CVE-2026-1669

W bibliotece Keras w wersji 3.14.0 wykryto podatność umożliwiającą zdalne wykonanie kodu. Problem wynika z nieprawidłowej obsługi deserializacji w warstwie `Lambda`, gdzie funkcja `_raise_for_lambda_deserialization()` nie egzekwuje trybu bezpiecznego, gdy `safe_mode` ma wartość `None` (domyślną). Powoduje to pominięcie zabezpieczeń i umożliwia deserializację złośliwego kodu bajtowego `marshal`.

Podatność w keras-team/keras w wersjach do 3.15.0 umożliwia atak typu Denial of Service (DoS) podczas ładowania złośliwych plików modeli .keras przez funkcję keras.models.load_model(). Metoda H5IOStore.__getitem__ w keras/src/saving/saving_lib.py nie waliduje kształtu ani rozmiaru zbiorów danych, co prowadzi do nieograniczonego przydziału pamięci. Specjalnie spreparowany plik .keras może wywołać warunek braku pamięci (OOM), powodując zakończenie procesu (kod wyjścia 137). Problem omija poprawkę dla CVE-2026-0897, która dotyczyła podobnej luki w KerasFileEditor. Wektor ataku obejmuje zatrute modele z publicznych repozytoriów lub złośliwych rejestrów modeli, co stanowi zagrożenie dla potoków uczenia maszynowego przetwarzających niezaufane modele.

Podatność w keras-team/keras w wersjach do 3.14.0 włącznie umożliwia ujawnienie zawartości dowolnych lokalnych plików HDF5 z powodu nieprawidłowego obsługiwania ExternalLinks. Funkcje `KerasFileEditor` i `keras.saving.load_weights` omijają pomocnicze funkcje `safe_get_h5_group` i `safe_get_h5_dataset`, które są zaprojektowane do odrzucania ExternalLinks i SoftLinks. Powoduje to automatyczne dereferencjonowanie linków do zewnętrznych plików HDF5, umożliwiając atakującym ujawnienie wrażliwych danych z lokalnego systemu plików ofiary.

Keras w wersji 3.15.0 zawiera podatność na niebezpieczną deserializację danych PyTorch pickle poprzez publiczną metodę `keras.layers.TorchModuleWrapper.from_config`. Metoda ta wywołuje `torch.load(..., weights_only=False)` bez wymagania jawnej zgody na niebezpieczne działanie. Poza kontekstem `SafeModeScope(True)` domyślnie dozwolona jest niebezpieczna deserializacja, co może prowadzić do wykonania dowolnego kodu.

W bibliotece Keras w wersji 3.12.0 wykryto podatność polegającą na tym, że walidacja `filter_safe_tarinfos` w pliku `keras/src/utils/file_utils.py` nie sprawdza dowiązań symbolicznych (symlink) pod kątem próby opuszczenia docelowego katalogu. Atakujący może dostarczyć złośliwe archiwum tar, które ominie tę kontrolę i utworzy dowiązania symboliczne poza dozwolonym katalogiem.

Podatność w bibliotece Keras (do wersji 3.13.2 włącznie) umożliwia odczyt dowolnego pliku HDF5 z systemu ofiary. Wynika to z niepełnej poprawki dla CVE-2026-1669 i braku weryfikacji właściwości `dataset.is_virtual` w metodach `H5IOStore._verify_dataset()` oraz `file_editor.py`. Atakujący może dostarczyć złośliwy plik modelu `.keras` lub wag `.h5` zawierający wirtualny zestaw danych (VDS) odnoszący się do zewnętrznych plików HDF5.

Podatność w Keras przed wersją 3.14.0 umożliwia przejście poza katalog docelowy podczas rozpakowywania archiwów. Funkcje walidujące ścieżki plików w archiwach odnoszą się do bieżącego katalogu roboczego (CWD) zamiast do rzeczywistego katalogu docelowego, co w środowiskach takich jak Docker, CI/CD czy Jupyter (gdzie CWD to '/') pozwala na ominięcie zabezpieczeń i zapis plików poza zamierzonym katalogiem.

W bibliotece `keras` w wersji 3.13.0 wykryto podatność w klasie `TFSMLayer`. Pozwala ona na ładowanie kontrolowanych przez atakującego modeli TensorFlow SavedModel podczas deserializacji plików `.keras`, nawet gdy włączony jest tryb bezpieczny (`safe_mode=True`). Problem wynika z bezwarunkowego ładowania zewnętrznych SavedModel, serializacji ścieżek plików kontrolowanych przez atakującego oraz braku walidacji w metodzie `from_config()`.

Podatność w komponencie wczytywania wag HDF5 w Google Keras 3.0.0 do 3.13.0 umożliwia zdalnemu atakującemu wywołanie odmowy usługi (DoS) poprzez wyczerpanie pamięci i awarię interpretera Pythona. Atak polega na dostarczeniu spreparowanego archiwum .keras zawierającego plik model.weights.h5 z deklaracją bardzo dużego kształtu zbioru danych.