mlflow vulnerável a Path Traversal

A exploração bem-sucedida desta vulnerabilidade permite que um atacante leia arquivos arbitrários no servidor MLflow. Isso pode levar à exposição de informações confidenciais, como chaves de API, dados de treinamento de modelos, ou até mesmo código-fonte. O impacto potencial é significativo, especialmente em ambientes de produção onde o MLflow é usado para gerenciar modelos de machine learning. A capacidade de ler arquivos arbitrários pode ser um ponto de partida para ataques mais sofisticados, como a execução de código malicioso ou a obtenção de acesso não autorizado a outros sistemas na rede. A falta de validação adequada do parâmetro source é a causa raiz do problema, permitindo que atacantes contornem as verificações de segurança.

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 atualizado2026-04-02

A mitigação primária para esta vulnerabilidade é atualizar o MLflow para a versão 2.12.1 ou superior, que inclui a correção. Se a atualização imediata não for possível, considere implementar uma validação robusta do parâmetro source na função createmodel_version(). Isso pode envolver a sanitização do valor do parâmetro para remover caracteres especiais e garantir que ele corresponda a um caminho esperado. Como medida adicional, configure um Web Application Firewall (WAF) para bloquear solicitações que contenham padrões suspeitos no parâmetro source. Monitore os logs do servidor em busca de tentativas de acesso a arquivos não autorizados.