Katalog podatności CVE

Nieprawidłowa kontrola dostępu w Azure Logic Apps umożliwia autoryzowanemu atakującemu podniesienie uprawnień w sieci.

DevGuard przed wersją 1.2.2 akceptuje nagłówek HTTP X-Admin-Token dostarczony przez klienta i używa jego surowej wartości jako identyfikatora użytkownika, gdy brak jest ciasteczka sesji Kratos. To pozwala nieautoryzowanemu atakującemu na wydawanie żądań jako dany użytkownik, co może prowadzić do przejęcia kontroli nad zasobami organizacji.

Langflow, narzędzie do budowania i wdrażania agentów AI, przed wersją 1.9.0 jest podatne na atak typu Path Traversal w API Baz Wiedzy (DELETE /api/v1/knowledge_bases). Atakujący może wykorzystać tę lukę do usunięcia dowolnych katalogów na serwerze.

Nieprawidłowa implementacja algorytmu uwierzytelniania w wtyczce Microsoft SSO dla Jira i Confluence umożliwia nieautoryzowanemu atakującemu podniesienie uprawnień w sieci.

W systemie Microsoft Windows DNS występuje przepełnienie bufora oparte na stercie, które może zostać wykorzystane przez nieautoryzowanego atakującego do wykonania kodu przez sieć.

Przepełnienie bufora na stosie w Windows Netlogon umożliwia nieautoryzowanemu atakującemu wykonanie kodu przez sieć.

W systemie Windows Hyper-V występuje podatność typu use after free, która pozwala nieautoryzowanemu atakującemu na podniesienie uprawnień lokalnie.

W Azure Entra ID występuje ujawnienie wrażliwych informacji, co pozwala nieautoryzowanemu atakującemu na przeprowadzenie ataku spoofingowego w sieci.

Biblioteka kluczy Java Key Vault w Azure SDK dla Javy zawiera problem w lokalnej ścieżce weryfikacji kryptograficznej, gdzie porównanie tagu uwierzytelniającego zostało zaimplementowane niepoprawnie. W aplikacjach korzystających z tej podatnej ścieżki kryptograficznej, specjalnie przygotowane zaszyfrowane dane wejściowe mogą ominąć kontrole weryfikacji integralności.

Serwer mem0 w wersji 1.0.0 nie posiada kontroli uwierzytelniania i autoryzacji dla funkcji resetowania pamięci dostępnej przez punkt końcowy DELETE /memories. Nieautoryzowany atakujący może wysłać żądanie DELETE, co prowadzi do wykonania polecenia SQL DROP TABLE, skutkując usunięciem całej tabeli bazy danych pamięci.

Framework modelu językowego mamba do wersji 2.2.6 jest podatny na niebezpieczną deserializację podczas ładowania wstępnie wytrenowanych modeli z HuggingFace Hub. Metoda MambaLMHeadModel.from_pretrained() używa torch.load() do ładowania pliku wag pytorch_model.bin bez włączenia parametru weights_only=True, co umożliwia deserializację dowolnych obiektów Pythona.

Framework Ludwig do wersji 0.10.4 jest podatny na niebezpieczną deserializację w swoim komponencie serwującym modele. Przy uruchamianiu serwera modeli za pomocą polecenia ludwig serve, framework ładuje pliki wag modeli bez włączenia parametru weights_only=True, co umożliwia deserializację dowolnych obiektów Pythona.

Framework Ludwig do wersji 0.10.4 jest podatny na niebezpieczną deserializację poprzez metodę predict(). Umożliwia to zdalnemu atakującemu wykonanie dowolnego kodu na systemie, jeśli dostarczy złośliwie przygotowany plik pickle.

Narzędzie CLI llm do wersji 0.27.1 zawiera krytyczną podatność na wstrzykiwanie kodu przez argument --functions. Argument ten pozwala na podanie definicji funkcji Pythona, ale narzędzie bezpośrednio wykonuje kod za pomocą niebezpiecznej funkcji exec() bez żadnej sanitacji. Atakujący może wykorzystać to przez spreparowanie złośliwego polecenia llm z dowolnym kodem Pythona w argumencie --functions i nakłonienie ofiary do jego uruchomienia, co prowadzi do wykonania dowolnego kodu na jej systemie.

Biblioteka imgaug w wersjach do 0.4.0 zawiera podatność na niebezpieczną deserializację w klasie BackgroundAugmenter w module multicore.py. Klasa ta wykorzystuje moduł pickle Pythona do deserializacji danych z kolejki wieloprocesowej bez żadnych kontroli bezpieczeństwa.

Horovod w wersji do 0.28.1 zawiera podatność na niebezpieczną deserializację w komponencie serwera KVStore HTTP. Brak kontroli uwierzytelniania i autoryzacji umożliwia zdalnemu atakującemu wysyłanie dowolnych danych za pomocą żądań HTTP PUT, co prowadzi do możliwości wykonania złośliwego kodu.

Guardrails AI w wersji do 0.6.7 zawiera podatność na wstrzykiwanie kodu (CWE-94) w mechanizmie instalacji pakietów Hub. Podczas instalacji pakietów walidatora, system pobiera manifest z Guardrails Hub i dynamicznie wykonuje skrypt określony w polu post_install, co umożliwia zdalne wykonanie kodu.

Cognee w wersji do 0.4.0 zawiera krytyczną podatność na zdalne wykonanie kodu w swoim API do wykonywania komórek notatnika. Punkt końcowy wykonuje dowolny kod Python dostarczony przez użytkownika, używając niebezpiecznej funkcji exec() bez żadnego piaskownicy, walidacji ani zabezpieczeń.

W bibliotece Adversarial Robustness Toolbox (ART) do wersji 1.20.1 włącznie wykryto podatność na wstrzykiwanie argumentów wiersza poleceń w komponencie Kubeflow (robustness_evaluation_fgsm_pytorch.py). Skrypt używa niebezpiecznej funkcji eval() do parsowania wartości łańcuchowych przekazywanych przez argumenty --clip_values i --input_shape, co pozwala atakującemu na zdalne wykonanie dowolnego kodu Python.

W Adversarial Robustness Toolbox (ART) do wersji 1.20.1 występuje podatność na niebezpieczną deserializację w funkcjonalności ładowania modeli komponentu Kubeflow. Użycie funkcji torch.load() bez parametru weights_only=True umożliwia deserializację dowolnych obiektów Pythona, co może prowadzić do wykonania złośliwego kodu.