Vulnerabilidades

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. La implementación del operador TFLite "SpaceToBatchNd" es [vulnerable a un error de división por cero] (https://github.com/tensorflow/tensorflow/blob/412c7d9bb8f8a762c5b266c9e73bfa165f29aac8/tensorflow/lite/kernels/space_to_batch_nd.83) . Un atacante puede diseñar un modelo tal que una dimensión de la entrada del "block" sea 0. Por lo tanto, el valor correspondiente en "block_shape" es 0. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este commit en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango compatible

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. Los gráficos TFlite no deben tener bucles entre nodos. Sin embargo, esta condición no fue comprobada y un atacante podría diseñar modelos que darían como resultado un bucle infinito durante la evaluación. En determinados casos, el bucle infinito sería reemplazado por un desbordamiento de la pila debido a demasiadas llamadas recursivas. Por ejemplo, la implementación "While" (https://github.com/tensorflow/tensorflow/blob/106d8f4fb89335a2c52d7c895b7a7485465ca8d9/tensorflow/lite/kernels/ while.cc) podría engañarse en un argunto donde tanto el cuerpo como los subgrafos de bucle son lo mismo. Evaluar uno de los subgrafos significa llamar a la función "Eval" para el otro y esto agota rápidamente todo el espacio de la pila. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este commit en TensorFlow 2.4.2, TensorFlow 2.3.3, TensorFlow 2.2.3 y TensorFlow 2.1.4, ya que también están afectados y aún se encuentran en el rango compatible. Consulte nuestra guía de seguridad (https://github.com/tensorflow/tensorflow/blob/master/SECURITY.md) para obtener más información sobre el modelo de seguridad y cómo contactarnos con problemas y preguntas

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. La implementación del operador "DepthToSpace" TFLite es vulnerable a un error de división por cero (https://github.com/tensorflow/tensorflow/blob/0d45ea1ca641b21b73bcf9c00e0179cda284e7e7/tensorflow/lite/kernels/depth_to_space.cc )#L63-. Un atacante puede diseñar un modelo tal que "params-)block_size" sea 0. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este commit en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango compatible

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. Debido a una falta de comprobación en "tf.raw_ops.RaggedTensorToTensor", un atacante puede explotar un comportamiento indefinido si los argumentos de entrada están vacíos. La implementación (https://github.com/tensorflow/tensorflow/blob/656e7673b14acd7835dc778867f84916c6d1cac2/tensorflow/core/kernels/ragged_tensor_to_tensor_op.cc#L356-L360) solo comprueba que uno de los tensores no esté vacío, sino que no comprueba si está vacío, otros. Se presentan múltiples comprobaciones de "DCHECK" para evitar la pila de OOB, pero estas no son operativas en unas versiones de lanzamiento, por lo que no evitan nada. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este commits en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que también están afectadas y aún se encuentran en el rango compatible

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. Una comprobación en la función "tf.raw_ops.QuantizeAndDequantizeV2" permite valores no comprobados para el argumento "axis": La comprobación (https://github.com/tensorflow/tensorflow/blob/eccb7ec454e6617738554a255d77f08e60ee0808/tensorflow/core/kernels/quantize_and_dequantize_op.cc#L74-L77) usa "||" para mezclar dos condiciones diferentes. Si "axis_(-1", la condición en "OP_REQUIRES" seguirá siendo verdadera, pero este valor de "axis_" resulta en un desbordamiento de la pila. Esto permite a los atacantes leer y escribir en otros datos de la pila. La corrección será incluída en TensorFlow versión 2.5.0. También seleccionaremos este commit en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango compatible

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. Un atacante puede desencadenar un desbordamiento del búfer en una implementación de Eigen de "tf.raw_ops.BandedTriangularSolve". La implementación (https://github.com/tensorflow/tensorflow/blob/eccb7ec454e6617738554a255d77f08e60ee0808/tensorflow/core/kernels/linalg/banded_triangular_solve_op.cc#L269-L278) llama a "ValidateInputTensors" no están vacías. Además, dado que la macro "OP_REQUIRES" solo detiene una ejecución de la función actual después de configurar la función "ctx-)status()" a un valor que no es OK, los llamadores de funciones auxiliares que usan "OP_REQUIRES" deben comprobar el valor de "ctx-)status()" antes de continuar. Esto no sucede en una implementación de esta operación (https://github. com/tensorflow/tensorflow/blob/eccb7ec454e6617738554a255d77f08e60ee0808/tensorflow/core/kernels/linalg/banded_triangular_solve_op.cc#L219), por lo tanto, Una comprobación que está presente tampoco es efectiva. La corrección será incluída en TensorFlow versión 2.5.0. También seleccionaremos este commit en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango compatible

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. La implementación de "tf.raw_ops.FractionalMaxPoolGrad" desencadena un comportamiento indefinido si uno de los tensores de entrada está vacío. El código también es vulnerable a un ataque de denegación de servicio, ya que una condición "CHECK" se vuelve falsa y aborta el proceso. La implementación (https://github.com/tensorflow/tensorflow/blob/169054888d50ce488dfde9ca55d91d6325efbd5b/tensorflow/core/kernels/fractional_max_pool_op.cc#L215) no comprueba que los tensores de entrada y salida no están vacíos y presentan el mismo rango. Cada una de estas suposiciones no comprobadas es responsable de los problemas anteriores. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este compromiso en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango admitido

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. Debido a una falta de comprobación en la función "tf.raw_ops.CTCBeamSearchDecoder", un atacante puede desencadenar la denegación de servicio por medio de fallos de segmentación. La implementación (https://github.com/tensorflow/tensorflow/blob/a74768f8e4efbda4def9f16ee7e13cf3922ac5f7/tensorflow/core/kernels/ctc_decoder_ops.cc#L68-L79) no detecta casos cuando el tensor de entrada está vacío y procede a leer datos de un búfer null. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este compromiso en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango admitido

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. La implementación de "tf.raw_ops.AvgPool3DGrad" es vulnerable a un desbordamiento del búfer de la pila. La implementación (https://github.com/tensorflow/tensorflow/blob/d80ffba9702dc19d1fac74fc4b766b3fa1ee976b/tensorflow/core/kernels/pooling_ops_3d.cc#L376-L450) asume que las dimensiones al inicio y al final de los tensores "orig_input_shape" y "grad" son similares pero no comprueba que esta suposición esté validada. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este compromiso en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango admitido

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. Un atacante puede desencadenar una denegación de servicio por medio de un fallo "CHECK" causada por un desbordamiento de enteros al construir una nueva forma de tensor. Esto es debido a que la implementación (https://github.com/tensorflow/tensorflow/blob/0908c2f2397c099338b901b067f6495a5b96760b/tensorflow/core/kernels/sparse_split_op.cc#L66-L70) crea una forma densa sin comprobar que las dimensiones no resulten en un desbordamiento . El constructor "TensorShape" (https://github.com/tensorflow/tensorflow/blob/6f9896890c4c703ae0a0845394086e2e1e523299/tensorflow/core/framework/tensor_shape.cc#L183-L188) usa una operación "CHECK" que es desencadenada (https://github.com/tensorflow/tensorflow/blob/6f9896890c4c703ae0a0845394086e2e1e523299/tensorflow/core/framework/tensor_shape.cc#L183-L188) : //github.com/tensorflow/tensorflow/blob/6f9896890c4c703ae0a0845394086e2e1e523299/tensorflow/core/framework/tensor_shape.cc#L212-L296) devuelve un estado no correcto. Esta es una implementación heredada del constructor y las operaciones deben usar "BuildTensorShapeBase" o "AddDimWithStatus" para evitar fallos de "CHECK" en presencia de desbordamientos. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este compromiso en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango admitido

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. Debido a una falta de comprobación en la función "tf.raw_ops.Dequantize", un atacante puede desencadenar una lectura desde fuera de límites de los datos asignados a la pila. La implementación (https://github.com/tensorflow/tensorflow/blob/26003593aa94b1742f34dc22ce88a1e17776a67d/tensorflow/core/kernels/dequantize_op.cc#L106-L131) accede a los tensores "min_range" y "max_range" en paralelo pero no puede comprobar eso presentan una misma forma. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este compromiso en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango admitido

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. La implementación de "tf.raw_ops.MaxPoolGrad" es vulnerable a un desbordamiento del búfer de la pila. La implementación (https://github.com/tensorflow/tensorflow/blob/ab1e644b48c82cb71493f4362b4dd38f4577a1cf/tensorflow/core/kernels/maxpooling_op.cc#L194-L203) no comprueba que los índices usados para acceder a elementos de matrices de entrada y salida sean válidos. Mientras que los accesos a `input_backprop_flat` están protegidos por `FastBoundsCheck`, la indexación en "out_backprop_flat" puede resultar en acceso OOB. La corrección será incluida en TensorFlow versión 2.5.0. También seleccionaremos este compromiso en TensorFlow versión 2.4.2, TensorFlow versión 2.3.3, TensorFlow versión 2.2.3 y TensorFlow versión 2.1.4, ya que estos también están afectados y aún están en el rango admitido