Katalog podatności CVE

Wersje YAML::Syck przed 1.38 dla Perla mają problem z odczytem poza granicami bufora. Błąd ten występuje w kodzie parsowania base60, co może prowadzić do niebezpiecznego odczytu pamięci.

JunoClaw to platforma AI, która przed wersją 0.x.y-security-1 miała podatność SSRF w mostku WAVS. Funkcja computeDataVerify wywoływała fetch() na adresach URL dostarczonych przez agenta bez walidacji schematu, portu czy rozwiązanego adresu IP.

JunoClaw to platforma AI, która przed wersją 0.x.y-security-1 miała lukę w systemie blokowania poleceń opartym na podciągach. Można było obejść ten mechanizm, co prowadziło do nieautoryzowanego wykonania poleceń na hoście.

JunoClaw to platforma AI, która przed wersją 0.x.y-security-1 miała podatność w plugin-shell, gdzie polecenia dostarczane przez agenta były interpretowane przez powłokę, co umożliwiało wykorzystanie metaznaków powłoki. Ta podatność została naprawiona w wersji 0.x.y-security-1.

JunoClaw to platforma AI, która przed wersją 0.x.y-security-1 miała lukę w narzędziu upload_wasm MCP, pozwalającą na przesyłanie plików bez weryfikacji ścieżki, celu symlinków, rozmiaru pliku czy formatu pliku.

Nieprawidłowa kontrola dostępu w oprogramowaniu Intel Vision dla wszystkich wersji w Ring 3: Aplikacje użytkownika mogą prowadzić do odmowy usługi. Atakujący z nieuprzywilejowanym oprogramowaniem i nieautoryzowanym użytkownikiem może umożliwić zdalne wykonanie kodu.

Podatność CVE-2026-20879 dotyczy błędu zapisu poza granicami w sterowniku Intel(R) Data Center Graphics dla oprogramowania VMware ESXi przed wersją 2.0.2. Może to prowadzić do odmowy usługi oraz korupcji danych przy lokalnym dostępie przez użytkownika z uprawnieniami.

Przepełnienie całkowitej liczby w oprogramowaniu UEFI dla Slim Bootloadera może umożliwić eskalację uprawnień. Atakujący z dostępem do systemu i niską złożonością ataku może umożliwić lokalne wykonanie kodu.

Podatność w sterowniku Intel(R) Data Center Graphics dla oprogramowania VMware ESXi przed wersją 2.0.2 pozwala na odczyt danych poza dozwolonym zakresem, co może prowadzić do odmowy usługi. Atakujący z uprawnieniami administratora może wykorzystać tę lukę do ujawnienia danych.

Podatność CVE-2026-20738 dotyczy nieufnego dereferencjonowania wskaźnika w oprogramowaniu Intel(R) QuickAssist Adapter 8960 przed wersją 1.13, co może prowadzić do eskalacji uprawnień. Atakujący z niskimi wymaganiami może wykorzystać tę lukę do uzyskania wyższych uprawnień bez interakcji użytkownika.

Nieprawidłowa walidacja wejścia w oprogramowaniu Intel Endpoint Management Assistant (EMA) przed wersją 1.14.5 w warstwie Ring 3 (aplikacje użytkownika) może umożliwić eskalację uprawnień. Atakujący z nieuwierzytelnionym użytkownikiem i niskim poziomem złożoności ataku może uzyskać podwyższone uprawnienia. Podatność wymaga dostępu sąsiedzkiego i nie wymaga interakcji użytkownika.

Podatność związana z niewłaściwym traktowaniem wielkości liter w LockOutRealm w Apache Tomcat może prowadzić do nieautoryzowanego dostępu. Dotyczy to wersji od 11.0.0-M1 do 11.0.21, od 10.1.0-M1 do 10.1.54, od 9.0.0.M1 do 9.0.117, od 8.5.0 do 8.5.100 oraz od 7.0.0 do 7.0.109.

Podatność w Apache Tomcat związana z ujawnieniem nagłówka uwierzytelniania HTTP nieoczekiwanym hostom podczas uwierzytelniania WebSocket. Dotyczy wersji od 11.0.0-M1 do 11.0.21, 10.1.0-M1 do 10.1.54, 9.0.2 do 9.0.117, 8.5.24 do 8.5.100 oraz 7.0.83 do 7.0.109.

W Apache Tomcat występuje podatność związana z alokacją zasobów bez ograniczeń lub throttlingu. Dotyczy to wersji od 11.0.0-M1 do 11.0.21, od 10.1.0-M1 do 10.1.54 oraz od 9.0.0.M1 do 9.0.117.

Projekt superduper w wersji do 0.10.0 zawiera krytyczną podatność na zdalne wykonanie kodu w swoim komponencie analizy zapytań. Funkcja _parse_op_part() w pliku query.py używa niebezpiecznej funkcji eval() do dynamicznej oceny operandów zapytań dostarczonych przez użytkownika bez odpowiedniej sanitizacji.

Biblioteka snorkel w wersji do 0.10.0 zawiera podatność na niebezpieczną deserializację w metodzie MultitaskClassifier.load(). Metoda ta ładuje pliki wag modelu bez włączenia parametru weights_only=True, co umożliwia deserializację dowolnych obiektów Pythona.

Biblioteka snorkel w wersji do 0.10.0 zawiera krytyczną podatność na niebezpieczną deserializację w metodzie BaseLabeler.load(). Metoda ta ładuje zserializowane modele etykietera przy użyciu niebezpiecznej funkcji pickle.load() na podstawie ścieżek plików dostarczonych przez użytkownika, bez żadnej walidacji.

Biblioteka snorkel w wersjach do 0.10.0 zawiera podatność na niebezpieczną deserializację w metodzie Trainer.load(). Metoda ta ładuje pliki punktów kontrolnych modelu bez włączenia parametru weights_only=True, co umożliwia deserializację dowolnych obiektów Pythona.

Wersje PyTorch-Lightning 2.6.0 i wcześniejsze zawierają podatność na niebezpieczną deserializację w mechanizmie ładowania punktów kontrolnych. Metoda LightningModule.load_from_checkpoint() wywołuje torch.load() bez ustawienia parametru security-restrictive weights_only=True, co umożliwia deserializację dowolnych obiektów Pythona.

Funkcja _load_model() w skrypcie neural_magic_training.py projektu optimate jest podatna na niebezpieczną deserializację. Umożliwia to złośliwemu atakującemu wykonanie dowolnego kodu na systemie ofiary poprzez dostarczenie zmanipulowanego pliku modelu.