
Prueba de concepto y parche para CVE-2026-57845: RCE por deserialización de pickle en el constructor de pandas de Hugging Face datasets, con script de reproducción y guía de remediación.
<= 5.1.0 Pandas Pickle RCEGravedad: Alta, CVSS 3.1 8.8
Vector: CVSS:3.1/AV:N/AC:L/PR:N/UI:R/S:U/C:H/I:H/A:H
Afectado: todas las versiones de Hugging Face datasets <= 5.1.0
Componente: datasets.packaged_modules.pandas.pandas
CWE: CWE-502 (Deserialización de datos no confiables)
Descubierto y reportado por: Sai Teja Erukude
Las versiones de Hugging Face datasets hasta la 5.1.0 inclusive permiten la ejecución
arbitraria de código Python al cargar archivos pickle controlados por un atacante a través
del constructor empaquetado pandas, obsoleto pero aún registrado.
El constructor resuelve los data_files proporcionados por el llamador, abre cada archivo como bytes
y pasa el objeto de archivo directamente a pandas.read_pickle() antes de convertir
el resultado en una tabla Arrow:
with open(file, "rb") as f:
pa_table = pa.Table.from_pandas(pd.read_pickle(f))
La deserialización de pickle de Python puede ejecutar código seleccionado por el atacante. Cuando una víctima carga un conjunto de datos malicioso respaldado por pickle con
datasets.load_dataset("pandas", data_files=...), la carga útil se ejecuta con
los privilegios del proceso de la víctima antes de la conversión a Arrow o la validación de características.
Un atacante que pueda hacer que una víctima cargue un pickle controlado por el atacante a través del
constructor pandas puede ejecutar código Python arbitrario en el proceso de la víctima.
Esto puede afectar a flujos de trabajo de análisis de datos, aprendizaje automático y automatización que
cargan conjuntos de datos desde proyectos, repositorios, descargas o archivos compartidos no confiables.
El atacante no necesita privilegios en el entorno de la víctima, pero la víctima
debe cargar el conjunto de datos malicioso, en consonancia con el requisito de interacción del usuario del informe (UI:R).
Dependiendo del entorno local, esto puede permitir:
La ruta vulnerable es el constructor empaquetado pandas:
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(...)
El PoC crea un objeto pickle cuyo método __reduce__() especifica un callable
que escribe un archivo marcador local inofensivo y devuelve un
pandas.DataFrame válido. Durante la deserialización, ese callable se ejecuta antes de que el
builder convierta el DataFrame devuelto en una tabla Arrow. La carga del dataset entonces
se completa con normalidad y devuelve una fila.
El runner invoca la API real datasets.load_dataset() del paquete
instalado. Una caché local nueva y la eliminación del marcador previo garantizan que el
resultado guardado demuestre la ejecución durante la carga del dataset.
Deprecar el builder o validar el DataFrame devuelto no impide la ejecución durante el unpickling. La documentación de pandas también advierte contra la carga de datos pickle de fuentes no confiables.
run_poc.py genera attacker-controlled.pkl, lo carga a través
del builder pandas y registra la evidencia de ejecución.
Ejecútelo solo en un entorno de prueba local. Para reproducir la versión mostrada en la evidencia guardada en Windows:
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install "datasets==5.1.0"
.\.venv\Scripts\python.exe -B run_poc.py
El archivo requirements.txt incluido actualmente especifica
datasets<=5.0.1. Se puede instalar con
python -m pip install -r requirements.txt para probar ese rango anterior, pero
no selecciona la instalación 5.1.0 utilizada en la evidencia guardada. La fijación
explícita anterior reproduce la versión de datasets de esa instalación.
Evidencia esperada en la versión vulnerable demostrada:
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
La evidencia importante es que el marcador está ausente antes de load_dataset(), aparece durante la carga y contiene la cadena esperada mientras la carga del conjunto de datos se completa con éxito y devuelve la fila esperada.
El efecto de ejecución del payload es una escritura local de un archivo marcador:
datasets_pandas_pickle_rce_triggered
El runner también escribe los archivos pickle, caché y evidencia generados. Cada ejecución
reemplaza attacker-controlled.pkl, marker.txt, cache/ y evidence/ en el
directorio del PoC; preserve la evidencia existente antes de volver a ejecutarlo.
Artefactos guardados:
La corrección puntual reemplaza todo el cuerpo de Pandas._generate_tables() con
un error incondicional antes de que se abra cualquier archivo o se pase a
pandas.read_pickle():
def _generate_tables(self, files):
raise ValueError(PANDAS_PICKLE_DISABLED_ERROR)
El error explica el riesgo de ejecución de pickle y remite a quien lo invoca a Parquet, Arrow, CSV, JSON o Dataset.from_pandas() para un DataFrame existente. Esto bloquea la ruta de ejecución de código reportada para todos los nombres de archivo, incluidos los pickles de confianza; no intenta determinar qué archivos pickle son fiables.
El builder sigue registrado y todavía se puede construir mediante load_dataset_builder("pandas", ...) o Pandas(...). La resolución de archivos y las descargas pueden ocurrir antes de que falle la generación de la tabla. Con streaming, el error se produce cuando se itera el dataset. Un caché Arrow preparado compatible todavía se puede reutilizar sin llamar a _generate_tables() ni deserializar el pickle de la entrada. Cambiar el código fuente del builder cambia su hash, por lo que los cachés antiguos pueden dejar de coincidir automáticamente. Este parche no rechaza el nombre del builder en load.py.
Por ejemplo, cargue Parquet a través de su builder dedicado:
from datasets import load_dataset
dataset = load_dataset("parquet", data_files="data.parquet", split="train")
Las pruebas de regresión cubren la carga desde cero, la iteración en streaming, la generación directa de tablas, la construcción mediante builder, la reutilización de la caché de Arrow preparada y los formatos de reemplazo admitidos. Verifican que nunca se llega a pandas.read_pickle() y que la generación directa de tablas no abre archivos. Comprobar el tipo de un objeto después de despicklizarlo llega demasiado tarde. Renombrar un archivo, emitir una advertencia o convertir un pickle no confiable a otro formato despicklizándolo primero no resuelve el riesgo de ejecución.