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-2026-57845-hf-datasets-rce — 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. | Kitploit
Herramientas/GitHubGitHub/saiteja-erukude/cve-2026-57845-hf-datasets-rce
Análisis de VulnerabilidadesAnálisis de CódigoExplotaciónSeguridad de Cadena de SuministroPapers e InvestigaciónSeguridad de IA
GitHubsaiteja-erukude/cve-2026-57845-hf-datasets-rce

CVE-2026-57845-hf-datasets-rce

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.

Ver Repositorio
hace 27 díasAún no revisado
Compartir

CVE-2026-57845: Hugging Face datasets <= 5.1.0 Pandas Pickle RCE

Gravedad: 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


Resumen

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.

Impacto

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:

  • Leer archivos, variables de entorno y secretos de la aplicación accesibles para el proceso.
  • Modificar archivos o datos utilizados por el flujo de trabajo de la víctima.
  • Ejecutar operaciones de Python o programas locales con los privilegios del proceso.
  • Interrumpir el procesamiento de datos o agotar los recursos disponibles.

Detalle técnico

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.

Prueba de concepto

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:

  • JSON evidence
  • Execution evidence
  • Demo video

Remediación

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.

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.

    831
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    534
  • 3

    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.

    429
  • 4

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    355
  • 5

    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.

    284
  • 6

    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.

    275

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →