Shakevsky

Um problema de desserialização insegura existe no leitor WebDataset. Um invasor pode alcançar a execução remota de código ao fornecer um arquivo tar malicioso para a função `read webdataset()`. A função ` default decoder()` em webdataset datasource.py chama incondicionalmente `pickle.loads()` em entradas tar com extensões .pkl ou .pickle e `torch.load()` com `weights only=False` em entradas .pt ou .pth. Isso resulta na execução de código arbitrário dentro dos trabalhadores remotos do Ray em cada trabalhador que processa o arquivo malicioso. Desserialização é o processo de converter um formato de dados de volta em um objeto, o que se torna inseguro quando dados não confiáveis são processados sem validação.

O Ray Data registra tipos de extensão Arrow personalizados (`ray.data.arrow tensor`, `ray.data.arrow tensor v2` e `ray.data.arrow variable shaped tensor`) globalmente no PyArrow. Quando o PyArrow lê um arquivo Parquet contendo esses tipos de extensão, ele invoca a função ` arrow ext deserialize ` nos bytes de metadados do campo. A implementação passa esses bytes diretamente para `cloudpickle.loads()`, o que permite a execução de código arbitrário durante a análise do esquema, antes que qualquer dado de linha seja processado. Isso afeta qualquer processo que utilize Ray Data para ler arquivos Parquet, incluindo aqueles que usam `ray.data.read parquet()`, `pyarrow.parquet.read table()` ou `pandas.read parquet()`. Um invasor pode explorar isso fornecendo um arquivo Parquet manipulado contendo uma coluna com um dos nomes de tipo de extensão afetados.