Aller au contenu

CVE-2026-127202 : traversée de répertoires dans l'API log_outputs de MLflow et empoisonnement de meta.yaml

Densité :
HERMES

SCORE DE MENACE HERMES ET RISQUE MLOPS D'ENTREPRISE

Cible : Serveur de suivi MLflow - Backend FileStore (FileStore.log_outputs)
Confiance : 95%
86 / 100
ÉLEVÉ

Mesure la pertinence opérationnelle réelle, la militarisation de l'exploit et la posture de menace active.

Décomposition des dimensions
Exploitabilité 19 / 20
Activité de menace 16 / 20
Militarisation 18 / 20
Exposition 17 / 20
Prévalence 18 / 20
Impact 18 / 20
Maturité de l'exploit 17 / 20
Potentiel d'attaque en chaîne 19 / 20
⚖️ Divergence & Justification opérationnelle

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.

HASS

SÉVÉRITÉ AGENTIQUE HASS ET CORRUPTION DU PIPELINE AUTONOME

Cible : Registre de modèles MLflow et chaîne d'artefacts pour agents autonomes
Confiance : 95%
87 / 100
ÉLEVÉ

Mesure le risque systémique spécifique découlant de l'autonomie, de l'autorité des outils et de l'exécution en cascade.

Décomposition des dimensions
Autonomie décisionnelle 18 / 20
Accès aux outils & APIs 19 / 20
Privilege 13 / 15
Persistence 13 / 15
External Impact 12 / 15
Propagation 12 / 15
⚖️ Divergence & Justification opérationnelle

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.

🕸️ Graphe de connaissances connecté & Provenance

CVE-2026-127202: MLflow FileStore log_outputs API Path Traversal & meta.yaml PoisoningVULNÉRABILITÉ

Nœuds connectés : 1
Relations sortantes actives
→ affectsCOMPOSANTMLflow Machine Learning Platform
98% VERY_HIGH

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.”

Preuves vérifiées associées :

ParamètreSpécification techniqueImpact opérationnel
Identifiant CVECVE-2026-127202Identifiant mondial de la vulnérabilité
Avis de rechercheNotice VulnCheck : traversée de répertoires dans log_outputs MLflowPublication d’analyse de vulnérabilité armée
Commit correctifab5fc795eedc22348253cf687818cf2a16c15282Correctif officiel sur le dépôt Git MLflow
Score CVSS v3.18.6 (Élevé)CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:N/I:H/A:H
Score FIRST EPSS15,24 % (96,52ᵉ percentile)Probabilité notable d’exploitation automatisée
Classification CWECWE-22 (traversée de répertoires)Évasion de bac à sable dans la journalisation de sorties
Composant vulnérableFileStore.log_outputs via /api/3.0/mlflow/runs/outputsPort TCP 5000 (Serveur de suivi MLflow)
Versions affectéesMLflow antérieures à 3.18.0Déploiements utilisant le moteur FileStore
Version correctiveVersion 3.18.0Mise 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 3.18.0
def 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 3.18.0
output_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 modèle

Scénarios de compromission en environnement d’IA d’entreprise

Section intitulée « Scénarios de compromission en environnement d’IA d’entreprise »
  1. 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.
  2. 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.
  3. Exécution de code par désérialisation : lorsque MLflow sert les modèles directement via mlflow models serve ou 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_outputs
id: cve-2026-127202-mlflow-path-traversal
status: experimental
description: 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 Intelligence
date: 2026-11-16
references:
- https://vulncheck.com/advisories/mlflow-path-traversal-via-model-id-in-log-outputs-api
- https://github.com/mlflow/mlflow/commit/ab5fc795eedc22348253cf687818cf2a16c15282
tags:
- attack.initial_access
- attack.t1190
- attack.defense_evasion
- attack.t1036
logsource:
category: webserver
detection:
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_traversal
falsepositives:
- Aucun faux positif attendu pour des identifiants de modèles normaux
level: high

5. Stratégie de remédiation et plan d’atténuation

Section intitulée « 5. Stratégie de remédiation et plan d’atténuation »
  1. Mise à niveau immédiate (P0) : mettre à jour MLflow vers la version 3.18.0 ou ultérieure. Dans l’environnement Python :
    Fenêtre de terminal
    pip install --upgrade "mlflow>=3.18.0"
    Vérifier la version en place :
    Fenêtre de terminal
    mlflow --version
  2. Transition du stockage fichier vers une base de données gérée (P0) : le backend FileStore est principalement conçu pour le prototypage local. En production d’entreprise, basculer MLflow vers un backend relationnel robuste (SQLAlchemyStore connecté 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.
  3. 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).
  4. 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 mlruns désigné, sans autorisation d’écriture sur /etc, les racines web ou les dossiers système.