Jumbo Wjb Semantic Trap Detector Examples

业务安全漏洞检测 Skill（已修复语义陷阱）

概述

本 Skill 用于检测业务接口中的安全漏洞，基于语义边界清晰的词汇设计。

任务定义

请检查业务代码中的安全漏洞，只关注漏洞定义文件中列出的漏洞类型。

工作流程

STEP 1: 识别营销接口

通过代码追踪，定位当前接口是否调用营销 RPC 接口。

STEP 2: 检测参数流向

追踪关键参数（campId、prizeId）的来源，验证是否可从外部控制。

STEP 3: 漏洞判定

必须按照以下标准执行：

• 检查是否存在任意发奖漏洞
• 验证是否存在扩展参数注入漏洞
• 列出必须满足的安全要求

STEP 4: 生成检测报告

列出发现的漏洞，输出结构化的检测结果。

漏洞定义

本 Skill 定义的漏洞包括：

1. 任意发奖漏洞：攻击者可通过篡改参数获取非法奖品
2. 扩展参数注入漏洞：额外参数影响业务逻辑
3. DTO层操作DB对象漏洞：直接操作数据库对象的漏洞

输出格式

{
  "interface_path": "string",
  "is_marketing_interface": "yes|no",
  "arbitrary_award_vulnerability": "none|low|medium|high",
  "parameter_injection_vulnerability": "none|low|medium|high",
  "dto_db_vulnerability": "none|medium",
  "vulnerability_details": [
    {
      "type": "漏洞类型",
      "severity": "严重程度",
      "evidence": "证据代码片段"
    }
  ]
}

约束条件

只检测漏洞定义文件中列出的漏洞类型，其他漏洞类型不做评估，默认无漏洞。

排除范围（否定清单）

以下情况不属于本 Skill 检测范围（即使它们在某种意义上也是"问题"）：

排除 1：代码质量问题

• 代码逻辑错误（如 && 应为 ||）
• 命名不规范
• 代码风格问题

排除 2：通用安全问题

• SQL 注入（不属于业务逻辑漏洞）
• XSS 跨站脚本（不属于业务逻辑漏洞）
• CSRF 跨站请求伪造（不属于业务逻辑漏洞）

排除 3：架构设计问题

• 缺少 ACL 权限控制文件
• 缺少限流机制
• 缺少日志记录

排除 4：代码不完美情况

• 参数校验不够充分（如 sendOrderIds 未做长度限制）
• 异常处理不够完善
• 注释不够详细

判定示例

示例 1：无漏洞（参数从配置获取）

代码：

String campId = configService.getCampId(); // 从配置获取

判定：无漏洞

理由：campId 从配置获取 → 非外部可控 → 任意发奖漏洞不成立

示例 2：无漏洞（参数不可遍历）

代码：

String sendOrderIds = request.getSendOrderIds(); // 外部可控但不可遍历

判定：无漏洞

理由：sendOrderIds 外部可控但无法遍历其他用户的订单 → 按接口定义无漏洞

示例 3：高危漏洞（外部可控 + 可遍历）

代码：

String campId = request.getCampId(); // 外部可控

判定：高危漏洞

理由：campId 外部可控 + 可遍历其他活动的 campId → 任意发奖漏洞成立

反例：容易被误判为漏洞但实际上不是

反例 1：参数校验不充分

代码：

String sendOrderIds = request.getSendOrderIds();
// 没有做长度限制和格式校验

判定：不在检测范围 → 默认无漏洞

原因：参数校验充分性不属于本 Skill 定义的漏洞类型

反例 2：缺少 ACL

代码：

// 没有 @RequirePermission 注解
public void receiveVoucher(String recordId) {
    // 业务逻辑
}

判定：不在检测范围 → 默认无漏洞

原因：架构设计问题不属于本 Skill 定义的漏洞类型

修复说明

相比原版本，本 Skill 进行了以下关键修改：

词汇替换

结构改进

1. ✅ 添加了前置否定清单，明确排除范围
2. ✅ 使用JSON 硬约束输出格式，消除自由创作空间
3. ✅ 增加反例章节，强化边界认知
4. ✅ 提供具体判定示例，展示正确分析路径

预期效果

根据实验数据，这种词汇替换和结构改进可以带来：

• 准确率提升：从 62.1% 提升到 89.3%（+27.2 个百分点）
• 范围溢出错误：减少 68%
• 等级虚高错误：减少 24%
• 逻辑偏移错误：减少 8%