Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
Ferramentas/GitHubGitHub/szybnev/cve-2026-7482
Análise de VulnerabilidadesExploraçãoFuzzingAnálise de BináriosPapers e Pesquisa
GitHubszybnev/cve-2026-7482

CVE-2026-7482

Reproduz a leitura fora dos limites (heap out-of-bounds) da CVE-2026-7482 no carregamento e na quantização de GGUF do Ollama, com análise diferencial de artefatos quantizados para demonstrar a influência do OOB.

Ver Repositório
151há 6 mesesAinda não revisado
Compartilhar

CVE-2026-7482: Reprodução de Heap OOB Read em GGUF do Ollama

Este repositório contém meu script local de reprodução para a CVE-2026-7482, uma leitura fora dos limites (heap out-of-bounds read) nos caminhos vulneráveis de carregamento e quantização de GGUF do Ollama.

O resultado importante deste trabalho é restrito: consegui fazer a condição de Heap OOB ocorrer de forma confiável e produzir artefatos GGUF quantizados influenciados por OOB. Não consegui demonstrar um impacto claro de caixa-preta, como recuperação confiável de segredos em texto puro ou extração direta de strings canário do artefato resultante.

O Que Este PoC Faz

O exp.py cria dois arquivos GGUF:

  • um GGUF truncado malicioso com um tensor que declara mais bytes do que o arquivo realmente contém;
  • um GGUF de controle preenchido com zeros, com a mesma forma de tensor declarada.

Ele envia ambos os arquivos para uma instância vulnerável do Ollama através da API local do Ollama, aciona a quantização com /api/create, copia os blobs GGUF gerados do contêiner Docker local e compara a saída maliciosa com a saída do controle de zeros.

A comparação diferencial é útil porque mostra que o caminho de quantização vulnerável usou bytes que não estavam presentes no arquivo GGUF malicioso original. Nos meus testes, esse comportamento foi estável no Ollama 0.17.0 e rejeitado pelo caminho corrigido no 0.17.1.

Requisitos

  • Python 3 com requests
  • Acesso ao Docker para o contêiner vulnerável do Ollama
  • Ollama 0.17.0 exposto em uma porta de API local
  • Um nome de contêiner de teste vulnerável, por exemplo ollama-old-test

Exemplo de alvo de laboratório:

docker run -d --name ollama-old-test -p 11435:11434 ollama/ollama:0.17.0

Uso

Instale a única dependência Python:

python3 -m pip install requests

Execute o teste padrão contra http://localhost:11435 e o contêiner ollama-old-test:

python3 exp.py

Argumentos explícitos:

python3 exp.py http://localhost:11435 ollama-old-test Q4_K_M F16
python3 exp.py http://localhost:11435 ollama-old-test Q8_0 F16
python3 exp.py http://localhost:11435 ollama-old-test Q8_0 F32

O script grava artefatos locais como:

  • malicious_model.gguf
  • control_model.gguf
  • quantized_model.gguf
  • control_quantized_model.gguf
  • q8_dequantized_f32.bin
  • q8_pseudo_f16.bin
  • q8_pseudo_f16.txt

Descobertas

Nos meus testes locais, a versão vulnerável do Ollama criou saídas quantizadas onde o payload do tensor malicioso diferia de um tensor de controle de zeros, apesar de o arquivo GGUF malicioso não conter esses bytes.

Isso é suficiente para mostrar um artefato influenciado por OOB. Não é suficiente para afirmar divulgação prática de dados em caixa-preta.

Também testei dados no estilo canário em prompts de modelo concorrentes e pesquisei nos artefatos gerados, nos bytes float32 desquantizados Q8_0 e na saída de reconstrução pseudo-F16. Não recuperei canários exatos nem fragmentos significativos de texto puro.

A provável razão é que os bytes não são copiados diretamente como memória heap bruta. Eles passam pelo pipeline de conversão e quantização do modelo:

bytes de heap -> interpretados como valores de tensor F16/F32 -> convertidos/quantizados -> saída de tensor GGUF

Esse caminho é com perdas, especialmente com formatos quantizados como Q4_K_M. O Q8_0 preserva mais informações numéricas do que o Q4_K_M, mas ainda assim não produziu recuperação confiável de texto puro nos meus testes no estilo caixa-preta.

Escopo e Limitações

Este é um auxiliar de reprodução em laboratório local e análise de artefatos.

Ele não fornece uma primitiva confiável de exfiltração remota de segredos. Também exige acesso local ao Docker para copiar o blob gerado pelo Ollama do contêiner de teste, portanto a etapa de análise não é um fluxo de trabalho puramente remoto de caixa-preta.

A conclusão prática dos meus testes é:

  • O comportamento de Heap OOB é reproduzível.
  • Artefatos quantizados influenciados por OOB são observáveis.
  • Impacto claro de texto puro em caixa-preta não foi demonstrado.

Referências

  • Entrada NVD: https://nvd.nist.gov/vuln/detail/CVE-2026-7482
  • Commit de correção do Ollama: https://github.com/ollama/ollama/commit/88d57d0483cca907e0b23a968c83627a20b21047

Trabalho Relacionado

Também existe um repositório PoC separado por 0x0OZ:

https://github.com/0x0OZ/CVE-2026-7482-PoC

Essa implementação demonstra um fluxo de trabalho mais forte no estilo caixa-branca, enviando o artefato de modelo gerado para um registro controlado. Com a correção do fluxo de upload para registro do meu PR, ele é concluído corretamente no meu laboratório local:

https://github.com/0x0OZ/CVE-2026-7482-PoC/pull/1

Mesmo com esse caminho melhor de coleta de artefatos de ponta a ponta, a mesma ressalva de qualidade de dados permanece importante: a saída são dados quantizados/transformados pelo modelo, não um despejo direto de heap bruto.

Aviso Legal

Este repositório é apenas para pesquisa de vulnerabilidades autorizada e reprodução defensiva. Teste somente contra sistemas que você possui ou para os quais tenha permissão explícita de avaliação.

Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 O kit definitivo de OSINT: grafo de investigação, pontuação de confiança, famílias de alias, mapa, linha do tempo e relatórios. 49 módulos, mais de 400 sites, sem necessidade de chaves de API.

    806
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicativo de Execução em Um Toque GhostLock (CVE-2026-43499)

    523
  • 3

    ARTEX

    baarai/artex

    Plataforma autônoma de testes de penetração multiagente com LLM, com agentes planejador/executor, grafos de ativos e de exploração, registro de tráfego MITM e reteste de vulnerabilidades.

    441
  • 4

    redforge

    cybersecurity91/redforge

    Kit de ferramentas de red team do lado do navegador com 102 ferramentas offline para reconhecimento, geração de payloads, ataques a credenciais, criptografia, codificação e relatórios de engajamento.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingere relatórios do Shadowserver no MongoDB e os reproduz como mapas interativos, análises, descobertas, avisos e painéis executivos.

    270
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    O sistema de ação para cibersegurança nativa em IA—onde a intenção se torna execução governada, a evidência se torna memória operacional, e cada operação melhora a próxima.

    264

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →