
CVE-2026-91940: كتابة ملفات عشوائية في crawl4ai <=0.9.2 عبر بوابة الإعدادات غير الموثوقة (PDFContentScrapingStrategy image_save_dir). تحليل وأداة إعادة إنتاج وحدود مُتحقَّق منها بين 0.9.2 و0.9.3.
| CVE | CVE-2026-91940 |
| المنتج | crawl4ai، ~84k نجمة |
| المتأثر | >= 0.9.0، <= 0.9.2 |
| المُصلَح | 0.9.3 |
| التصنيف | CWE-22، كتابة ملفات عشوائية (دليل يختاره المهاجم، محتوى مطابق بايتًا ببايت) |
| الصلاحيات | مُستدعٍ قادر على الوصول إلى POST /crawl. راجع الصلاحيات |
| الحكم | مؤكَّد أنه مصاب على 0.9.2، مُرقَّع على 0.9.3، وكلاهما أُعيد إنتاجه من البداية إلى النهاية |
| CVSS 3.1 | 6.5 AV:N/AC:L/PR:L/UI:N/S:U/C:N/I:H/A:N (تنشر NVD القيمة 7.5 مع PR:N، وهو ما لا ينطبق على 0.9.2) |
| التنبيه الأمني | GHSA-xpp7-j28w-2gvx |
تقبل واجهة HTTP البرمجية في crawl4ai كائن إعدادات داخل جسم الطلب. ولأن جسم الطلب
خاضع لتحكم المهاجم، بنى المشروع حدود ثقة له: تُمرَّر الإعدادات المحمَّلة بـ
Provenance.UNTRUSTED عبر بوابة يُفترض أن تُسقط أو ترفض أي
حقل لا يجوز لمُستدعٍ غير موثوق تعيينه.
تفشل تلك البوابة بصورة مفتوحة لفئة واحدة قابلة للوصول. فـ PDFContentScrapingStrategy قابلة
صريحًا للإنشاء من جسم غير موثوق، لكنها لا تملك قائمة سماح للحقول، وقاعدة البوابة عند
"عدم وجود قائمة سماح" هي "الاحتفاظ بكل شيء". لذا يصل image_save_dir الخاص بها إلى معالج PDF
دون مساس، ويُنشئ المعالج ذلك الدليل ويكتب صور ملف PDF المُجلَب فيه دون أي فحص احتواء. النتيجة هي الكتابة إلى أي دليل
يمكن لحساب الخدمة الوصول إليه، بمحتوى يقدمه المُستدعي.
1. تُعلِّم نقطة النهاية جسم الطلب بأنه غير موثوق (deploy/docker/server.py):
crawler_config = CrawlerRunConfig.load(
crawl_request.crawler_config, provenance=Provenance.UNTRUSTED
)
2. تحتفظ البوابة بكل حقل من نوع لا يملك قائمة سماح (crawl4ai/async_configs.py):
def _filter_untrusted_fields(type_name: str, params: dict) -> dict:
"""Drop non-allowlisted fields and raise on forbidden (power) fields."""
forbidden = UNTRUSTED_FORBIDDEN_FIELDS.get(type_name, set())
allowlist = UNTRUSTED_FIELD_ALLOWLIST.get(type_name) # None => keep all non-forbidden
out = {}
for key, value in params.items():
if key in forbidden:
raise UntrustedConfigError(...)
if allowlist is not None and key not in allowlist:
continue # silently drop unknown/unsafe fields (forward-compatible)
out[key] = value
return out
3. استراتيجية PDF قابلة للوصول لكنها لا تملك قائمة سماح ولا قائمة محظورة.
يحتوي UNTRUSTED_ALLOWED_TYPES على PDFContentScrapingStrategy، لذا يمكن لنص الطلب إنشاء واحدة
عبر CrawlerRunConfig.scraping_strategy. لكن UNTRUSTED_FIELD_ALLOWLIST يحتوي على مفاتيح فقط
لـ BrowserConfig وCrawlerRunConfig، وكذلك UNTRUSTED_FORBIDDEN_FIELDS. لذا فإن
allowlist هي None، وforbidden فارغة، وextract_images وsave_images_locally و
image_save_dir جميعها تبقى.
4. نقطة الاستقبال تثق بذلك المسار (crawl4ai/processors/pdf/processor.py):
if self.extract_images and self.save_images_locally:
if self.image_save_dir:
image_dir = Path(self.image_save_dir)
image_dir.mkdir(exist_ok=True, parents=True)
المسار المطلق مقبول، وتُنشأ المجلدات بشكل متداخل، دون فحص احتواء realpath مقابل جذر تخزين. بعد ذلك يكتب _extract_images() كل صورة من ملف PDF هناك.
5. يجلب الاستراتيجية ملف PDF بنفسها. يستدعي PDFContentScrapingStrategy.scrap() الدالة self._get_pdf_path(url)، التي تنزّل عنوان URL بشكل مستقل عن مرحلة المتصفح في الزاحف. لذا فإن البايتات التي تُكتب تأتي من ملف يستضيفه المهاجم.
