Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
CVE-2026-57845-hf-datasets-rce — Proof-of-Concept und Patch für CVE-2026-57845: Pickle-Deserialisierungs-RCE im pandas-Builder von Hugging Face datasets, mit Reproduktionsskript und Hinweisen zur Behebung. | Kitploit
Tools/GitHubGitHub/saiteja-erukude/cve-2026-57845-hf-datasets-rce
SchwachstellenanalyseCode-AnalyseExploitationLieferkettensicherheitPapers & ForschungKI-Sicherheit
GitHubsaiteja-erukude/cve-2026-57845-hf-datasets-rce

CVE-2026-57845-hf-datasets-rce

Proof-of-Concept und Patch für CVE-2026-57845: Pickle-Deserialisierungs-RCE im pandas-Builder von Hugging Face datasets, mit Reproduktionsskript und Hinweisen zur Behebung.

Repository anzeigen
vor 27 TagenNoch nicht geprüft
Teilen

CVE-2026-57845: Hugging Face datasets <= 5.1.0 Pandas Pickle RCE

Schweregrad: Hoch, CVSS 3.1 8.8

Vektor: CVSS:3.1/AV:N/AC:L/PR:N/UI:R/S:U/C:H/I:H/A:H

Betroffen: alle Hugging Face datasets-Versionen <= 5.1.0

Komponente: datasets.packaged_modules.pandas.pandas

CWE: CWE-502 (Deserialisierung nicht vertrauenswürdiger Daten)

Entdeckt und gemeldet von: Sai Teja Erukude


Zusammenfassung

Hugging Face datasets-Versionen bis einschließlich 5.1.0 ermöglichen die Ausführung beliebigen Python-Codes beim Laden von angreifergesteuerten Pickle-Dateien über den veralteten, aber weiterhin registrierten pandas-Packaged-Builder.

Der Builder löst vom Aufrufer übergebene data_files auf, öffnet jede Datei als Bytes und übergibt das Dateiobjekt direkt an pandas.read_pickle(), bevor das Ergebnis in eine Arrow-Tabelle umgewandelt wird:

with open(file, "rb") as f:
    pa_table = pa.Table.from_pandas(pd.read_pickle(f))

Die Python-Pickle-Deserialisierung kann vom Angreifer ausgewählten Code ausführen. Wenn ein Opfer einen bösartigen, auf Pickle basierenden Datensatz mit datasets.load_dataset("pandas", data_files=...) lädt, wird die Nutzlast mit den Rechten des Opferprozesses ausgeführt, bevor die Arrow-Konvertierung oder die Feature-Validierung erfolgt.

Auswirkung

Ein Angreifer, der ein Opfer dazu bringen kann, ein vom Angreifer kontrolliertes Pickle über den pandas-Builder zu laden, kann beliebigen Python-Code im Opferprozess ausführen.

Dies kann Datenanalyse-, Machine-Learning- und Automatisierungsworkflows betreffen, die Datensätze aus nicht vertrauenswürdigen Projekten, Repositories, Downloads oder gemeinsam genutzten Dateien laden. Der Angreifer benötigt keine Berechtigungen in der Umgebung des Opfers, aber das Opfer muss den bösartigen Datensatz laden, was der Benutzerinteraktionsanforderung des Berichts (UI:R) entspricht.

Je nach lokaler Umgebung kann dies Folgendes ermöglichen:

  • Lesen von Dateien, Umgebungsvariablen und Anwendungsgeheimnissen, auf die der Prozess zugreifen kann.
  • Ändern von Dateien oder Daten, die vom Workflow des Opfers verwendet werden.
  • Ausführen von Python-Operationen oder lokalen Programmen mit den Rechten des Prozesses.
  • Stören der Datenverarbeitung oder Erschöpfen verfügbarer Ressourcen.

Technisches Detail

Der anfällige Pfad ist der paketierte pandas-Builder:

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(...)

Das PoC erstellt ein Pickle-Objekt, dessen __reduce__()-Methode ein Callable angibt, das eine harmlose lokale Marker-Datei schreibt und ein gültiges pandas.DataFrame zurückgibt. Während der Deserialisierung wird dieses Callable ausgeführt, bevor der Builder das zurückgegebene DataFrame in eine Arrow-Tabelle umwandelt. Das Laden des Datasets wird dann normal abgeschlossen und gibt eine Zeile zurück.

Der Runner ruft die echte datasets.load_dataset()-API aus dem installierten Paket auf. Ein frischer lokaler Cache und das Entfernen des vorherigen Markers stellen sicher, dass das gespeicherte Ergebnis die Ausführung während des Ladens des Datasets belegt.

Das Deprecaten des Builders oder das Validieren des zurückgegebenen DataFrame verhindert die Ausführung während des Unpicklings nicht. Die pandas-Dokumentation warnt ebenfalls davor, Pickle-Daten aus nicht vertrauenswürdigen Quellen zu laden.

Proof of Concept

run_poc.py generiert attacker-controlled.pkl, lädt es über den pandas-Builder und zeichnet Ausführungsnachweise auf.

Nur in einer lokalen Testumgebung ausführen. Um die in den gespeicherten Nachweisen gezeigte Version unter Windows zu reproduzieren:

python -m venv .venv
.\.venv\Scripts\python.exe -m pip install "datasets==5.1.0"
.\.venv\Scripts\python.exe -B run_poc.py

Die enthaltene requirements.txt gibt derzeit datasets<=5.0.1 an. Sie kann mit python -m pip install -r requirements.txt installiert werden, um diesen früheren Bereich zu testen, aber sie wählt nicht die 5.1.0-Installation aus, die in den gespeicherten Nachweisen verwendet wurde. Die explizite Pinnung oben reproduziert die datasets-Version dieser Installation.

Erwarteter Nachweis bei der demonstrierten verwundbaren Version:

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

Der wichtige Nachweis ist, dass der Marker vor load_dataset() fehlt, während des Ladens erscheint und die erwartete Zeichenkette enthält, während das Laden des Datensatzes erfolgreich abgeschlossen wird und die erwartete Zeile zurückgibt.

Die Ausführungswirkung der Payload ist ein lokales Schreiben einer Marker-Datei:

datasets_pandas_pickle_rce_triggered

Der Runner schreibt außerdem die generierten Pickle-, Cache- und Evidenzdateien. Jeder Lauf ersetzt attacker-controlled.pkl, marker.txt, cache/ und evidence/ im PoC-Verzeichnis; bewahren Sie vorhandene Evidenz auf, bevor Sie ihn erneut ausführen.

Gespeicherte Artefakte:

  • JSON-Nachweis
  • Ausführungsnachweis
  • Demo-Video

Behebung

Der eng gefasste Fix ersetzt den gesamten Rumpf von Pandas._generate_tables() durch einen bedingungslosen Fehler, bevor eine Datei geöffnet oder an pandas.read_pickle() übergeben wird:

def _generate_tables(self, files):
    raise ValueError(PANDAS_PICKLE_DISABLED_ERROR)

Der Fehler erläutert das Risiko der Pickle-Ausführung und verweist Aufrufer auf Parquet, Arrow, CSV, JSON oder Dataset.from_pandas() für ein vorhandenes DataFrame. Dies blockiert den gemeldeten Code-Ausführungspfad für jeden Dateinamen, einschließlich vertrauenswürdiger Pickles; es wird nicht versucht, festzustellen, welche Pickle-Dateien vertrauenswürdig sind.

Der Builder bleibt registriert und kann weiterhin über load_dataset_builder("pandas", ...) oder Pandas(...) konstruiert werden. Dateiauflösung und Downloads können erfolgen, bevor die Tabellengenerierung fehlschlägt. Beim Streaming tritt der Fehler auf, wenn das Dataset iteriert wird. Ein kompatibler vorbereiteter Arrow-Cache kann weiterhin wiederverwendet werden, ohne _generate_tables() aufzurufen oder die Eingabe zu entpickeln. Eine Änderung der Builder-Quelle ändert ihren Hash, sodass ältere Caches möglicherweise nicht mehr automatisch übereinstimmen. Dieser Patch lehnt den Builder-Namen in load.py nicht ab.

Laden Sie beispielsweise Parquet über seinen dedizierten Builder:

from datasets import load_dataset

dataset = load_dataset("parquet", data_files="data.parquet", split="train")
Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Noch keine Beliebtheitsdaten.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →