MLflow ट्रैकिंग सर्वर मॉडल निर्माण निर्देशिका पारगमन रिमोट कोड निष्पादन भेद्यता

यह भेद्यता हमलावरों को MLflow ट्रैकिंग सर्वर पर मनमाना कोड निष्पादित करने की अनुमति देती है। हमलावर मॉडल फ़ाइल पथों को नियंत्रित करके सर्वर पर फ़ाइलें लिख या हटा सकते हैं, या सिस्टम कमांड निष्पादित कर सकते हैं। यह सर्वर के समझौता होने और संवेदनशील डेटा के चोरी होने का कारण बन सकता है। इस भेद्यता का उपयोग नेटवर्क पर अन्य प्रणालियों में आगे बढ़ने के लिए भी किया जा सकता है। यह भेद्यता Log4Shell जैसे शोषण पैटर्न के समान है, जहाँ इनपुट सत्यापन की कमी के कारण मनमाना कोड निष्पादित किया जा सकता है।

Organizations heavily reliant on MLflow for model tracking and deployment are particularly at risk. This includes data science teams, machine learning engineers, and companies deploying machine learning models in production environments. Shared hosting environments where multiple users share the same MLflow instance are also at increased risk, as a compromised model could potentially affect other users.

• python / mlflow:

import os
import subprocess

def check_mlflow_version():
    try:
        result = subprocess.run(['mlflow', '--version'], capture_output=True, text=True, check=True)
        version = result.stdout.strip()
        if version <= '3.0.0rc3':
            print(f"MLflow version is vulnerable: {version}")
        else:
            print(f"MLflow version is patched: {version}")
    except FileNotFoundError:
        print("MLflow is not installed.")
    except subprocess.CalledProcessError as e:
        print(f"Error checking MLflow version: {e}")

check_mlflow_version()

• linux / server: journalctl filters for suspicious process executions within the MLflow Tracking Server directory.

journalctl -u mlflow-tracking-server -g 'path=/path/to/mlflow/models/'

1. 2025-10-29Disclosure

   disclosure

2. 2025-10-29Patch

   patch

1. आरक्षित2025-09-30
2. प्रकाशित2025-10-29
3. संशोधित2025-12-05
4. EPSS अद्यतन2026-03-23

MLflow को संस्करण 3.0.0 में अपग्रेड करना इस भेद्यता को ठीक करने का सबसे प्रभावी तरीका है। यदि अपग्रेड संभव नहीं है, तो एक अस्थायी समाधान के रूप में, मॉडल फ़ाइलों के लिए एक सख्त निर्देशिका संरचना लागू करें और उपयोगकर्ता इनपुट को मान्य करें। वेब एप्लिकेशन फ़ायरवॉल (WAF) का उपयोग करके दुर्भावनापूर्ण अनुरोधों को ब्लॉक किया जा सकता है। MLflow ट्रैकिंग सर्वर के लिए एक्सेस नियंत्रण को सीमित करें ताकि केवल अधिकृत उपयोगकर्ताओं को ही मॉडल फ़ाइलें बनाने की अनुमति हो।