
Reproduziert den Heap-Out-of-Bounds-Read von CVE-2026-7482 beim Laden und Quantisieren von GGUF in Ollama, mit differenzieller Analyse quantisierter Artefakte, um den Einfluss des OOB zu demonstrieren.
Dieses Repository enthält mein lokales Reproduktionsskript für CVE-2026-7482, einen Heap-Out-of-Bounds-Read in verwundbaren Ollama-GGUF-Lade- und Quantisierungspfaden.
Das wichtige Ergebnis dieser Arbeit ist eng begrenzt: Ich konnte die Heap-OOB-Bedingung zuverlässig auslösen und OOB-beeinflusste quantisierte GGUF-Artefakte erzeugen. Ich konnte keinen klaren Black-Box-Einfluss nachweisen, wie etwa eine zuverlässige Wiederherstellung von Klartext-Geheimnissen oder die direkte Extraktion von Canary-Strings aus dem resultierenden Artefakt.
exp.py erstellt zwei GGUF-Dateien:
Es lädt beide Dateien über die lokale Ollama-API auf eine verwundbare Ollama-Instanz hoch, löst eine Quantisierung mit /api/create aus, kopiert die erzeugten GGUF-Blobs aus dem lokalen Docker-Container und vergleicht die bösartige Ausgabe mit der Null-Kontroll-Ausgabe.
Der differentielle Vergleich ist nützlich, weil er zeigt, dass der verwundbare Quantisierungspfad Bytes verwendet hat, die in der ursprünglichen bösartigen GGUF-Datei nicht vorhanden waren. In meinen Tests war dieses Verhalten auf Ollama 0.17.0 stabil und wurde vom korrigierten 0.17.1-Pfad abgelehnt.
requests0.17.0, das auf einem lokalen API-Port verfügbar istollama-old-testBeispiel-Laborziel:
docker run -d --name ollama-old-test -p 11435:11434 ollama/ollama:0.17.0
Installieren Sie die einzige Python-Abhängigkeit:
python3 -m pip install requests
Führen Sie den Standardtest gegen http://localhost:11435 und Container ollama-old-test aus:
python3 exp.py
Explizite Argumente:
python3 exp.py http://localhost:11435 ollama-old-test Q4_K_M F16
python3 exp.py http://localhost:11435 ollama-old-test Q8_0 F16
python3 exp.py http://localhost:11435 ollama-old-test Q8_0 F32
Das Skript schreibt lokale Artefakte wie:
malicious_model.ggufcontrol_model.ggufquantized_model.ggufcontrol_quantized_model.ggufq8_dequantized_f32.binq8_pseudo_f16.binq8_pseudo_f16.txtIn meinen lokalen Tests erzeugte die verwundbare Ollama-Version quantisierte Ausgaben, bei denen sich die bösartige Tensor-Nutzlast von einem Null-Kontroll-Tensor unterschied, obwohl die bösartige GGUF-Datei diese Bytes nicht enthielt.
Das reicht aus, um ein OOB-beeinflusstes Artefakt zu zeigen. Es reicht nicht aus, um eine praktische Black-Box-Datenoffenlegung zu behaupten.
Ich habe auch Canary-artige Daten in gleichzeitigen Modell-Prompts getestet und die erzeugten Artefakte, Q8_0-dequantisierte Float32-Bytes und die Pseudo-F16-Rekonstruktionsausgabe durchsucht. Ich konnte weder exakte Canaries noch aussagekräftige Klartextfragmente wiederherstellen.
Der wahrscheinliche Grund ist, dass die Bytes nicht als roher Heap-Speicher kopiert werden. Sie durchlaufen die Modellkonvertierungs- und Quantisierungspipeline:
heap bytes -> als F16/F32-Tensorwerte interpretiert -> konvertiert/quantisiert -> GGUF-Tensorausgabe
Dieser Pfad ist verlustbehaftet, insbesondere bei quantisierten Formaten wie Q4_K_M. Q8_0 bewahrt mehr numerische Informationen als Q4_K_M, führte aber in meinen Black-Box-artigen Tests dennoch nicht zu einer zuverlässigen Klartextwiederherstellung.
Dies ist eine lokale Laborreproduktion und ein Hilfsmittel zur Artefaktanalyse.
Es bietet keine zuverlässige Primitive zur Remote-Geheimnisexfiltration. Es erfordert außerdem lokalen Docker-Zugriff, um den von Ollama erzeugten Blob aus dem Testcontainer zu kopieren, sodass der Analyseschritt kein reiner Remote-Black-Box-Workflow ist.
Die praktische Schlussfolgerung aus meinen Tests ist:
Es gibt auch ein separates PoC-Repository von 0x0OZ:
https://github.com/0x0OZ/CVE-2026-7482-PoC
Diese Implementierung demonstriert einen stärkeren White-Box-artigen Workflow, indem sie das erzeugte Modellartefakt in eine kontrollierte Registry pusht. Mit dem Registry-Upload-Flow-Fix aus meinem PR läuft es in meinem lokalen Labor sauber durch:
https://github.com/0x0OZ/CVE-2026-7482-PoC/pull/1
Selbst mit diesem besseren End-to-End-Artefaktsammelpfad bleibt derselbe Datenqualitäts-Vorbehalt wichtig: Die Ausgabe sind quantisierte/modelltransformierte Daten, kein direkter roher Heap-Dump.
Dieses Repository dient ausschließlich autorisierter Schwachstellenforschung und defensiver Reproduktion. Testen Sie nur gegen Systeme, die Sie besitzen oder für deren Bewertung Sie eine ausdrückliche Genehmigung haben.
Entdecken Sie die meistgenutzten Tools unserer Community.
Noch keine Beliebtheitsdaten.