هذا الجزء غائب عن التنبيه الأمني، الذي يكتفي بالقول "بايتات يتحكم بها المهاجم" دون توضيح الكيفية. فقط فرع /FlateDecode في _extract_images() يمر عبر PIL (img.save(final_path)) وبالتالي يُعاد ترميزه إلى PNG. أما الفروع الثلاثة الأخرى فتكتب تدفق PDF الخام:
/Filter في PDF | الامتداد المكتوب | طريقة الكتابة |
|---|---|---|
/DCTDecode | .jpg | open(final_path, 'wb').write(data) |
/CCITTFaxDecode | .tiff | نفس الطريقة، ويُضاف ترويسة TIFF فقط عندما يكون data[:4] != b'II*\x00' |
/JPXDecode | .jp2 | نفس الطريقة |
/FlateDecode | .png | يُعاد ترميزه بواسطة PIL، لذا ليس مطابقًا بايتًا ببايت |
وبالتالي فإن تضمين الحمولة ككائن XObject صورة من نوع /DCTDecode يضع تلك البايتات الدقيقة على القرص. وقد تأكد ذلك بمقارنة قيم التحقق: إن md5 للملف المكتوب على الخادم يساوي md5 للحمولة المسلَّمة إلى exploit.py.
يقيّم NVD هذا بـ PR:N. في إصدار 0.9.2 لا يصح ذلك، وقد قيس الفرق بدلًا من افتراضه.
تتضمن الصورة auth_gate.py، وهو AuthGateMiddleware بمنطق رفض آمن (fail-closed) مركّب في طبقة ASGI الخارجية. ويشرح نصه التوثيقي الخاص سبب وجوده:
كان التصميم السابق يقرر المصادقة في تبعية FastAPI لكل مسار، والتي كانت، عندما يكون
jwt_enabledمساويًا false (وهو الافتراضي)، تُرجعlambda: None، فكان كلDepends(token_dep)شكليًا وكانت الواجهة البرمجية بأكملها مفتوحة.
وهو الآن يغطي كل مسار وتركيب وتطبيق فرعي، وHTTP وWebSocket، ويرفض أي طلب دون بيانات اعتماد صالحة قبل تشغيل أي معالج. علاوة على ذلك، عندما لا يكون CRAWL4AI_API_TOKEN مضبوطًا، فإن نقطة الدخول تربط على loopback فقط وتسجّل رمزًا مؤقتًا لتلك الجلسة. الطلب الذي لا يحمل بيانات اعتماد يحصل على:
HTTP/1.1 401
{"detail": "Authentication required"}
الثغرة لا تزال حقيقية، والسبب مهم: يتعامل crawl4ai مع جسم الطلب على أنه
غير موثوق حتى عندما يأتي من مستدعٍ شرعي لواجهة API. وهذا هو الغرض الكامل من
Provenance.UNTRUSTED. لذا فإن المستدعي المسموح له باستخدام واجهة API، أو مستأجر، أو
خدمة لاحقة، أو مستخدم منخفض الصلاحيات في نشر مشترك، يترقّى إلى كتابة ملفات عشوائية على
المضيف. هذا هو PR:L، ومن هنا تأتي الدرجة 6.5 بدلاً من 7.5.
pypdf ليس في الصورة الرسمية. ينصّ الاستشاري على أنه موجود، وأنه لذلك
لا حاجة إلى تثبيت إضافي. في unclecode/crawl4ai:0.9.2، يُبلّغ pip list عن
Crawl4AI 0.9.2 وpillow 12.3.0 فقط، ويُرجع find / -iname 'pypdf*' لا شيء. بدون
ذلك، يرفع NaivePDFProcessorStrategy.__init__ استثناء ImportError، لذا تتطلب الكتابة
نشرًا ثبّت إضافة crawl4ai[pdf] أو بنى صورة مخصصة.
هذا الفشل مفيد بحد ذاته، لأنه يثبت تجاوز البوابة دون حدوث الكتابة حتى.
يظهر ImportError من داخل استدعاء الإنشاء:
async_configs.py:470 k: from_serializable_dict(v, provenance) for k, v in params.items()
async_configs.py:472 return cls(**constructor_args)
processors/pdf/__init__.py:63 self.pdf_processor = NaivePDFProcessorStrategy(
processors/pdf/processor.py:64 raise ImportError("pypdf is required for PDF processing...")
وصل image_save_dir غير الموثوق إلى مُنشئ الاستراتيجية. لم يُسقَط ولم يُرفض. الشيء الوحيد الذي يفصل بين ذلك وبين الكتابة هو مكتبة مفقودة.
الخروج مُراقَب. استبدل egress_broker.py في الإصدار 0.9.2 قائمة حظر أقدم بقاعدة واحدة، reject any resolved IP where not ip.is_global، إذ يحل العنوان ويثبّته في خطوة واحدة بحيث لا يمكن استخدام تحليل ثانٍ يتحكم فيه المهاجم. يستضيف المهاجم الحقيقي ملف PDF المصنوع على عنوان URL عام، وهو ما تسمح به تلك القاعدة. لا تستطيع المختبرات الوصول إلى الإنترنت، لذا تضبط CRAWL4AI_ALLOW_INTERNAL_URLS=true، وهو مخرج التشغيل الموثّق الخاص بالمشروع، وذلك فقط كي يتمكن خادم HTTP على loopback من القيام بدور ذلك المضيف العام. هذا العلم ليس ما يجعل التطبيق عرضة للثغرة، وهو غير مطلوب في نشر حقيقي.
يختار المهاجم: