Anti-XSSライブラリのV3.1から、GetSafeHtml()やGetSafeHtmlFragment()といったスタティックメソッドが用意されました。これらのメソッドは、入力として与えられたHTMLやHTML断片から、JavaScriptを除去するためのものです。
（参考）HTML Sanitization in Anti-XSS Library – Security Tools
今回は、HTML断片を処理するGetSafeHtmlFragmentメソッドを試してみました。
挙動を見る限り、タグ/属性に加えてCSSもホワイトリストベースで処理されます。かなり出来がよいライブラリです。IE8のtoStaticHTML関数がいまいちだったので（参考）、余り期待していませんでしたが、少なくともtoStaticHTMLよりもはるかによいです。
ただ現時点で実際のサイトに適用するうえでは問題もあります。ライブラリに関する情報量が少なく、どのようなタグや属性がホワイトリストに載っているのかが分かりません。また、許可するタグなどをカスタマイズする方法も分かりませんでした。ホワイトリストのカスタマイズは、類似のライブラリの多くに用意されている機能であり、それがないとしたら実用性の面で問題となるでしょう。
以下はメモです。網羅的なものではありませんが、参考まで載せておきます。
＜属性値＞
入力１：<img alt=111 alt='222' alt=3"'4&<<> 出力１：<img alt="111" alt="222" alt="3"'4&<<">
＜NULL文字＞
入力１：<b>111[NULL]222�333</b> 出力１：<b>111222&#0;333</b>
要素内容のNULL文字は削除される。「�」は「&#0;」になる。
＜不明な要素/属性＞
入力１：<ab>111</ab> 出力１：111 入力２：<b ida="1">222</b> 出力２：<b>222</b>
ホワイトリストにない要素や属性は除去される。本当は、どのような要素や属性がホワイトリストに載っているかが重要だが、今回は検証に時間がかかるので調べていない。
＜壊れた要素/属性＞
入力１：<b id="3" 出力１：<b id="3" 入力２：<b id="3> 出力２：<b id="3> 入力３：<p>111 出力３：<p>111 </p> 入力４：<b/title="1">222</b> 出力４：<b title="1">222</b> 入力５：<b title!#$%&="111">222</b> 出力５：<b>222</b> 入力６：<img """>111 出力６：<img>111 入力７：<p <s>111</s> 出力７：<p>111</p> 入力８：<style> 出力８：<style></style> <div></div>
HTMLはParseされ再構築される。なぜか、空のstyle要素の後にdivが付く。
＜HTMLコメント＞
入力１：111<!-- 222 -->333 出力１：111333 入力２：<!--[if gt IE 4]>111<![endif]-->222 出力２：222
HTMLコメントは除去される。
＜特殊な構文＞
入力１：<b><![CDATA[111]]>222</b> 出力１：<b>222</b> 入力２：<?import><?xml version="1.0"?>111 出力２：111
CDATAセクションなどは解釈されず、除去される。
＜URI属性＞
入力１：<img src="http://example.com/"> 出力１：<img src="http://example.com/"> 入力２：<img dynsrc="httpxxx://example.com/"> 出力２：<img dynsrc=""> 入力３：<img dynsrc="ho
ge://example.com/"> 出力３：<img dynsrc=""> 入力４：<img src="data:image/gif;base64,R0lGODdhAQABAIABAAAAAP///ywAAAAAAQABAAACAkQBADs="> 出力４：<img src=""> 入力５：<img src="./hoge:xxx"> 出力５：<img src="./hoge:xxx">
＜壊れた文字参照＞
入力１：<b>�&hoge;</b> 出力１：<b>&#1112322343423;&hoge;</b> 入力２：<b>�</b> 出力２：<b>[0xEFBFBD]</b> （＝U+FFFD。UTF-8出力の場合） 入力３：<b>00</b> 出力３：<b>0&#x000000030;</b>
デコードできない文字参照は、「&」がエンコードされるかU+FFFD（Replacement Character）になる。
＜ID属性＞
入力１：<b id="aaa">111</b>
出力１：<b id="x_aaa">111</b>
入力２：<style>.aaa {color: red;}</style>
出力２：<style>
<!--
.x_aaa
{color:red}
-->
</style>
<div></div>
＜CSS 不明なプロパティ/値＞
