mlflow vulnerable a Path Traversal

La vulnerabilidad de Path Traversal en mlflow permite a un atacante, mediante la manipulación del parámetro source, eludir las comprobaciones de seguridad y leer archivos arbitrarios en el servidor donde se ejecuta mlflow. Esto podría resultar en la exposición de información confidencial, como claves de API, contraseñas, datos de entrenamiento de modelos o incluso código fuente. El impacto potencial es significativo, ya que un atacante podría obtener acceso a información crítica para la operación del sistema y comprometer la integridad de los modelos de machine learning. La capacidad de leer archivos arbitrarios abre la puerta a la escalada de privilegios y al control del servidor.

Organizations deploying MLflow for machine learning model management, particularly those using older versions (≤2.9.2), are at risk. Shared hosting environments where multiple users share the same MLflow instance are especially vulnerable, as an attacker could potentially access data belonging to other users. Environments with weak access controls to the MLflow tracking server are also at increased risk.

• python / mlflow:

import os
import mlflow

# Attempt to read a file outside the intended directory
try:
    mlflow.tracking.MlflowClient().create_model_version('model', '1', source='../../../../../../etc/passwd')
    print('Potential vulnerability detected!')
except Exception as e:
    print(f'Error: {e}')

• generic web: Check MLflow server logs for requests containing path traversal sequences (e.g., '../'). • generic web: Monitor network traffic to the MLflow server for suspicious requests targeting the /tracking/model-versions endpoint.

1. 2024-04-16Disclosure

   disclosure

1. Reservado2024-02-15
2. Publicada2024-04-16
3. Modificada2025-02-04
4. EPSS actualizado2026-04-02

La mitigación principal para esta vulnerabilidad es actualizar a la versión 2.12.1 de mlflow, donde se ha corregido el problema. Si la actualización inmediata no es posible, se recomienda implementar medidas de seguridad adicionales. Restrinja el acceso al servidor mlflow a usuarios y servicios autorizados. Implemente reglas en un firewall de aplicaciones web (WAF) para bloquear solicitudes que contengan caracteres sospechosos en el parámetro source. Monitoree los logs del servidor en busca de intentos de acceso a archivos no autorizados. Considere la posibilidad de utilizar un sistema de control de acceso basado en roles (RBAC) para limitar los privilegios de los usuarios.