CVE-2026-127202 : traversée de répertoires dans l'API log_outputs de MLflow et empoisonnement de meta.yaml
SCORE DE MENACE HERMES ET RISQUE MLOPS D'ENTREPRISE
Cible :Serveur de suivi MLflow - Backend FileStore (FileStore.log_outputs) Le score CVSS v3.1 évalue la traversée de répertoires dans log_outputs entre 5.3 et 8.6 dans l'hypothèse d'un suivi d'expérimentation isolé. Le score de menace Hermes hisse la CVE-2026-127202 à 86 (ÉLEVÉ). Dans les pipelines MLOps automatisés et les architectures d'agents IA d'entreprise, MLflow fait office de registre central d'artefacts. La création arbitraire de dossiers et l'écriture de fichiers meta.yaml permettent d'empoisonner le lignage des modèles, de détourner les chemins de chargement et d'exécuter du code à distance lorsque les flux agentiques désérialisent des poids de modèles altérés.
SÉVÉRITÉ AGENTIQUE HASS ET CORRUPTION DU PIPELINE AUTONOME
Cible :Registre de modèles MLflow et chaîne d'artefacts pour agents autonomes Les agents IA autonomes et les orchestrateurs d'appels d'outils LLM s'appuient sur MLflow pour récupérer des modèles affinés, des prompts et des manifestes d'exécution. Une traversée de répertoires s'échappant du répertoire d'exécution permet à des acteurs non autorisés d'injecter des descripteurs meta.yaml malveillants directement dans l'arborescence de chargement des modèles, transformant les moteurs d'inférence en vecteurs d'exécution arbitraire.
CVE-2026-127202: MLflow FileStore log_outputs API Path Traversal & meta.yaml PoisoningVULNÉRABILITÉ
Software platform affected by security vulnerabilities and agentic attack patterns.
🔍 Pourquoi cette relation ? (Preuves & Provenance)
“Confirmed security vulnerability in MLflow Machine Learning Platform documented in Hermes dossier.”
- [vulnerability_report]
- [government_confirmation]CISA verified active exploitation in the wild and mandated federal remediation deadline in KEV entry. — Source : Cybersecurity & Infrastructure Security Agency (CISA): CISA Adds CVE-2026-59822 to Known Exploited Vulnerabilities Catalog (Fiabilité : VERY_HIGH)
1. Métadonnées techniques et surface affectée
Section intitulée « 1. Métadonnées techniques et surface affectée »| Paramètre | Spécification technique | Impact opérationnel |
|---|---|---|
| Identifiant CVE | CVE-2026-127202 | Identifiant mondial de la vulnérabilité |
| Avis de recherche | Notice VulnCheck : traversée de répertoires dans log_outputs MLflow | Publication d’analyse de vulnérabilité armée |
| Commit correctif | ab5fc795eedc22348253cf687818cf2a16c15282 | Correctif officiel sur le dépôt Git MLflow |
| Score CVSS v3.1 | 8.6 (Élevé) | CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:N/I:H/A:H |
| Score FIRST EPSS | 15,24 % (96,52ᵉ percentile) | Probabilité notable d’exploitation automatisée |
| Classification CWE | CWE-22 (traversée de répertoires) | Évasion de bac à sable dans la journalisation de sorties |
| Composant vulnérable | FileStore.log_outputs via /api/3.0/mlflow/runs/outputs | Port TCP 5000 (Serveur de suivi MLflow) |
| Versions affectées | MLflow antérieures à 3.18.0 | Déploiements utilisant le moteur FileStore |
| Version corrective | Version 3.18.0 | Mise à jour officielle disponible |
2. Décomposition technique et cause racine de la traversée de répertoires
Section intitulée « 2. Décomposition technique et cause racine de la traversée de répertoires »Lorsque MLflow enregistre les résultats d’exécution et les métriques d’évaluation d’un modèle, les bibliothèques clientes transmettent ces données via l’API REST :
POST /api/3.0/mlflow/runs/outputs
Au sein du backend FileStore implémenté dans le module mlflow/store/tracking/file_store.py, la méthode log_outputs assemble le chemin de destination sur le disque en concaténant directement la racine de l’exécution avec le paramètre model_id fourni par l’utilisateur :
