CVE-2023-6015: 任意文件访问漏洞在 MLflow 中

此漏洞的影响非常严重，攻击者可以利用它来上传任意文件到 MLflow 服务器。这可能包括上传包含恶意代码的可执行文件，从而完全控制服务器。攻击者还可以上传包含敏感信息的配置文件或数据库备份，从而窃取机密数据。由于 MLflow 通常用于机器学习模型的部署和管理，因此此漏洞可能导致模型被篡改或被用于恶意目的。攻击者可以利用此漏洞进行数据泄露、服务中断，甚至完全控制受影响的系统。

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. 已保留2023-11-08
2. 发布日期2023-11-16
3. 修改日期2024-02-16
4. EPSS 更新日期2026-04-02

最有效的缓解措施是立即将 MLflow 升级至 2.8.1 或更高版本。如果无法立即升级，可以考虑实施以下临时缓解措施：限制 MLflow 服务器的访问权限，只允许受信任的用户和系统访问。配置防火墙规则，阻止来自未知来源的 PUT 请求。实施输入验证，确保上传的文件类型和大小符合预期。监控 MLflow 服务器的日志，查找可疑活动。如果升级过程中出现问题，可以考虑回滚到之前的稳定版本，并在升级前进行充分的测试。