
إثبات مفهوم وتصحيح لـ CVE-2026-57845: تنفيذ تعليمات عن بُعد (RCE) عبر إلغاء تسلسل pickle في مُنشئ pandas الخاص بمكتبة datasets من Hugging Face، مع نص برمجي لإعادة الإنتاج وإرشادات للمعالجة.
<= 5.1.0الخطورة: عالية، CVSS 3.1 8.8
المتجه: CVSS:3.1/AV:N/AC:L/PR:N/UI:R/S:U/C:H/I:H/A:H
المتأثر: جميع إصدارات Hugging Face datasets <= 5.1.0
المكوّن: datasets.packaged_modules.pandas.pandas
CWE: CWE-502 (إلغاء تسلسل البيانات غير الموثوقة)
تم اكتشافه والإبلاغ عنه بواسطة: Sai Teja Erukude
تسمح إصدارات Hugging Face datasets حتى الإصدار 5.1.0 ضمنًا بتنفيذ
تعليمات برمجية عشوائية بلغة Python عند تحميل ملفات pickle التي يتحكم فيها المهاجم عبر
الـ builder المُحزَّم pandas المهجور لكنه لا يزال مسجَّلًا.
يقوم الـ builder بتحليل data_files المقدَّمة من المستدعي، ويفتح كل ملف كبايتات،
ويمرّر كائن الملف مباشرةً إلى pandas.read_pickle() قبل تحويل
النتيجة إلى جدول Arrow:
with open(file, "rb") as f:
pa_table = pa.Table.from_pandas(pd.read_pickle(f))
يمكن أن يؤدي إلغاء تسلسل Python pickle إلى تنفيذ تعليمات برمجية يختارها المهاجم. عندما يقوم الضحية
بتحميل مجموعة بيانات خبيثة مدعومة بـ pickle باستخدام
datasets.load_dataset("pandas", data_files=...)، تُنفَّذ الحمولة بامتيازات
عملية الضحية قبل تحويل Arrow أو التحقق من الميزات.
قد ينفّذ المهاجم الذي يمكنه إقناع ضحية بتحميل pickle يتحكم فيه المهاجم عبر
باني pandas تعليمات برمجية عشوائية في عملية الضحية.
قد يؤثر ذلك على سير عمل تحليل البيانات والتعلم الآلي والأتمتة التي
تحمّل مجموعات البيانات من مشاريع أو مستودعات أو تنزيلات أو ملفات مشتركة غير موثوقة.
لا يحتاج المهاجم إلى امتيازات في بيئة الضحية، لكن يجب على الضحية
تحميل مجموعة البيانات الخبيثة، بما يتوافق مع متطلب تفاعل المستخدم في التقرير (UI:R).
اعتمادًا على البيئة المحلية، قد يسمح ذلك بما يلي:
المسار المعرّض للثغرة هو باني pandas المُحزَّم:
datasets.load_dataset("pandas", data_files=...)
-> dataset_module_factory(...)
-> registered pandas packaged builder
-> Pandas._split_generators(...)
-> resolve or download caller-supplied data_files
-> Pandas._generate_tables(...)
-> open(file, "rb")
-> pandas.read_pickle(f)
-> pyarrow.Table.from_pandas(...)
ينشئ PoC كائن pickle تحدد فيه طريقة __reduce__() دالةً قابلة للاستدعاء
تكتب ملف علامة محلي غير ضار وتعيد pandas.DataFrame صالحًا. أثناء إلغاء
التسلسل، تُنفَّذ تلك الدالة القابلة للاستدعاء قبل أن يحوّل المُنشئ DataFrame
المُعاد إلى جدول Arrow. يكتمل تحميل مجموعة البيانات بعد ذلك بشكل طبيعي ويعيد
صفًا واحدًا.
يستدعي المشغّل واجهة datasets.load_dataset() الحقيقية من الحزمة المثبّتة.
ويضمن وجود ذاكرة تخزين مؤقت محلية جديدة وإزالة العلامة السابقة أن النتيجة
المحفوظة تُظهر التنفيذ أثناء تحميل مجموعة البيانات.
إن إهمال المُنشئ أو التحقق من صحة DataFrame المُعاد لا يمنع التنفيذ أثناء إلغاء التسلسل. كما أن توثيق pandas يحذّر من تحميل بيانات pickle من مصادر غير موثوقة.
يولّد run_poc.py الملف attacker-controlled.pkl، ويحمّله عبر
مُنشئ pandas، ويسجّل أدلة التنفيذ.