# Schéma du code vulnérable antérieur à MLflow 3.18.0def log_outputs(self, run_id, outputs): run_dir = self._get_run_dir(run_id) # ex. /data/mlruns/0/run123 for output in outputs: model_id = output.model_id # VULNÉRABILITÉ : utilisation de os.path.join sans validation ni assainissement ! # Si model_id contient "../../../../tmp/dossier_hostile", output_dir sort du périmètre ! output_dir = os.path.join(run_dir, "outputs", model_id)
# Création du répertoire de destination arbitraire sur le système de fichiers os.makedirs(output_dir, exist_ok=True)
# Écriture d'un fichier meta.yaml contrôlé par l'attaquant dans le dossier cible meta_file = os.path.join(output_dir, "meta.yaml") with open(meta_file, "w") as f: yaml.dump(output.to_dictionary(), f)La fonction os.path.join remplaçant les composants antérieurs dès lors qu’un chemin absolu ou une suite de séquences relatives (../) remonte à la racine, un attaquant fournissant par exemple model_id: "../../../../../../var/www/html/exploit" s’échappe totalement du dossier mlruns.
Le correctif appliqué en amont (commit ab5fc795eedc)
Section intitulée « Le correctif appliqué en amont (commit ab5fc795eedc) »Les développeurs du projet MLflow ont résolu la faille dans la version 3.18.0 en appliquant une résolution stricte via os.path.abspath et en s’assurant que le chemin cible demeure confiné dans le sous-dossier outputs de l’exécution :
# Logique assainie dans MLflow 3.18.0output_dir = os.path.abspath(os.path.join(run_dir, "outputs", model_id))if not output_dir.startswith(os.path.abspath(os.path.join(run_dir, "outputs")) + os.sep): raise MlflowException( f"Invalid model_id '{model_id}': Directory traversal sequence detected.", error_code=INVALID_PARAMETER_VALUE )3. Vecteurs d’attaque et empoisonnement de pipelines agentiques
Section intitulée « 3. Vecteurs d’attaque et empoisonnement de pipelines agentiques »sequenceDiagram autonumber actor Attaquant as Attaquant / Agent hostile participant API as Serveur MLflow Tracking (:5000) participant FS as Backend FileStore (file_store.py) participant Disque as Système de fichiers hôte participant Agent as Agent autonome d'inférence
Attaquant->>API: POST /api/3.0/mlflow/runs/outputs Note over Attaquant,API: Requête JSON : run_id=run1, model_id=../../../../models/production API->>FS: Appel de log_outputs(run_id="run1", outputs=[...]) Note over FS: os.path.join s'échappe de mlruns (CWE-22) FS->>Disque: os.makedirs() crée /models/production FS->>Disque: Écriture du fichier meta.yaml avec l'emplacement de l'artefact piégé Note over Disque,Agent: L'agent autonome interroge le registre pour le modèle de production Agent->>Disque: Lecture du meta.yaml altéré et chargement des poids malveillants Agent-->>Attaquant: Exécution de code lors de la désérialisation du modèleScénarios de compromission en environnement d’IA d’entreprise
Section intitulée « Scénarios de compromission en environnement d’IA d’entreprise »- Empoisonnement du lignage de modèles : les attaquants altèrent les métadonnées dans les registres partagés, amenant les agents autonomes à charger des modèles non vérifiés hébergés sur des serveurs externes sous contrôle adverse.
- Déni de service par saturation de répertoires : l’émission de requêtes de traversée en masse permet d’inonder le système de fichiers, épuisant les inodes du disque.
- Exécution de code par désérialisation : lorsque MLflow sert les modèles directement via
mlflow models serveou des frameworks d’orchestration, pointer les artefacts vers des fichiers pickle ou PyTorch frelatés déclenche l’exécution de code Python arbitraire dès l’instanciation du modèle.