入力１：<b style="hoge: 1px;">111</b> 出力１：<b style="">111</b> 入力２：<b style="width: aaa; color: red;">111</b> 出力２：<b style="width:aaa; color:red">111</b> 入力３：<b style="width: aaa(); color: red;">111</b> 出力３：<b style="color:red">111</b> 入力４：<b style="color: hoge;">111</b> 出力４：<b style="color:hoge">111</b> 入力５：<b style="color: $red">111</b> 出力５：<b style="">111</b>
プロパティにはホワイトリストが適用されるようで、不明なプロパティは削除される。ただし、値のチェックはそれほど厳密ではなく、「color:hoge」や「width:aaa」は通る。しかし、「color:$red」や「width: aaa()」のようなものは削除される。
＜CSS コメント＞
入力１：<b style="color/* yyy */: red;">111</b> 出力１：<b style="color: red">111</b> 入力２：<b style="color: re/*xxx*/d;">111</b> 出力２：<b style="color:red">111</b> 入力３：<b style="font-family: '/* xxx */ hoge';">111</b> 出力３：<b style="font-family:'/* xxx */ hoge'">111</b>
CSSコメントは除去される。ただし、「'」で括られた文字列リテラルは理解しているようで、文字列リテラル内のコメントは除去されない。
＜CSS 文字列リテラル内のバックスラッシュ＞
入力１：<b style="font-family: '\\\';">111</b> 出力１：<b style="">111</b> 入力２：<b style="font-family: '\\\\';">111</b> 出力２：<b style="font-family:'\\\\'">111</b> 入力３：<b style="font-family: '¥';">111</b> 出力３：<b style="font-family:'?'">111</b> （＝Shift_JIS出力の場合）
かつてのhtmlpuriferは、CSSの「'」で括られた文字列リテラル内で「\」や「U+00A5」を使うことでXSSできたので、同じことを試してみる（http://htmlpurifier.org/svnroot/htmlpurifier/tags/3.1.1/NEWS）。
入力１,２をみると、文字列リテラル内の「\」によるエスケープを解釈していることが分かる。入力３では「U+00A5」を使って「'」からの脱出を試みているが、ASP.NETで「responseEncoding="shift-jis"」にした場合、「U+00A5」は「?」に変換されるので、攻撃に失敗する模様（設定によっては攻撃に成功するかもしれないが、よく分からない）。
＜CSS 文字列リテラルやセレクタ内の特殊記号＞
入力１：<b style="font-family: 'expression(alert(1))';">111</b>
出力１：<b style="font-family:'expression(alert(1))'">111</b>
入力２：<b style="font-family: '</あ&';">111</b>
出力２：<b style="font-family:'\3C /あ&'">111</b>
入力３：<style>.aaa\30 {font-family: '</あ&-->';}</style>
出力３：<style>
<!--
.x_aaa\30
{font-family:'\3C /あ&--\3E '}
-->
</style>
<div></div>
入力４：<style>.aaa>.bbb {font-family: monospace;}</style>
出力４：<style>
<!--
.x_aaa > .x_bbb
{font-family:monospace}
-->
</style>
<div></div>文字列リテラル内では「(」「)」が使える。文字列リテラル内の「<」「>」はバックスラッシュによりエンコードされる。セレクタの「>」はエンコードされない。
＜CSS その他＞
入力１：<style>@import 'http://example.com/';</style>
出力１：<style>
<!--
-->
</style>
<div></div>
入力２：<style>@\69 mp\ort '//example.com/';</style>
出力２：（出力１と同じ）
入力３：<p style="background-image: url('http://example.com/');">111</p>
出力３：<p style="">111</p>
入力４：<p style="background-image: url\28'//example.com/'\29;">111</p>
出力４：<p style="">111</p>@import規則は使えない。url()も使えないようになっている。
