MLflow permitía que archivos arbitrarios se PUTearan en el servidor

La vulnerabilidad de acceso arbitrario de archivos en MLflow permite a un atacante subir archivos maliciosos al servidor. Esto podría resultar en la ejecución remota de código, la modificación de archivos de configuración críticos, o la exfiltración de datos sensibles almacenados en el sistema. Un atacante podría aprovechar esta vulnerabilidad para comprometer completamente el servidor MLflow y, potencialmente, acceder a otros sistemas en la red. La capacidad de subir archivos arbitrarios representa un riesgo significativo para la seguridad de las implementaciones de MLflow, especialmente en entornos de producción donde se manejan datos confidenciales.

Organizations using MLflow for machine learning model tracking and management are at risk, particularly those running versions 2.8.0 or earlier. Environments with limited network segmentation or inadequate access controls are especially vulnerable, as a successful exploit could provide a foothold for broader network compromise. Teams relying on MLflow for sensitive data storage or model deployment should prioritize remediation.

• python / mlflow:

import mlflow
import requests

# Attempt to upload a file with a malicious filename
url = mlflow.tracking.MlflowClient().tracking_uri + '/data/artifacts/malicious.php' # Adjust URL as needed
files = {'file': open('malicious.php', 'rb')} # Replace with a test malicious file
response = requests.put(url, files=files)
print(response.status_code)

• generic web:

curl -X PUT -F "[email protected]" <mlflow_tracking_uri>/data/artifacts/malicious.php

• generic web: Check MLflow server logs for unusual file upload attempts or errors related to file access.

1. 2023-11-16Disclosure

   disclosure

1. Reservado2023-11-08
2. Publicada2023-11-16
3. Modificada2024-02-16
4. EPSS actualizado2026-04-02

La mitigación principal para CVE-2023-6015 es actualizar a la versión 2.8.1 de MLflow, que incluye la corrección para esta vulnerabilidad. Si la actualización inmediata no es posible, considere implementar medidas de seguridad adicionales, como restringir el acceso al servidor MLflow a usuarios autorizados y configurar un firewall para bloquear el tráfico no autorizado. Monitorear los registros del servidor en busca de actividad sospechosa, como intentos de subir archivos no autorizados, también puede ayudar a detectar y prevenir ataques. Después de la actualización, confirme la corrección revisando los registros de auditoría y realizando pruebas de penetración.