刘力源

A implementação do SobolSampleOp está vulnerável a um ataque de negação de serviço por meio de falha de CHECK (falha de asserção) causada pela suposição de que `input(0)`, `input(1)` e `input(2)` são escalares. Esse problema pode ser desencadeado ao fornecer entradas não escalares à função SobolSampleOp.

A função `UnbatchGradOp` no TensorFlow recebe um argumento `id` que é considerado um escalar. Um `id` não escalar pode provocar uma falha `CHECK` e travar o programa. Ela também exige que seu argumento `batch index` contenha três vezes o número de elementos indicado em seu `batch index.dim size(0)`. Um `batch index` incorreto pode provocar uma falha `CHECK` e travar o programa.

O problema ocorre quando `FakeQuantWithMinMaxVars` recebe tensores `min` ou `max` de classificação diferente de zero, resultando em uma falha `CHECK` que pode ser usada para desencadear um ataque de negação de serviço. Não há soluções alternativas conhecidas para este problema.

O problema ocorre quando `tf.quantization.fake quant with min max vars per channel gradient` recebe uma entrada `min` ou `max` de classificação diferente de 1, resultando em uma falha `CHECK` que pode desencadear um ataque de negação de serviço.

O TensorFlow é uma plataforma de código aberto para aprendizado de máquina. Quando `TensorListScatter` e `TensorListScatterV2` recebem um `element shape` de classificação superior a um, eles geram uma falha `CHECK` que pode desencadear um ataque de negação de serviço.

O problema ocorre quando `TensorListFromTensor` recebe um `element shape` de classificação superior a um, resultando em uma falha de `CHECK` que pode desencadear um ataque de negação de serviço. Não há soluções alternativas conhecidas para este problema.

O problema ocorre quando a função `SetSize` recebe uma entrada `set shape` que não é um tensor 1D, resultando em uma falha `CHECK` que pode ser usada para desencadear um ataque de negação de serviço. Não há soluções alternativas conhecidas para este problema.

O problema ocorre quando `CollectiveGather` recebe uma entrada escalar `input`, resultando em uma falha `CHECK` que pode ser usada para desencadear um ataque de negação de serviço. Não há soluções alternativas conhecidas para este problema.

O problema ocorre quando `AudioSummaryV2` recebe uma entrada `sample rate` com mais de um elemento, resultando em uma falha `CHECK` que pode ser usada para desencadear um ataque de negação de serviço. Não há soluções alternativas conhecidas para este problema.

O problema ocorre quando `mlir::tfg::ConvertGenericFunctionToFunctionDef` recebe atributos de função vazios, resultando em uma referência nula. Além disso, a função `Eig` pode receber uma entrada `Tout` incorreta, levando a uma falha `CHECK` que pode desencadear um ataque de negação de serviço. A função `Eig` fica vulnerável quando recebe entradas específicas, como `arg 0` com formato (2, 2) e `arg 1` definido como `tf.complex128`. Não há soluções alternativas conhecidas para este problema.

O problema ocorre quando a função `DrawBoundingBoxes` recebe uma entrada `boxes` que não é do tipo de dados `float`, resultando em uma falha `CHECK` que pode desencadear um ataque de negação de serviço. Isso pode acontecer quando a entrada `boxes` tem um tipo de dados diferente, como `tf.half`. O número estimado de dispositivos potencialmente afetados não foi fornecido. Não há incidentes conhecidos no mundo real em que esse problema tenha sido explorado.

O problema ocorre quando a função `Unbatch` recebe uma entrada `id` não escalar, resultando em uma falha `CHECK` que pode desencadear um ataque de negação de serviço. Isso pode acontecer quando a função `Unbatch` é chamada com argumentos específicos, como `batched tensor`, `batch index` e `id`. O número estimado de dispositivos potencialmente afetados em todo o mundo não está disponível. Não há incidentes conhecidos no mundo real em que esse problema tenha sido explorado.

O problema ocorre quando `RandomPoissonV2` recebe formas e taxas de entrada grandes, resultando em uma falha `CHECK` que pode desencadear um ataque de negação de serviço. Isso pode acontecer quando os parâmetros `shape` e `rate` são definidos com valores grandes. Por exemplo, quando `arg 0` é definido com uma forma grande e `arg 1` é definido com uma taxa grande, a função `tf.raw ops. RandomPoissonV2` pode falhar e causar um ataque de negação de serviço.

O problema ocorre quando `tf.random.gamma` recebe formas e taxas de entrada grandes, resultando em uma falha `CHECK` que pode desencadear um ataque de negação de serviço. Isso pode acontecer quando a função é chamada com argumentos específicos, como formas e taxas grandes. Não há soluções alternativas conhecidas para este problema.

O problema ocorre quando `tf.quantization.fake quant with min max vars gradient` recebe uma entrada `min` ou `max` que não é escalar, resultando em uma falha `CHECK` que pode desencadear um ataque de negação de serviço. Não há soluções alternativas conhecidas para este problema.