4. Triage forensique et ingénierie de la détection
Section intitulée « 4. Triage forensique et ingénierie de la détection »Les centres des opérations de sécurité (SOC) et équipes de sécurité MLOps doivent surveiller les journaux web pour intercepter les motifs de traversée de chemin sur l’API /outputs et auditer les écritures de fichiers du processus mlflow.
title: Tentative de traversée de répertoires sur MLflow log_outputsid: cve-2026-127202-mlflow-path-traversalstatus: experimentaldescription: Détecte les séquences de traversée de répertoires dans les requêtes adressées à l'API outputs des exécutions MLflow (CVE-2026-127202).author: Hermes Codex Cyber Threat Intelligencedate: 2026-11-16references: - https://vulncheck.com/advisories/mlflow-path-traversal-via-model-id-in-log-outputs-api - https://github.com/mlflow/mlflow/commit/ab5fc795eedc22348253cf687818cf2a16c15282tags: - attack.initial_access - attack.t1190 - attack.defense_evasion - attack.t1036logsource: category: webserverdetection: selection_endpoint: cs-method: 'POST' cs-uri-stem|endswith: '/api/3.0/mlflow/runs/outputs' selection_traversal: cs-uri-query|contains: - '..' - '%2e%2e' - '%2f' - '%5c' condition: selection_endpoint and selection_traversalfalsepositives: - Aucun faux positif attendu pour des identifiants de modèles normauxlevel: high// Azure Sentinel / Journaux WAF d'Application Gateway// Détection des tentatives de traversée de chemin sur l'API outputs de MLflowW3CIISLog| where csMethod == "POST"| where csUriStem endswith "/api/3.0/mlflow/runs/outputs"| where csUriQuery has ".." or csUriQuery has "%2e%2e" or csUriQuery has "%2f" or csUriQuery has "%5c"| project TimeGenerated, cIP, sIP, csMethod, csUriStem, csUriQuery, scStatus, csUserAgent| order by TimeGenerated desc# 1. Rechercher les fichiers meta.yaml créés en dehors du dossier de suivi mlrunsfind / -name "meta.yaml" -not -path "*/mlruns/*" -mtime -7 2>/dev/null
# 2. Scruter les journaux d'accès MLflow à la recherche de caractères de traverséegrep -E "POST.*mlflow/runs/outputs.*(\.\.|%2e%2e)" /var/log/mlflow/access.log
# 3. Poser une règle de surveillance auditctl sur le répertoire de stockageauditctl -w /data/mlruns -p wa -k mlflow_file_write5. Stratégie de remédiation et plan d’atténuation
Section intitulée « 5. Stratégie de remédiation et plan d’atténuation »- Mise à niveau immédiate (P0) : mettre à jour MLflow vers la version 3.18.0 ou ultérieure. Dans l’environnement Python :
Vérifier la version en place :
Fenêtre de terminal pip install --upgrade "mlflow>=3.18.0"Fenêtre de terminal mlflow --version - Transition du stockage fichier vers une base de données gérée (P0) : le backend
FileStoreest principalement conçu pour le prototypage local. En production d’entreprise, basculer MLflow vers un backend relationnel robuste (SQLAlchemyStoreconnecté à PostgreSQL, MySQL ou RDS) couplé à un stockage d’objets (S3, GCS, Azure Blob) pour les artefacts, ce qui neutralise structurellement toute manipulation de chemins de fichiers locaux. - Contrôle d’accès et mandataire inverse authentifiant (P1) : ne jamais exposer directement le serveur de suivi MLflow sur un réseau public sans proxy inverse (Nginx, Traefik, OAuth2 Proxy) imposant une authentification stricte et un contrôle d’accès basé sur les rôles (RBAC).
- Cloisonnement des privilèges du compte de service (P1) : s’assurer que le compte de service sous lequel s’exécute MLflow dispose de droits restreints au seul dossier
mlrunsdésigné, sans autorisation d’écriture sur/etc, les racines web ou les dossiers système.