{
“title”: “کشف آسیب‌پذیری RCE در کتابخانه MLflow: امکان اجرای کد از راه دور از طریق مدل‌های دستکاری شده”,
“body”: “
یک آسیب‌پذیری امنیتی با شناسه CVE-2026-96804 در کتابخانه MLflow شناسایی شده است که سطح شدت آن HIGH ارزیابی شده است. این نقص امنیتی در نسخه‌های 2.1.0 تا 3.14.0 و به‌طور خاص در بخش statsmodel flavor رخ داده است.
np>بررسی‌های فنی نشان می‌دهد که در متد _load_model()، کنترل امنیتی مربوط به متغیر MLFLOW_ALLOW_PICKLE_DESERIALIZATION=False به‌طور کامل نادیده گرفته شده است. این نقص باعث می‌شود مکانیزم‌های حفاظتی برای جلوگیری از Deserialization ناامن عمل نکنند.
np>در نتیجه، یک Threat Actor می‌تواند با ارسال یک آرتیفکت MLmodel دستکاری شده، منجر به اجرای کد دلخواه (Arbitrary Code Execution) روی سیستم هدف شود. این نوع حملات معمولاً از طریق متدهای Pickle در پایتون صورت می‌گیرد که در صورت عدم کنترل دقیق، اجازه اجرای دستورات سیستمی را به مهاجم می‌دهد.
np>به مدیران SOC و مهندسین امنیت توصیه می‌شود سریعاً نسخه‌های مورد استفاده از MLflow را بررسی کرده و در صورت امکان به آخرین نسخه امن به‌روزرسانی نمایند.
“,
“summary”: “آسیب‌پذیری CVE-2026-96804 در MLflow امکان اجرای کد از راه دور (RCE) را از طریق نادیده گرفتن کنترل‌های امنیتی Deserialization فراهم می‌کند. این نقص در نسخه‌های 2.1.0 تا 3.14.0 فعال است و ریسک بالایی برای محیط‌های عملیاتی MLOps دارد.”,
“categories”: [“web-software-security”],
“tags”: [“MLflow”, “RCE”, “Deserialization”, “CVE-2026-96804”, “Python”],
“criticality”: {
“impact”: 0.7,
“exploit”: 0.3,
“urgency”: 0.7,
“relevance”: 0.8,
“novelty”: 0.5,
“exposure”: 0.6,
“persistence”: 0.5,
“confidence”: 1.0,
“notes”: “High impact due to RCE capability in a widely used ML lifecycle tool.”
},
“reject_reason”: “”
}