شغّله في بيئة اختبار محلية فقط. لإعادة إنتاج الإصدار الظاهر في الأدلة المحفوظة على Windows:
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install "datasets==5.1.0"
.\.venv\Scripts\python.exe -B run_poc.py
يتضمن ملف requirements.txt المرفق حاليًا
datasets<=5.0.1. يمكن تثبيته باستخدام
python -m pip install -r requirements.txt لاختبار ذلك النطاق الأقدم، لكنه
لا يختار تثبيت 5.1.0 المستخدم في الأدلة المحفوظة. التثبيت الصريح
أعلاه يعيد إنتاج إصدار datasets الخاص بذلك التثبيت.
الأدلة المتوقعة على الإصدار المصاب الموضّح:
datasets_version: 5.1.0
installed_package: True
load_error: None
row_count: 1
first_row: {'value': 'benign dataframe returned after pickle execution'}
marker_before_load_dataset: False
marker_after_load_dataset: True
marker_contents:
datasets_pandas_pickle_rce_triggered
success: True
الدليل المهم هو أن العلامة غائبة قبل load_dataset()،
وتظهر أثناء التحميل، وتحتوي على السلسلة المتوقعة بينما يكتمل تحميل مجموعة البيانات
بنجاح ويُعيد الصف المتوقع.
تأثير تنفيذ الحمولة هو كتابة ملف علامة محلي:
datasets_pandas_pickle_rce_triggered
كما يكتب المشغّل ملفات pickle وcache وevidence المولّدة. كل تشغيل
يستبدل attacker-controlled.pkl وmarker.txt وcache/ وevidence/ في
مجلد PoC؛ احفظ الأدلة الموجودة قبل إعادة تشغيله.
القطع الأثرية المحفوظة:
يستبدل الإصلاح الضيق جسم Pandas._generate_tables() بالكامل
بخطأ غير مشروط قبل فتح أي ملف أو تمريره إلى
pandas.read_pickle():
def _generate_tables(self, files):
raise ValueError(PANDAS_PICKLE_DISABLED_ERROR)
يشرح الخطأ مخاطر تنفيذ pickle ويوجّه المستدعين إلى Parquet أو Arrow أو CSV أو JSON أو Dataset.from_pandas() لـ DataFrame موجود. يمنع هذا مسار تنفيذ الشيفرة المُبلَّغ عنه لكل اسم ملف، بما في ذلك ملفات pickle الموثوقة؛ ولا يحاول تحديد أي ملفات pickle جديرة بالثقة.
يبقى المُنشئ مسجّلًا ويمكن still إنشاؤه عبر load_dataset_builder("pandas", ...) أو Pandas(...). قد يحدث تحليل الملفات والتنزيلات قبل فشل إنشاء الجدول. مع البث (streaming)، يحدث الخطأ عند تكرار المرور على مجموعة البيانات. لا يزال من الممكن إعادة استخدام ذاكرة Arrow المؤقتة المُعدّة المتوافقة دون استدعاء _generate_tables() أو إلغاء تسلسل pickle للمدخلات. يؤدي تغيير مصدر المُنشئ إلى تغيير تجزئته (hash)، لذا قد لا تتطابق الذاكرات المؤقتة الأقدم تلقائيًا. لا ترفض هذه الرقعة اسم المُنشئ في load.py.
على سبيل المثال، حمّل Parquet عبر المُنشئ المخصص له:
from datasets import load_dataset
dataset = load_dataset("parquet", data_files="data.parquet", split="train")
تغطي اختبارات الانحدار التحميل الجديد، والتكرار المتدفق، والتوليد المباشر
للجداول، وبناء المُنشئ، وإعادة استخدام ذاكرة Arrow المؤقتة المُعدّة، وصيغ
الاستبدال المدعومة. وهي تتحقق من أن pandas.read_pickle() لا يُستدعى أبدًا
وأن التوليد المباشر للجداول لا يفتح ملفات. التحقق من نوع الكائن بعد فك
التسلسل (unpickling) متأخر جدًا. إعادة تسمية ملف، أو إصدار تحذير، أو تحويل
pickle غير موثوق إلى صيغة أخرى عبر فك تسلسله أولًا لا يعالج خطر التنفيذ.
راجع fix.md للاطلاع على الترقيع المحدود، وإرشادات الترحيل،
وأوامر التحقق. تم تطبيق الترقيع على مصدر نسخة العمل هذه؛
ويجب ترقيع الحزم المثبّتة الحالية أو استبدالها بشكل منفصل. يربط هذا
المستودع طلب السحب (pull request) المرتبط في المنبع أدناه؛ ولا يُوثَّق هنا
إصدار مُصلَح مؤكد.
اكتشفه وأبلغ عنه Sai Teja Erukude.
تم تنسيق الإفصاح عبر VulnCheck.