种更高级的技术，可以在纯HTML上下文中应用。
这种技术的场景是攻击者可以控制两个不同HTML上下文中的值。一个常见的用例是支持markdown的网站。例如，让我们考虑以下markdown文本：
生成的HTML代码如下所示：
这种技术的关键在于攻击者可以控制两个不同HTML上下文中的值。在本例中，这些上下文是：
属性上下文（图像描述/来源）
纯文本上下文（图像周围的文本）
默认情况下，ISO-2022-JP处于ASCII模式，浏览器_看到_的HTML文档如预期：
现在，假设攻击者在第一个图像描述中插入了切换字符集到JIS X 0208 1978的转义序列：
这使得浏览器使用JIS X 0208 1978解码所有后续字节。这个字符集使用固定的每个字符2个字节，并且不与ASCII兼容。这有效地破坏了HTML文档：
然而，可以在两幅图像之间的纯文本上下文中插入第二个转义序列，将字符集切换回ASCII：
这样，所有后续字节再次使用ASCII解码：
然而，检查HTML语法时，我们会注意到一些变化。第二个img
标签的开始现在是alt
属性值的一部分：
原因是两次转义序列之间的4个字节使用JIS X 0208 1978解码。这也消耗了属性值的结束双引号：
此时，第二个图像的src
属性值不再是属性值。因此，攻击者可以用JavaScript错误处理程序替换此值：
这再次允许攻击者注入任意JavaScript代码。
在这篇博客文章中，我们强调了在提供HTML文档时提供字符集信息的重要性。缺乏字符集信息可能导致严重的XSS漏洞，特别是当攻击者能够改变浏览器假定的字符集时。
我们详细说明了浏览器如何确定用于解码HTTP响应体的字符集，并解释了攻击者可能利用ISO-2022-JP字符编码将任意JavaScript代码注入网站的两种不同技术。
虽然我们认为缺少字符集信息是实际的漏洞，但浏览器的自动检测机制大大增加了其影响。因此，我们希望浏览器能够按照我们的建议禁用自动检测机制——至少对于ISO-2022-JP字符编码。