Neophytos Christou

O TensorFlow é uma plataforma de código aberto para aprendizado de máquina. Quando `tf.raw ops.FusedResizeAndPadConv2D` recebe um tensor de grande dimensão, ocorre um estouro de memória.

O problema ocorre quando a função `tf.raw ops.ResizeNearestNeighborGrad` recebe uma entrada `size` de grande porte, causando um estouro de memória. Isso pode ser explorado com uma entrada específica, como `size = tf.constant([1879048192,1879048192], shape=[2], dtype=tf.int32)`.

O TensorFlow é uma plataforma de código aberto para aprendizado de máquina. Quando `tf.raw ops.ImageProjectiveTransformV2` recebe um formato de saída grande, ocorre um estouro de memória. O problema foi corrigido no commit 8faa6ea692985dbe6ce10e1a3168e0bd60a723ba do GitHub.

O problema ocorre quando `QuantizedAvgPool` recebe tensores `min input` ou `max input` de classificação diferente de zero, resultando em uma falha de segmentação que pode ser usada para desencadear um ataque de negação de serviço.

A implementação de `Conv2DBackpropInput` requer que `input sizes` seja quadridimensional. Caso contrário, ocorre uma falha `CHECK`, que pode ser usada para desencadear um ataque de negação de serviço.

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

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 `QuantizedBiasAdd` recebe tensores `min input`, `max input`, `min bias` e `max bias` de classificação diferente de zero, resultando em uma falha de segmentação que pode ser usada para desencadear um ataque de negação de serviço.

O problema ocorre quando `QuantizedMatMul` recebe uma entrada não escalar para: `min a`, `max a`, `min b` ou `max b`. Isso pode provocar uma falha de segmentação, levando a um ataque de negação de serviço.

O TensorFlow é uma plataforma de código aberto para aprendizado de máquina. Se `QuantizeDownAndShrinkRange` receber entradas não escalares para `input min` ou `input max`, isso resulta em uma falha de segmentação que pode ser usada para desencadear um ataque de negação de serviço.

A falha resulta em um erro de segmentação (segfault) que pode ser usado para desencadear um ataque de negação de serviço quando `QuantizedRelu` ou `QuantizedRelu6` recebem entradas não escalares para `min features` ou `max features`.

O problema está relacionado à função `FractionalMaxPoolGrad`, que valida suas entradas com falhas `CHECK` em vez de retornar erros. Se receber entradas com tamanho incorreto, a falha `CHECK` pode ser usada para desencadear um ataque de negação de serviço. Isso pode ser feito fornecendo valores de entrada específicos à função `tf.raw ops.FractionalMaxPoolGrad`, tais como `orig input`, `orig output`, `out backprop`, `row pooling sequence` e `col pooling sequence`. O número estimado de dispositivos potencialmente afetados não foi fornecido.

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 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.

A falha resulta em um erro de segmentação (segfault) que pode ser usado para desencadear um ataque de negação de serviço quando a função `Requantize` recebe tensores `input min`, `input max`, `requested output min` e `requested output max` de classificação diferente de zero.

O problema ocorre quando `RaggedTensorToVariant` recebe uma lista `rt nested splits` contendo tensores de rank diferente de um, 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 `FakeQuantWithMinMaxVarsPerChannel` recebe tensores `min` ou `max` de uma ordem diferente de um, resultando em uma falha `CHECK` que pode ser usada para desencadear um ataque de negação de serviço.

O problema ocorre quando a função `QuantizeAndDequantizeV3` recebe um tensor de entrada `num bits` não escalar, 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.

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 implementação de `AvgPool3DGradOp` não valida totalmente a entrada `orig input shape`, resultando em um estouro que causa uma falha `CHECK`, o que pode ser usado para desencadear um ataque de negação de serviço.