mlflow kwetsbaar voor Path Traversal

Een succesvolle exploitatie van deze Path Traversal kwetsbaarheid kan leiden tot ongeautoriseerde toegang tot gevoelige bestanden op de MLflow server. Dit omvat potentieel configuratiebestanden, API sleutels, of andere data die opgeslagen is op de server. De impact kan variëren afhankelijk van de gevoeligheid van de bestanden die toegankelijk zijn, maar kan in het ergste geval leiden tot data-exfiltratie en compromittering van de gehele MLflow omgeving. Het is vergelijkbaar met scenario's waarbij een aanvaller toegang krijgt tot de root directory van een webserver via een path traversal aanval.

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. Gereserveerd2024-02-15
2. Gepubliceerd2024-04-16
3. Gewijzigd2025-02-04
4. EPSS bijgewerkt2026-04-02

De primaire mitigatie voor CVE-2024-1558 is het upgraden van MLflow naar versie 2.12.1 of hoger. Indien een directe upgrade niet mogelijk is, kan een tijdelijke workaround bestaan uit het implementeren van strenge input validatie op de 'source' parameter in de createmodel_version() functie. Dit kan worden bereikt door een whitelist van toegestane bestandsnamen en paden te gebruiken. Het is ook aan te raden om de toegang tot de MLflow server te beperken tot geautoriseerde gebruikers en systemen. Na de upgrade, verifieer de correcte werking door een testmodel te creëren en te controleren of de 'source' parameter correct wordt gevalideerd.